Le modèle prédictif de la COVID - Visionnaire de ShenyangPeak Ventures Co., Ltd

Rapports scientifiques volume 13, Numéro d'article : 4126 (2023) Citer cet article

1350 accès

1 Citations

4 Altmétrique

Détails des métriques

Les plastiques pandémiques (par exemple, les masques, les gants, les tabliers et les bouteilles de désinfectant) sont les conséquences mondiales des déchets infectés par la pandémie de COVID-19, qui ont considérablement augmenté dans le monde. Ces déchets dangereux jouent un rôle important dans la pollution de l'environnement et propagent indirectement le COVID-19. La prévision des impacts environnementaux de ces déchets peut être utilisée pour fournir une gestion de la situation, mener des procédures de contrôle et réduire les effets du COVID-19. À cet égard, l'étude présentée a tenté de fournir un modèle prédictif basé sur l'apprentissage en profondeur pour prévoir l'expansion du plastique pandémique dans les mégapoles iraniennes. En tant que méthodologie, une base de données a été collectée du 27 février 2020 au 10 octobre 2021 pour la propagation du COVID-19 et l'utilisation des équipements de protection individuelle au cours de cette période. L'ensemble de données a été entraîné et validé à l'aide d'ensembles de données d'entraînement (80 %) et de test (20 %) par une procédure de réseau neuronal profond (DNN) pour prévoir la pollution plastique pandémique. Les performances du modèle basé sur DNN sont contrôlées par la matrice de confusion, la courbe des caractéristiques de fonctionnement du récepteur (ROC) et justifiées par les k voisins les plus proches, l'arbre de décision, les forêts aléatoires, les machines à vecteurs de support, Bayes naïf gaussien, la régression logistique et multicouche méthodes perceptrons. Selon les résultats de la modélisation comparative, il a été constaté que le modèle basé sur DNN prédisait plus précisément que les autres méthodes et avait une prédominance significative sur les autres avec un taux d'erreurs inférieur (MSE = 0,024, RMSE = 0,027, MAPE = 0,025). Les résultats de l'analyse de la courbe ROC (précision globale) indiquent que le modèle DNN (AUC = 0,929) a obtenu le score le plus élevé parmi d'autres.

La nouvelle maladie à coronavirus (2019-nCoV), appelée par l'Organisation mondiale de la santé (OMS) maladie à coronavirus 2019 (COVID-19), a été signalée pour la première fois le 31 décembre 2019 à Wuhan, en Chine1. En raison du nombre croissant de personnes infectées dans le monde, l'OMS a présenté l'épidémie de COVID-19 comme une pandémie. Au 10 octobre 2021, plus de 240 millions de personnes dans le monde avaient été infectées par le COVID-19, et cela avait entraîné la mort de plus de 4,9 millions de personnes2. La propagation de la pandémie de COVID-19 a affecté les modes de vie des gens dans plusieurs domaines, tels que culturel, social, éducatif, économique et environnemental, ce qui a conduit à des actes plus conservateurs. Des dommages irréparables ont été causés aux économies des pays par une augmentation du nombre de patients et la mise en place de la quarantaine3. L'impact environnemental du COVID-19 est également important. Bien que la propagation du COVID-19 et l'arrêt forcé de la production de polluants atmosphériques, de gaz à effet de serre, d'eaux usées industrielles et de déchets, ainsi que l'arrêt de la dégradation des ressources naturelles aient permis à l'environnement de respirer, la propagation de cette pandémie a produit des déchets qui a des effets défavorables sur l'environnement4. Depuis l'épidémie de COVID-19, il y a eu une augmentation sans précédent de l'utilisation de plastiques à usage unique (SUP) tels que des bouteilles de désinfectant pour les mains, des kits de test médical, des sacs en plastique, etc. De plus, l'utilisation d'équipements de protection individuelle (EPI), y compris les masques faciaux, les lingettes désinfectantes, les blouses, les écrans faciaux et les gants, a été recommandée par l'OMS pour réduire la propagation du COVID-19 d'homme à homme. Ainsi, la gestion des déchets issus des SUP et des EPI est un sujet de préoccupation qui occulte les systèmes de santé mondiaux et perturbe les économies des pays. En raison de la génération inhabituelle de déchets COVID-19 provenant des hôpitaux et des ménages, une urgence en matière de déchets a été créée sur différents continents5. Depuis l'apparition du COVID-19, la quantité de déchets plastiques produits dans le monde est estimée à 1,6 million de tonnes par jour, et près de 3,4 milliards de masques faciaux sont jetés quotidiennement dans le monde6. Le tableau 1 fournit des informations sur le nombre de masques utilisés et de déchets plastiques générés pendant la pandémie de COVID-19. En attendant, on estime que la Chine générera près de 702 millions de tonnes de déchets plastiques au 1er rang en 2020. L'Iran se situe au 13e rang mondial, générant 62 millions de tonnes.

