<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE ArticleSet PUBLIC "-//NLM//DTD PubMed 2.7//EN" "https://dtd.nlm.nih.gov/ncbi/pubmed/in/PubMed.dtd">
<ArticleSet>
<Article>
<Journal>
				<PublisherName>دانشگاه تربیت دبیر شهید رجایی</PublisherName>
				<JournalTitle>پژوهش های سنجش از دور و اطلاعات مکانی</JournalTitle>
				<Issn>3041-8976</Issn>
				<Volume>2</Volume>
				<Issue>1</Issue>
				<PubDate PubStatus="epublish">
					<Year>2023</Year>
					<Month>12</Month>
					<Day>22</Day>
				</PubDate>
			</Journal>
<ArticleTitle>Exploring Factors Influencing High Volume of Requests to Rescue Centers: A Geographically Weighted Regression Analysis</ArticleTitle>
<VernacularTitle>بررسی عوامل موثر بر حجم بالای درخواست‌های مردمی به مراکز امداد و نجات با استفاده از رویکرد رگرسیون جغرافیایی وزن‌دار</VernacularTitle>
			<FirstPage>65</FirstPage>
			<LastPage>78</LastPage>
			<ELocationID EIdType="pii">2121</ELocationID>
			
<ELocationID EIdType="doi">10.22061/jrsgr.2024.10780.1061</ELocationID>
			
			<Language>FA</Language>
<AuthorList>
<Author>
					<FirstName>مژده</FirstName>
					<LastName>مینایی</LastName>
<Affiliation>گروه سنجش از دور و سیستمهای اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی- واحد علوم تحقیقات، تهران، ایران</Affiliation>

</Author>
<Author>
					<FirstName>محمدحسن</FirstName>
					<LastName>وحیدنیا</LastName>
<Affiliation>گروه مطالعات سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران</Affiliation>
<Identifier Source="ORCID">0000-0001-7922-715X</Identifier>

</Author>
<Author>
					<FirstName>زهرا</FirstName>
					<LastName>رضایی</LastName>
<Affiliation>گروه سنجش از دور و سیستمهای اطلاعات جغرافیایی، دانشکده منابع طبیعی و محیط زیست، دانشگاه آزاد اسلامی- واحد علوم تحقیقات، تهران، ایران</Affiliation>