Tous les déchets liés au COVID-19 (SUP et EPI) générés par les hôpitaux, les centres de santé et les personnes infectées sont appelés déchets pandémiques du COVID-19. Les principaux déchets du COVID-19 comprennent les masques faciaux, les gants, les blouses, les écrans faciaux utilisés par le personnel soignant et les types d'équipements grand public utilisés par les patients atteints du COVID-19. Il convient de noter que les déchets du COVID-19 ne se limitent pas aux hôpitaux et aux établissements de santé, mais les déchets générés par des patients asymptomatiques ou des personnes qui se sont rétablies à domicile sont également considérés comme des déchets du COVID-19. Les déchets liés au COVID-19 peuvent être divisés en deux groupes, selon l'OMS et les Centers for Disease Control and Prevention (CDC) des États-Unis. L'un est celui des déchets générés dans les établissements de santé et les hôpitaux, qui doivent être collectés avec un soin particulier et éliminés en tant que déchets médicaux. Un autre est celui des déchets générés par les mesures préventives telles que les masques faciaux, les gants en plastique, etc., qui peuvent être considérés comme des déchets inoffensifs7. Les déchets solides produits par les ménages ont peu attiré l'attention de la communauté scientifique, alors qu'ils peuvent faciliter la propagation du COVID-19 par la voie de transmission des fomites. Le SARS-CoV-2 peut survivre sur divers substrats de quelques heures à quelques jours ; par exemple, il est stable sur les plastiques et l'acier inoxydable pendant 2 à 3 jours8,9 Kampf. Par conséquent, les déchets solides générés par les EPI contaminés (par exemple, les gants et les masques faciaux) sont dangereux pour la santé et l'environnement10,11. Un patient atteint de COVID-19 peut produire environ 3,4 kg/jour de déchets médicaux12. Le volume de déchets biomédicaux sous forme de déchets plastiques a augmenté pendant la pandémie de COVID-19. Les masques faciaux et les gants sont principalement composés de substances polymères non biodégradables qui peuvent se dégrader en macro-, méso- et microplastiques une fois rejetées dans l'environnement13,14. On craint de plus en plus que les EPI mis au rebut suite à la pandémie de COVID-19 ne se retrouvent dans nos écosystèmes marins. Le SARS-CoV-2 peut exister à la surface des EPI et pénétrer dans les plans d'eau. L'élimination inappropriée des EPI entraîne non seulement un risque environnemental, mais entraîne également des risques potentiels pour la santé humaine en raison de la consommation de fruits de mer dans le monde. De plus, les macro-, méso- et microplastiques des écosystèmes aquatiques peuvent agir comme vecteurs possibles d'agents pathogènes. De plus, les mammifères et organismes marins peuvent être à risque de s'emmêler et d'ingérer des gants en latex, ce qui entraîne des blessures graves et la mort15. Les déchets plastiques peuvent constituer l'essentiel des déchets mal gérés qui interfèrent avec l'habitat naturel de l'animal et perturbent ceux-ci16. Les déchets plastiques biomédicaux mettent plusieurs années à se biodégrader, ce qui leur permet de flotter dans les environnements terrestres et les écosystèmes aquatiques et de menacer la santé humaine17.

Avec l'épidémie de COVID-19, la production de déchets en Iran a triplé. Le volume de déchets hospitaliers pendant la pandémie de COVID-19 à Téhéran a atteint 100 tonnes par jour, alors qu'auparavant, nous avions environ 60 à 70 tonnes de déchets hospitaliers par jour. Par conséquent, une élimination appropriée des déchets hospitaliers dans une épidémie de COVID-19 est essentielle. De plus, en raison de la surcharge des hôpitaux avec des patients COVID-19, il est nécessaire de traiter les patients infectés dans les ménages. Cependant, il n'existe pas de stratégie de gestion pour l'élimination appropriée des déchets de soins de santé générés par les ménages. Selon les preuves, les déchets médicaux générés dans les hôpitaux et les établissements de santé pendant la pandémie de COVID-19 ne sont pas différents des autres déchets médicaux infectieux et gérés. En tant que réglementation relative à l'élimination des déchets médicaux, la plupart des déchets sont éliminés ensemble dans un enfouissement traditionnel des déchets. D'autre part, en Iran, les déchets solides sont souvent déversés dans des décharges mal gérées où les récupérateurs pourraient récupérer des matériaux recyclables. Cela peut entraîner la propagation du coronavirus. Par conséquent, pour empêcher la propagation du SRAS-CoV-2, une stratégie de gestion appropriée est nécessaire pour éliminer les déchets corona.

La pandémie de COVID-19 a déclenché une ruée vers le plastique avec un potentiel d'infraction. Comme la plupart de ces plastiques ne peuvent pas être recyclés, les déchets aussi. L'inquiétude croissante suscitée par ces déchets tels que les masques, les blouses, les écrans faciaux, les lunettes de sécurité, les tabliers de protection, les contenants de désinfectant, les chaussures en plastique et les gants résultant de la pandémie actuelle de COVID-19 pourrait se retrouver dans nos écosystèmes aquatiques. Le CDC a recommandé que les plastiques infectés soient jetés dans des sacs en plastique après utilisation, puis jetés dans des poubelles18. L'augmentation sans précédent du nombre de déchets pandémiques jetables conduit à une pollution plastique massive dans le monde entier19. Cela pourrait potentiellement exacerber les problèmes de pollution plastique créés par plus de 10 millions de tonnes menacées par nos environnements20. Benson et al.6 ont préparé une carte internationale pour l'élimination spécifique des déchets de masques qui étaient considérés comme le plus grand volume de déchets plastiques pandémiques COVID-19. Doremalen et al. (2020) et Chin et al. (2020) ont préparé un ensemble de données pour les déchets liés à la pandémie de COVID-19, qui montre qu'environ 266 masques ont été jetés par heure8,21. Cette quantité massive de déchets pandémiques entraîne une augmentation du risque indirect potentiel d'infection au COVID-1922,23. À cet égard, la préparation du MSW spécial pour réduire les déchets liés à la pandémie de COVID-19 est nécessaire. La première étape dans l'établissement d'un MSW approprié consiste à obtenir le volume de déchets pandémiques générés par la COVID-19. Cette quantité de plastiques à risque doit être séparée du corps principal des déchets municipaux et éliminée séparément. Ainsi, le volume spécifié doit être transporté et isolé et le volume de production couvre une large gamme qui doit être déterminée pour le passé, le présent et le futur. La présente étude se concentre sur la fourniture d'une procédure pour déterminer les déchets pandémiques basés sur le COVID-19 avec une grande précision. Comme on le sait, des prévisions précises dans ce domaine peuvent fournir un moyen de réduire la production, de récupérer en toute sécurité et d'enfouir correctement les déchets pandémiques.

L'article présenté tente d'évaluer les déchets pandémiques dans les métropoles iraniennes, qui jouent un rôle important dans la propagation indirecte du COVID-19. À cet égard, après avoir fourni un cadre complet pour la propagation du COVID-19 dans les mégalopoles iraniennes, le modèle prédictif basé sur un réseau neuronal profond a été réalisé.

L'apprentissage en profondeur est un sous-ensemble de l'apprentissage automatique basé sur des réseaux de neurones artificiels avec une représentation de l'apprentissage qui tente de modéliser des concepts abstraits de haut niveau dans le traitement des données à l'aide d'un graphe profond de plusieurs couches de traitement linéaires/non linéaires. L'apprentissage en profondeur s'est développé sous forme de réseaux de neurones profonds (DNN), de réseaux de croyances profondes (DBN), de réseaux de neurones récurrents (RNN), de réseaux de neurones convolutifs (CNN), de machines de Boltzmann restreintes (RBM) et d'architectures de codage clairsemé d'auto-encodeurs (ASC)24 qui ont la capacité exceptionnelle d'apprendre les divers modèles dans les analyses de données. Le DNN (connu sous le nom d'apprentissage structurel dense) est un réseau de neurones artificiels (ANN) avec plusieurs couches entre les couches d'entrée-sortie qui trouve la bonne manipulation mathématique pour transformer l'entrée en sortie, qu'elle puisse être définie comme linéaire ou non. relations linéaires25. Le réseau DNN se déplace à travers les couches en calculant la probabilité de chaque sortie. L'utilisateur peut examiner les résultats et sélectionner les probabilités que le réseau DNN doit afficher et renvoyer l'étiquette proposée. Chaque manipulation mathématique est considérée comme une couche, et un DNN complexe comporte plusieurs couches, d'où le nom de réseaux « profonds ». Les architectures profondes incluent de nombreuses variantes de quelques approches de base où chaque étape a rencontré le succès dans des domaines spécifiques24.

DNN est une approche d'apprentissage en profondeur qui est utilisée pour une classification ou une prédiction très précise basée sur des caractéristiques extraites des données d'entrée (ensemble de données de base ou principal). En raison de la capacité du réseau DNN, en augmentant les couches neuronales, la précision de l'analyse peut être augmentée, augmentant ainsi la profondeur d'apprentissage. Les données d'entrée fournissent la 1ère couche d'évaluation DNN sous la forme d'une matrice de données dans laquelle chaque élément a une valeur de caractéristique spécifique. Par conséquent, la couche d'entrée est organisée par chaque couche et unité DNN. Ces unités extraient différentes caractéristiques des données d'entrée. La couche de sortie a été considérée comme des couches classifiées/prédites à partir des données d'entrée. Les couches intermédiaires étaient des couches de calcul de DNN. La combinaison de ces couches dans la séquence peut extraire les caractéristiques souhaitées et, par conséquent, classer les données d'entrée dans les classes souhaitées.

L'Iran est l'un des pays les plus sensibles lors de l'épidémie de COVID-19. L'épidémie de COVID-19 a touché très rapidement la plupart des régions de l'Iran26,27. L'infection croissante au COVID-19 en Iran entraîne un développement imprévisible de la production de déchets sujets à la pollution. D'autre part, le manque d'emplacements appropriés pour l'enfouissement a fait que cette pollution a un aspect social et transsocial. À cet égard, l'expansion du COVID-19 et l'augmentation du nombre de patients infectés ont entraîné une augmentation rapide des déchets pandémiques liés au COVID-19. Pour déterminer les impacts des épidémies de COVID-19 sur l'environnement et résoudre les problèmes du secteur de la gestion des déchets pendant cette pandémie, nous avons besoin d'informations appropriées sur la situation des déchets solides dans les métropoles iraniennes. Étant donné que seules les statistiques officielles sur les cas infectés, les cas récupérés et la mortalité sont déclarées par le ministère de la Santé et de l'Éducation médicale d'Iran (MHME), il est nécessaire de contacter les municipalités pour évaluer l'état actuel de la gestion des déchets solides dans les zones métropolitaines. Par conséquent, des études approfondies sur le terrain ont été menées pour trouver la relation entre le nombre de cas infectés et la quantité de déchets plastiques générés dans les zones métropolitaines dans les services domestiques et hospitaliers, et les graphiques correspondants ont été préparés.

Afin de mettre en œuvre le modèle proposé basé sur DNN, l'ensemble de données de base ou principal doit d'abord être fourni. Cet ensemble de données sera utilisé pour former et tester par les techniques DNN et conduire à atteindre l'objectif de prédiction. L'ensemble de données a été préparé à partir de 8 métropoles iraniennes conclues à Téhéran, Mashhad, Ispahan, Karaj, Shiraz, Tabriz, Qum et Ahvaz. Les données sur les cas infectés sont recueillies par jour dans les métropoles mentionnées du début du 27 février 2020 au 10 octobre 2021, sur la base des mises à jour du site Web "Worldometer". Ces données reflétaient principalement la propagation du COVID-19 dans les villes. La réalisation de l'enquête sur le terrain à partir des déchets plastiques ménagers et hospitaliers dans chaque ville a permis de modifier l'ensemble de données principal. Au cours de l'enquête sur le terrain dans ces mégapoles, des informations de base ont été recueillies auprès des hôpitaux, des centres de santé et des décharges des villes concernant le volume et le type de SUP et d'EPI. Le tableau 2 fournit des informations sur les ressources de données qui ont été utilisées pour enrichir l'ensemble de données. La base de données fournie a classé les cas d'infection, les EPI, les SUP et les kits de test et a utilisé les volumes de colis médicaux dans le temps pour enquêter sur la pollution plastique pandémique en Iran. Toutes les données sont classées en lignes et en colonnes pour chaque ville séparément.

Après avoir fourni l'ensemble de données principal, cet ensemble de données a été divisé en ensembles d'apprentissage et de test (80 % et 20 % des informations, respectivement). L'ensemble de formation a été utilisé pour apprendre le modèle DNN, et l'ensemble de test a été utilisé pour tester les performances et la précision du modèle proposé.

Le nombre de nouveaux cas infectés dans les métropoles iraniennes depuis le début de la première vague apparue le 27 février 2020 jusqu'au 10 octobre 2021 est tracé à l'aide de Microsoft Excel (Fig. 1). Comme le montre la figure 1, au début de l'épidémie de coronavirus, le nombre de cas infectés était faible dans les huit métropoles iraniennes, mais comme le virus se propage rapidement et en raison d'un manque de sensibilisation à son comportement, il s'est propagé rapidement dans toutes les villes. Cela a conduit au début de la première vague de COVID-19 en Iran, qui a atteint sa vague le 30 mars 2020. Après avoir passé la première vague, en raison des mesures préventives du gouvernement et de la population devenant plus consciente et observant la santé protocoles par eux, nous avons assisté à une diminution du nombre de cas infectés en Iran. Même si, en raison de la réouverture des commerces et du faible respect des protocoles sanitaires par la population, il ne nous a pas fallu longtemps pour revoir le début de la deuxième vague le 16 mai 2020, et le nombre de cas infectés a augmenté et atteint son vague du 4 juin 2020. La troisième vague de COVID-19 était liée à l'arrivée de l'automne et au refroidissement du temps. Au cours de cette vague, le nombre de cas infectés a augmenté de façon exponentielle et davantage de patients ont dû être hospitalisés et en soins intensifs. Coïncidant avec l'émergence de la nouvelle mutation du coronavirus, connue sous le nom de variante britannique, la quatrième vague de COVID-19 a commencé et est restée en Iran jusqu'au 4 juin 2021. Malheureusement, en raison de la propagation de la variante Delta, l'Iran est actuellement dans le cinquième vague de COVID-19. Le nombre de cas infectés dans cette vague a atteint un record de 50 228 cas le 10 octobre 2021.