</Author>
</AuthorList>
				<PublicationType>Journal Article</PublicationType>
			<History>
				<PubDate PubStatus="received">
					<Year>2024</Year>
					<Month>01</Month>
					<Day>26</Day>
				</PubDate>
			</History>
		<Abstract>&lt;strong&gt;Background and Objectives:&lt;/strong&gt; Spatial data mining techniques offer optimal efficiency in scenarios demanding thorough examination and extraction of results from extensive data sources. Emergency calls, due to their gravity and the involvement of rescue and emergency forces, present a scenario well-suited for geographical data mining. Typically, environmental science and geography researchers employ models such as ordinary least squares (OLS) regression to understand spatial relationships between variables. However, OLS has limitations, particularly at the local scale, prompting the utilization of Geographically Weighted Regression (GWR) in this study to address these shortcomings.&lt;br /&gt;&lt;strong&gt;Methods:&lt;/strong&gt; This study employs OLS and GWR methods to analyze the relationship between the high volume of emergency calls in Dallas, USA, and the influencing factors. Various statistical tests were employed for evaluation. Dependent variables include the number and dispersion of emergency calls, while independent variables encompass population, education levels, peak call hours, and distance from the city center. Spatial-statistical analysis and mapping were conducted using ArcGIS Pro software.&lt;br /&gt;&lt;strong&gt;Findings:&lt;/strong&gt; Results indicate that population, education levels, distance from the city center, and peak call time respectively exert the greatest influence on the occurrence of emergency calls. In the OLS method, Koenker and Jarque-Bera indices, assessing model stationarity and residual normality respectively, did not yield satisfactory results. Evaluation of both OLS and GWR models revealed an R^2 value of approximately 0.61 for GWR and 0.41 for OLS, suggesting greater proximity to reality in the GWR model. Spatially, the weight of population parameter is higher in central city areas, while the weight of peak call time parameter is more pronounced in northern, southern, and western regions. Additionally, the weight of education level parameter is higher in southern parts of the city.&lt;br /&gt;&lt;strong&gt;Conclusion:&lt;/strong&gt; Collectively, the identified factors exhibit a cumulative effect on the occurrence of emergency calls, enabling prediction of future occurrences. Leveraging these insights, appropriate tools can be devised for optimal management and control of regional issues.</Abstract>
			<OtherAbstract Language="FA">&lt;strong&gt;پیشینه و اهداف:&lt;/strong&gt; از تکنیک های داده کاوی مکانی می توان در شرایطی که بررسی و استخراج نتایج از منابع داده ای با حجم زیاد و گستردگی ابعاد پایگاه اطلاعاتی مورد نظر باشد، با بالاترین کارایی استفاده نمود. مسئله تماس های اضطراری به علت خطیر بودن موضوع و درگیر نمودن نیروهای امداد و اورژانس مسئله ای است که بر اساس داده کاوی مکانی می توان به الگوهای نهفته در آن پی برد. بطور متداول، برای درک ارتباطات فضایی بین متغیرها، محققان علوم محیط زیست و جغرافیا از الگوهایی چون رگرسیون حداقل مربعات معمولی (OLS) بهره می گیرند که اساس کار این تحلیل، ارتباط بین متغیرهای مستقل برای متغیر پیش بینی شونده است. اما این روش دارای کاستی های بسیاری در ارائه ی نتایج فضایی بویژه در مقیاس محلی است. رگرسیون وزن دار جغرافیایی (GWR) در این مطالعه به منظور درک روابط بین متغیرهای فضایی در سطح محلی استفاده می شود تا پوششی در رفع نواقص روش تحلیلی OLS باشد.&lt;br /&gt;&lt;strong&gt;روش‌ها‌:&lt;/strong&gt; در این تحقیق از روش های OLS و GWR در تحلیل ارتباط بین موضوع حجم بالای تماس های اضطراری در منطقه مورد مطالعه (ایالات دالاس امریکا) و عوامل موثر بر رخداد این مساله استفاده می گردد. همچنین آزمون های آماری متعدد برای ارزیابی بکارگرفته شد. برای این مقصود، تعداد و پراکندگی تماس های اضطراری را به عنوان متغیر وابسته و پارامترهایی همچون جمعیت، تعداد افراد تحصیل کرده، بیشترین ساعت تماس و فاصله از مرکز شهر را متغیرهای مستقل مساله در نظر گرفته و چگونگی تاثیر این عوامل در بروز این موضوع بررسی می گردد. در این مطالعه، نرم افزار ArcGIS Pro برای انجام تحلیل های مکانی-آماری و ارائه نقشه ها بکارگرفته شد.&lt;br /&gt;&lt;strong&gt;یافته‌ها:&lt;/strong&gt; نتایج نشان دهنده این مساله است که پارامترهای جمعیت، تعداد افراد تحصیل کرده، فاصله از مرکز شهر و بیشترین زمان تماس به ترتیب در بروز این مساله بالاترین اثر را داشته اند. در روش OLS شاخص های Koenker و Jarque-Bera که به ترتیب نشان دهنده ثبات مدل و نرمال بودن باقیمانده ها می باشد رضایتبخش نبودند. نتایج ارزیابی دو مدل OLS و GWR نشان داد که مقدار R2 در مدل GWR حدود 61/0 و در مدل OLS حدود 41/0 بوده که نشان دهنده این امر است که نتایج حاصل از مدل GWR به واقعیت نزدیک تر است. در مدل جغرافیایی، وزن پارامتر جمعیت در قسمت های مرکزی شهر بیشتر از اطراف آن بوده، در حالیکه وزن پارامتر بیشترین زمان تماس در قسمت‌های شمالی، جنوبی و غربی شهر بیشتر از سایر نقاط می باشد. همچنین وزن پارامتر تعداد افراد تحصیل کرده در قسمت های جنوبی شهر بیشتر می باشند.&lt;br /&gt;&lt;strong&gt;نتیجه‌گیری:&lt;/strong&gt;  جمیع عوامل مطرح شده در کنار هم بر روی بروز متغیر وابسته اثر افزایشی داشته و در کنار این تحلیل‌ها، پیش بینی وقوع این مساله در چند ساله آینده نیز امکان پذیر می باشد. با تکیه بر این نتایج می توان ابزار مناسبی جهت مدیریت و کنترل بهینه مشکلات منطقه در اختیار مسئولین امر قرار داد.</OtherAbstract>
		<ObjectList>
			<Object Type="keyword">
			<Param Name="value">اطلاعات مکانی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">حداقل مربعات معمولی</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">رگرسیون جغرافیایی وزن دار</Param>
			</Object>
			<Object Type="keyword">
			<Param Name="value">مراکز امداد و نجات</Param>
			</Object>
		</ObjectList>
<ArchiveCopySource DocType="pdf">https://jrsgr.sru.ac.ir/article_2121_5c484b7dfbc585372d3ce0f67b6144a9.pdf</ArchiveCopySource>
</Article>
</ArticleSet>