Le nombre de nouveaux cas infectés quotidiennement de COVID-19 dans les métropoles iraniennes.

L'Iran est l'un des pays à forte prévalence de COVID-19. Au 10 octobre 2021, on comptait 5 754 047 cas confirmés et 123 498 décès en Iran, ce qui place ce pays au 8e rang mondial (site Worldometer). Outre d'autres problèmes tels que le non-respect des protocoles de santé, la non-application de la distanciation sociale et les déplacements dangereux pendant la pandémie de COVID-19, la mauvaise manipulation des déchets corona dans les pays en développement, y compris l'Iran, augmente la possibilité de propagation du coronavirus. En Iran, avec plus de 85 millions d'habitants, plus de 18 millions de tonnes de déchets solides municipaux (MSW) sont générés chaque année. Seuls 8% des DSM sont recyclés par le cadre légal en raison de programmes de séparation médiocres mis en œuvre dans tout le pays. Par conséquent, les déchets ménagers dangereux, y compris les déchets médicaux, sont mélangés aux déchets ménagers généraux et peuvent poser des problèmes sanitaires et environnementaux28. À cet égard, l'étude présentée fournit une vaste enquête de terrain auprès des principaux hôpitaux et des unités municipales de gestion des déchets dans les mégapoles afin de fournir les informations pertinentes utilisées dans l'ensemble de données principal. Ces informations, après pré-traitement, sont utilisées dans le processus de prédiction. Au cours de l'étape de prétraitement, les données non pertinentes, comme le volume de déchets non pandémiques comme les déchets non organiques, les déchets alimentaires, les métaux, etc., ont été supprimées de la base de données. L'accent était mis principalement sur les plastiques pandémiques comme les EPI, les SUP et les déchets médicaux qui sont potentiellement sujets à la pollution.

Après avoir fourni l'ensemble de données principal qui a été utilisé comme base de données de base sur la propagation du COVID-19 et l'utilisation du plastique pandémique dans diverses mégapoles d'Iran, l'ensemble de données a été divisé au hasard en ensembles de tests et de formation. Dans l'étape suivante, le modèle a été formé et testé en ce qui concerne le taux d'apprentissage. La prise en compte du rapport test/train est importante pour le taux d'apprentissage du modèle, c'est-à-dire la réponse à l'erreur estimée chaque fois que les poids du modèle sont mis à jour. En fait, le taux d'apprentissage contrôle la rapidité avec laquelle le modèle s'adapte au problème. Des taux d'apprentissage plus faibles nécessitent plus d'époques de formation, car des changements plus petits sont apportés aux poids à chaque mise à jour, tandis que des taux d'apprentissage plus élevés entraînent des changements rapides et nécessitent moins d'époques de formation. Plus précisément, le taux d'apprentissage est un hyperparamètre configurable utilisé dans la formation des réseaux de neurones qui a une petite valeur positive, souvent comprise entre 0,0 et 1,0. Le taux d'apprentissage utilisé dans cette étude a été sélectionné par les optimiseurs, qui pour 0,01 et aucun élan ont été programmés via des rappels dans le support Keras. À cette fin, le modèle DNN a été exécuté pendant 700 itérations (époques) à l'aide des ensembles de données d'apprentissage et de validation.

Cette base de données est divisée au hasard en ensembles de données de test et de formation qui couvrent respectivement 20 % et 80 % de la base de données principale. La figure 2 illustre l'organigramme de traitement de la mise en œuvre du modèle DNN. Le modèle prédictif basé sur DNN est utilisé pour prévoir la pollution plastique pandémique à risque pour les événements futurs.

L'organigramme de traitement du modèle prédictif DNN.

La performance de la méthodologie proposée a été estimée sur la base à la fois de la matrice de confusion et des estimateurs d'erreur statistiques tels que l'erreur quadratique moyenne (MSE), l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne en pourcentage (MAPE). La matrice de performances est une table spécifique qui visualise les performances d'un algorithme de prédiction en fonction de ses valeurs prédites, et elle contient les paramètres de sensibilité, de spécificité et de 1-spécificité. Pour les tâches de classification, les termes vrais positifs (TP), vrais négatifs (TN), faux positifs (FP) et faux négatifs (FN) comparent les résultats du classificateur en question avec des jugements externes fiables25. La précision (TP/[TP + FP]), également appelée valeur prédictive positive, est la fraction d'instances pertinentes (TP) parmi les instances récupérées. De plus, le rappel (TP/[TP + FN]) est la fraction totale des instances pertinentes.

La précision et le rappel reposent donc tous deux sur des mesures de pertinence29. La précision peut être une mesure trompeuse pour les ensembles de données déséquilibrés. Par exemple, pour un ensemble de prédictions avec 90 valeurs positives et 10 valeurs négatives, la classification de toutes les valeurs comme négatives donne un score de précision de 0,90 (90 %). Le score f1 appelé facteur harmonique (F1 = 2 × [précision × rappel]/[précision + rappel]) fournit approximativement la moyenne des valeurs de précision et de rappel lorsqu'elles sont proches et est plus généralement la moyenne harmonique.

La précision globale représente la probabilité qu'un individu soit correctement classé par un test ; c'est-à-dire la somme de TP plus TN divisée par le nombre total d'individus testés. L'application de la matrice de performance permet de caractériser la fiabilité des classificateurs en question24.

Pour estimer les estimateurs d'erreur à partir de la matrice de confusion, l'erreur quadratique moyenne (MSE), l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne en pourcentage (MAPE) ont été utilisées pour mesurer la précision du modèle. En statistique, MSE, RMSE et MAPE sont considérés comme un estimateur pour mesurer la moyenne des carrés des erreurs entre les valeurs estimées et la valeur réelle. En apprentissage automatique, ces erreurs représentent le risque empirique de la perte moyenne sur un ensemble de données observé qui indique le taux de précision du modèle prédictif.

Les classificateurs basés sur l'apprentissage de l'intelligence commune sont utilisés pour la justification du modèle DNN appliqué à la vérification de la modélisation. À cet égard, les k-plus proches voisins (k-NN), l'arbre de décision (DT), les forêts aléatoires (RF), les machines à vecteurs de support (SVM), Bayes naïf gaussien (GNB), la régression logistique (LR) et le perceptron multicouche (MLP) ont été sélectionnées pour comparer les sujets afin de préparer la matrice de confusion. Dans le domaine de l'apprentissage automatique et plus particulièrement dans un problème de classification statistique, une matrice de confusion est utilisée pour étudier les performances des algorithmes appliqués, en particulier l'apprentissage supervisé. La table de confusion indique le degré de visualisation basé sur des documents de recherche d'information qui permet une analyse plus détaillée qu'une simple proportion de classifications correctes (précision). Dans le contexte de la matrice, la précision (représente les valeurs prédictives positives et négatives dans les tests de diagnostic numériques), le rappel (représente la performance de la sensibilité des classifications binaires) et le score f1 (facteur harmonique) sont définis comme des documents pertinents. Les algorithmes comparatifs ont servi de justification30. Les classificateurs ci-dessus ont été utilisés pour la vérification de la méthode basée sur DNN en fournissant les tableaux de confusion comparatifs. En outre, la caractéristique de fonctionnement du récepteur (ROC) est utilisée pour contrôler les performances des modèles prédictifs mentionnés. La courbe ROC est une description graphique qui montre la capacité de diagnostic d'un système de classification binaire lorsque son seuil de discrimination varie. En conséquence, la précision globale et l'aire sous la courbe (AUC) de la matrice de confusion et de la courbe ROC représentent la précision des classificateurs. Tous les modèles, du DNN aux classificateurs de vérification, sont testés à la fois par la matrice de confusion et le ROC pour obtenir l'état de performance des méthodes.

Le nombre de nouveaux cas confirmés et la quantité de déchets plastiques ménagers et hospitaliers causés par le COVID-19 dans les 8 métropoles iraniennes ont été obtenus, et les résultats sont présentés dans les Fig. 3 et 4. Comme le montre la Fig. 3, au début de l'épidémie de COVID-19 en Iran dans les huit métropoles, la production de déchets plastiques ménagers a augmenté sans précédent. La raison en était la peur du virus et l'utilisation excessive d'articles en plastique jetables tels que des gants jetables, des sacs en plastique, des masques et des écrans faciaux. De plus, avec les villes fermées au début de l'épidémie, davantage de déchets ménagers ont été générés. En calmant la vague initiale de la maladie, la sensibilité des gens a diminué, mais en raison de l'utilisation des EPI, la génération de déchets plastiques ménagers a augmenté par rapport aux années précédentes. D'autre part, comme le montrent les graphiques, pendant le pic de la maladie dans les première à cinquième vagues, la production de déchets plastiques augmente considérablement, ce qui est lié au stress causé par COVID-19, et les gens utilisent généralement plus d'EPI pendant les vagues de COVID-19. La figure 4 montre la génération de déchets plastiques hospitaliers. Comme le montrent les graphiques, au début de l'épidémie en Iran, la production de déchets hospitaliers par rapport aux déchets ménagers n'a pas augmenté de manière significative. Cependant, avec la progression de la maladie et l'augmentation du nombre de personnes se référant aux établissements médicaux et aux hôpitaux, le processus de génération de déchets a augmenté, et en même temps, avec le pic de la maladie en plusieurs vagues, la production de déchets hospitaliers a augmenté. Cette augmentation est liée à la consommation d'EPI par le personnel médical comme les médecins, les infirmières, etc., ainsi qu'aux équipements en plastique utilisés par les patients COVID-19.

La quantité de déchets plastiques ménagers causés par le COVID-19 dans les métropoles iraniennes.

La quantité de déchets plastiques hospitaliers causés par le COVID-19 dans les métropoles iraniennes.

Selon ces chiffres, on peut voir que l'Iran a fait face à différentes vagues d'épidémies de COVID-19, ce qui a entraîné une augmentation exponentielle de l'utilisation des EPI. Il existe une relation logique entre l'augmentation des EPI et l'augmentation des vagues de contagion du COVID-19 en Iran. Ainsi, en utilisant une méthode de prédiction pour prévoir le niveau d'augmentation/diminution des déchets plastiques pandémiques pour les événements futurs. Néanmoins, les informations sur les vagues de contagion du COVID-19 du 27 février 2020 au 10 octobre 2021 et l'utilisation des EPI pendant cette durée ont été utilisées comme base de données principale pour le modèle prédictif basé sur DNN. En appliquant le modèle prédictif aux données mesurées, on peut mentionner que le modèle fournit une prédiction appropriée de l'expansion des EPI dans différentes villes. La figure 5 illustre les résultats de la valeur de performance du modèle prédictif DNN pour les 100 premières étapes de l'évaluation. Selon ce chiffre, l'évaluation des performances du modèle est menée correctement et les critères d'évaluation ont atteint 0,9 dans les premières étapes. La figure 6 présente les résultats du modèle prédictif de la matrice de confusion lors de la prévision de l'expansion des déchets liés à la pandémie de COVID-19 dans les métropoles iraniennes. Selon ces chiffres, on peut mentionner que le modèle basé sur DNN fournit des résultats très précis pour prédire la pollution plastique.

L'évolution des performances du modèle DNN pour le plastique pandémique COVID-19 au cours des 100 premières époques.

Le taux d'erreur et la matrice de confusion pour le modèle prédictif DNN.

La figure 7 illustre les variations de régression de prédiction qui ont été effectuées sur la base de données par le modèle DNN pour les mégapoles d'Iran. La figure présentée a fourni une analyse de régression linéaire pour les valeurs mesurées et prédictives des EPI utilisés pour différentes villes étudiées et a estimé les valeurs R-carré dans les déchets plastiques hospitaliers et ménagers. Comme le montre cette figure, la régression entre les valeurs mesurées et prédites indique la capacité élevée du modèle DNN. Pour justifier le modèle DNN utilisé, le classificateur commun concluait comme les méthodes k-NN, DT, RF, SVM, GNB, LR et MLP. La procédure de justification utilisée pour préparer la matrice de confusion comparative a été utilisée pour mesurer la performance des méthodes. La matrice de confusion et la courbe ROC sont utilisées comme vérification. La précision (également appelée valeur prédictive positive) est la fraction d'instances pertinentes parmi les instances récupérées, tandis que le rappel (également appelé sensibilité) est la fraction d'instances pertinentes qui ont été récupérées. La précision et le rappel sont donc basés sur la pertinence. Ainsi, la précision représente le total de la prédiction vraie, et le rappel a présenté une sensibilité de l'analyse. La figure 6 fournit des informations sur la précision, la sensibilité et l'exactitude du modèle DNN pendant le processus de formation et de validation. De plus, afin d'évaluer la capacité du modèle, les taux d'erreur ont été évalués pour tous les modèles prédictifs présentés dans le tableau 3. Le taux d'erreur indiquait la précision du modèle prédictif. Les valeurs MSE, RMSE et MAPE sont obtenues pour les différents classificateurs. Selon ce tableau, le modèle DNN a surpassé les méthodes de référence.

Les métriques de régression pour le modèle prédictif DNN : (a) Ahvaz, (b) Esfahan, (c) Karaj, (d) Mashhad, (e) Qum, (f) Shiraz, (g) Tabriz, (h) Téhéran.

Le réseau neuronal profond (DNN) est un type de modèle d'apprentissage automatique capable d'apprendre des modèles complexes de données et pouvant être appliqué à un large éventail de tâches. Ils ont été utilisés dans de nombreux domaines, notamment la reconnaissance d'images et de la parole, le traitement du langage naturel et la prévision, pour n'en nommer que quelques-uns. L'étude présentée a tenté d'enquêter sur DNN pour prédire l'expansion des déchets plastiques pandémiques de COVID-19 dans huit mégapoles en Iran, ce qui est considéré comme l'objectif principal de l'étude. L'algorithme a évalué la génération d'EPI et de SUP concernant la propagation de la pandémie de COVID-19 en Iran pendant cette période spécifique. La prédiction a été mise en œuvre sur la base de données d'inventaire primaire, qui a été fournie sur la base d'enquêtes numériques et de terrain (site) dans les villes cibles ; cela a été divisé au hasard en ensembles d'entraînement (80 %) et de test (20 %) pour l'analyse. Le modèle prédictif basé sur DNN a été comparé aux modèles de référence en termes de performances et de précision, dont les résultats montrent une capacité significative de l'algorithme à prédire avec précision. La grande précision obtenue par le modèle prédictif DNN proposé par rapport à d'autres classificateurs comparatifs ainsi qu'un taux d'erreurs moindre. À titre de notification, cette étude présente certaines limites qui pourraient être prises en compte dans les recherches futures. Ces limitations peuvent être traitées comme suit :

La base de données primaire a été fournie sur la base des informations publiées par les autorités et les grands hôpitaux/centres médicaux, et les services urbains de la municipalité des mégapoles, de sorte que les données d'entrée sont limitées.

Le modèle prédictif nécessite de nombreux processeurs puissants pour analyser les entrées, de sorte que les étapes de traitement sont longues et lentes.

Les prédictions basées sur les séries chronologiques ont montré un bon accord avec les données mesurées, comme le montrent les Fig. 1, 3 et 4. Les résultats des prévisions ont indiqué que l'utilisation et la production de déchets pandémiques sont compatibles avec la propagation du COVID-19 dans des villes entières. Les déchets plastiques ménagers, en particulier, affichent une tendance à la baisse. Cependant, les déchets hospitaliers sont plus étroitement liés à la tendance générale des infections.

En se référant au processus de justification, le modèle proposé a atteint la précision la plus élevée (0,96) avec une précision (0,93) plutôt que d'autres classificateurs ont conclu k-NN (précision de 0,70 et précision de 0,67), DT (précision de 0,85 et précision de 0,75), RF (précision de 0,82 et précision de 0,73), SVM (précision de 0,82 et précision de 0,60), GNB (précision de 0,82 et précision de 0,81), MLP (précision de 0,77 et précision de 0,84) et LR (précision de 0,74 et précision de 0,66). En outre, le taux d'erreur obtenu a indiqué que le modèle DNN fonctionnait avec moins d'erreur que les autres, à savoir MSE = 0,024, RMSE = 0,027 et MAPE = 0,025. Les taux d'erreur des autres classificateurs sont k-NN (MSE = 0,427, RMSE = 0,410, MAPE = 0,504), DT (MSE = 0,450, RMSE = 0,455, MAPE = 0,670), RF (MSE = 0,298, RMSE = 0,301, MAPE = 0,312), SVM (MSE = 0,281, RMSE = 0,271, MAPE = 0,254), GNB (MSE = 0,336, RMSE = 0,380, MAPE = 0,353), MLP (MSE = 0,107, RMSE = 0,137, MAPE = 0,174) et LR (MSE = 0,257, RMSE = 0,275, MAPE = 0,259). En ce qui concerne les classificateurs de référence utilisés dans l'étude pour la vérification, les modèles ont montré la supériorité de la procédure DNN proposée. Enfin, les courbes ROC ont été utilisées pour évaluer la précision globale et le degré de capacité de chaque modèle prédictif basé sur l'apprentissage automatique. Selon les résultats, la méthode proposée a atteint la précision globale la plus élevée (AUC = 0,969). D'autres classificateurs ont atteint k-NN (AUC = 0,809), DT (AUC = 0,828), RF (AUC = 0,828), GNB (AUC = 0,908), MLP (0,779) et LR (AUC = 0,742).

L'épidémie mondiale de COVID-19 crée une situation d'alerte élevée dans le monde entier et entraîne une augmentation de l'utilisation des équipements de protection individuelle (EPI) sur la base des recommandations de l'OMS et des CDC. Ces EPI ont provoqué l'extension des déchets médicaux (appelés pollution plastique pandémique) à haut risque en tant que potentiel d'infection au COVID-19 dans l'environnement, ce qui nécessite une gestion spéciale des DSM. La lutte contre la génération de déchets liés à la pandémie de COVID-19 dans le monde et en Iran suscite une énorme inquiétude quant à la propagation indirecte du COVID-19. Fournir des informations sur les volumes de pollution plastique pandémique est la première étape de la gestion des DMS pour ces déchets à risque. L'étude présentée a tenté de fournir un modèle prédictif proposé basé sur un cadre d'apprentissage profond et de réseau neuronal profond (DNN). L'objectif du modèle prédictif est de préparer une vue précise de l'expansion du plastique pandémique basée sur le COVID-19 dans les mégapoles iraniennes. À cet égard, les données sur la propagation de la pandémie et l'utilisation des EPI ont été recueillies du 27 février 2020 au 10 octobre 2021 et utilisées comme base de données principale pour le modèle prédictif. La base de données utilisée pour la modélisation basée sur DNN concernant la prédiction du volume MSW pour les expansions plastiques pandémiques. Les résultats de la recherche peuvent être classés comme suit :

Les plastiques pandémiques (par exemple, les masques, les gants, les tabliers et les bouteilles de désinfectants) sont les conséquences des déchets infectés par la pandémie de COVID-19, qui sont considérablement augmentés au niveau mondial. Ces déchets dangereux jouent un rôle important dans la pollution de l'environnement et propagent indirectement le COVID-19. L'expansion pandémique des plastiques suscite une inquiétude mondiale concernant les déchets à risque basés sur le COVID-19, et la gestion spéciale des DMS nécessite une prévention urgente pour contrôler la propagation de la pandémie.

La prévision du volume des plastiques pandémiques peut être utilisée pour une gestion appropriée des DMS, considérée comme la première étape pour contrôler la propagation indirecte de la pandémie. À cet égard, l'application des techniques d'intelligence artificielle a reçu une grande attention en raison des résultats très précis. En attendant, l'application d'approches d'apprentissage en profondeur fournit des modèles prédictifs plus efficaces.

La procédure d'apprentissage en profondeur (DNN) a été utilisée pour la prédiction de l'expansion des plastiques pandémiques basée sur le COVID-19 dans les mégapoles d'Iran. Le modèle a été implémenté sur une base de données complète pour prévoir les variations de déchets par rapport aux vagues épidémiques de COVID-19 en Iran. Le modèle prédictif est contrôlé par une matrice de confusion pour évaluer les performances du modèle. Selon la matrice de confusion, le modèle DNN fournit une exactitude de 96 % et une précision de 93 %. En outre, le taux d'erreur estimé est MSE = 0,024, RMSE = 0,027 et MAPE = 0,025, ce qui indique la haute performance du modèle prédictif par rapport aux autres algorithmes basés sur l'apprentissage automatique.

Les classificateurs communs utilisés pour la justification des modèles prédictifs DNN tels que les algorithmes k-NN, DT, RF, SVM, GNB, MLP et LR ont été sélectionnés pour les sujets de comparaison. Selon les évaluations de performances, les modèles fonctionnaient sous k-NN (précision de 0,70 et précision de 0,67), DT (précision de 0,85 et précision de 0,75), RF (précision de 0,82 et précision de 0,73), SVM (précision de 0,82 et précision de 0,60), GNB ( 0,82 précision et 0,81 précision), MLP (0,77 précision et 0,84 précision) et LR (0,74 précision et 0,66 précision). Sur la base du tableau d'erreurs obtenu pour ces classificateurs conclu NN (MSE = 0,427, RMSE = 0,410, MAPE = 0,504), DT (MSE = 0,450, RMSE = 0,455, MAPE = 0,670), RF (MSE = 0,298, RMSE = 0,301, MAPE = 0,312), SVM (MSE = 0,281, RMSE = 0,271, MAPE = 0,254), GNB (MSE = 0,336, RMSE = 0,380, MAPE = 0,353), MLP (MSE = 0,107, RMSE = 0,137, MAPE = 0,174), et LR (MSE = 0,257, RMSE = 0,275, MAPE = 0,259).

Selon la matrice de confusion et les résultats des estimateurs d'erreur statistique, le modèle DNN a atteint une plus grande précision que les méthodes de justification qui indiquent la capacité et les hautes performances du modèle prédictif DNN par rapport aux autres méthodes.

Les résultats de l'analyse de la courbe des caractéristiques de fonctionnement du récepteur (ROC) de tous les modèles pour évaluer le degré de capacité qui indique que le modèle DNN (AUC = 0,969) était le score le plus élevé que les autres qui contiennent k-NN (AUC = 0,809), DT (AUC = 0,828), RF (AUC = 0,828), GNB (AUC = 0,908), MLP (0,779) et LR (AUC = 0,742).

Toutes les données générées ou analysées au cours de cette étude sont incluses dans cet article publié.erest.

Boettler, T. et al. Prise en charge des patients atteints d'une maladie du foie pendant la pandémie de COVID-19 : prise de position de l'EASL-ESCMID. JHEP Rep. 2, 100113. https://doi.org/10.1016/j.jhepr.2020.100113 (2020).

Article PubMed PubMed Central Google Scholar

Sangkham, S. Masque facial et élimination des déchets médicaux pendant la nouvelle pandémie de COVID-19 en Asie. Goujon de cas. Chim. Environ. Ing. 2, 100052. https://doi.org/10.1016/j.cscee.2020.100052 (2020).

Article Google Scholar

Silva, ALP et al. Augmentation de la pollution plastique due à la pandémie de COVID-19 : défis et recommandations. Chim. Ing. J. 405, 126683. https://doi.org/10.1016/j.cej.2020.126683 (2021).

Article CAS Google Scholar

Badrkhani, P. Avantages et inconvénients de Covid-19 en Iran : comment l'épidémie de coronavirus a affecté la culture et le style de vie des habitants de cette terre ancienne. J. Hum. Comportement Soc. Environ. 31, 340–352. https://doi.org/10.1080/10911359.2020.1825261 (2021).

Article Google Scholar

Prata, JC, Silva, AL, Walker, TR, Duarte, AC & Rocha-Santos, T. Répercussions de la pandémie de COVID-19 sur l'utilisation et la gestion des plastiques. Environ. Sci. Technol. 54, 7760–7765. https://doi.org/10.1021/acs.est.0c02178 (2020).

Article ADS CAS PubMed Google Scholar

Benson, NU, Bassey, DE & Palanisami, T. Pollution par le COVID : impact de la pandémie de COVID-19 sur l'empreinte mondiale des déchets plastiques. Helyon 7, e06343. https://doi.org/10.1016/j.heliyon.2021.e06343 (2021).

Article CAS PubMed PubMed Central Google Scholar

Somani, M., Srivastava, AN, Gummadivalli, SK & Sharma, A. Implications indirectes du COVID-19 sur l'environnement durable : Une enquête dans le contexte indien. Bioressource. Technol. Rep. 11, 100491. https://doi.org/10.1016/j.biteb.2020.100491 (2020).

Article PubMed PubMed Central Google Scholar

Van Doremalen, N. et al. Stabilité des aérosols et de la surface du SARS-CoV-2 par rapport au SARS-CoV-1. N. Engl. J. Med. 382, 1564-1567. https://doi.org/10.1056/NEJMc2004973 (2020).

Article PubMed Google Scholar

Kampf, G., Todt, D., Pfaender, S. & Steinmann, E. Persistance des coronavirus sur des surfaces inanimées et leur inactivation avec des agents biocides. J.Hosp. Infecter. 104, 246-251. https://doi.org/10.1016/j.jhin.2020.01.022 (2020).

Article CAS PubMed PubMed Central Google Scholar

Ansari, M., Ehrampoush, MH, Farzadkia, M. & Ahmadi, E. Évaluation dynamique de l'indice de performance économique et environnementale et génération, composition, risques pour l'environnement et la santé humaine des déchets solides hospitaliers dans les pays en développement : un état de l'art de examen. Environ. Int 132, 105073. https://doi.org/10.1016/j.envint.2019.105073 (2019).

Article CAS PubMed Google Scholar

Rahman, MM, Bodrud-Doza, M., Griffiths, MD & Mamun, MA Déchets biomédicaux au milieu de COVID-19 : Perspectives du Bangladesh. Lancette Glob. Santé 8, 1262. https://doi.org/10.1016/S2214-109X(20)30349-1 (2020).

Article Google Scholar

Das, AK, Islam, MN, Billah, MM & Sarker, A. Stratégie de gestion de la pandémie de COVID-19 et des déchets solides des soins de santé - un mini-examen. Sci. Environ. 778, 146220. https://doi.org/10.1016/j.scitotenv.2021.146220 (2021).

Article ADS CAS PubMed PubMed Central Google Scholar

Jeyasanta, KI, Sathish, N., Patterson, J. & Edward, JP Débris macro, méso et microplastiques sur les plages du district de Tuticorin, sur la côte sud-est de l'Inde. Mar. Pollut. Taureau. 154, 111055. https://doi.org/10.1016/j.marpolbul.2020.111055 (2020).

Article CAS PubMed Google Scholar

Silva, ALP et al. Repenser et optimiser la gestion des déchets plastiques dans le cadre de la pandémie de COVID-19 : Solutions politiques basées sur la reconception et la réduction des plastiques à usage unique et des équipements de protection individuelle. Sci. Environ. 742, 140565. https://doi.org/10.1016/j.scitotenv.2020.140565 (2020).

Article CAS Google Scholar

Klemeš, JJ, Van Fan, Y., Tan, RR et Jiang, P. Minimiser les déchets plastiques actuels et futurs, ainsi que les empreintes énergétiques et environnementales liées au COVID-19. Renouveler. Soutenir. Energy Rev. 127, 109883. https://doi.org/10.1016/j.rser.2020.109883 (2020).

Article CAS PubMed PubMed Central Google Scholar

Saadat, S., Rawtani, D. & Hussain, CM Perspective environnementale du COVID-19. Sci. Environ. 728, 138870. https://doi.org/10.1016/j.scitotenv.2020.138870 (2020).

Article ADS CAS PubMed PubMed Central Google Scholar

Geyer, R., Jambeck, JR & Law, KL Production, utilisation et devenir de tous les plastiques jamais fabriqués. Sci. Adv. 3, e1700782. https://doi.org/10.1126/sciadv.1700782 (2017).

Article ADS CAS PubMed PubMed Central Google Scholar

USFDA. Stratégies de conservation des masques chirurgicaux et des blouses—Lettre aux fournisseurs de soins de santé. https://www.fda.gov/medical-devices/letters-health-care-providers/surgical-mask-and-gown-conservation-strategies-letter-health-care-providers (2020).

Boyle, L. Les masques et les gants contre les coronavirus jetés menacent de plus en plus la vie océanique, avertissent les défenseurs de l'environnement. Indépendant 16, 2020 (2020).

Google Scholar

Kane, IA et al. Points chauds microplastiques des fonds marins contrôlés par la circulation en haute mer. Sciences 368, 1140-1145. https://doi.org/10.1126/science.aba5899 (2020).

Article ADS CAS PubMed Google Scholar

Chin, AW et al. Stabilité du SRAS-CoV-2 dans différentes conditions environnementales. Lancette Microbe 1, e10. https://doi.org/10.1016/S2666-5247(20)30003-3 (2020).

Article CAS PubMed PubMed Central Google Scholar

Nopour, R. et al. Comparaison de deux modèles statistiques pour prédire la mortalité chez les patients COVID-19 en Iran. Chiraz E Med. J. 23(6), e119172. https://doi.org/10.5812/semj.119172 (2022).

Article Google Scholar

Shanbehzadeh, M., Nopour, R. & Kazemi-Arpanahi, K. Conception d'un réseau neuronal artificiel pour prédire la mortalité chez les patients COVID-19. Informer. Méd. Débloqué 31, 100983. https://doi.org/10.1016/j.imu.2022.100983 (2022).

Article PubMed PubMed Central Google Scholar

Aggarwal, CC Réseaux de neurones et apprentissage en profondeur. 497 (Un manuel. Springer : New York, NY, États-Unis, 2018).

Hearty, J. Apprentissage automatique avancé avec Python (Packt Publishing Ltd, Birmingham, Royaume-Uni, 2016).

Google Scholar

Azarafza, M., Azarafza, M. & Tanha, J. Prévision de l'infection au COVID-19 basée sur l'apprentissage en profondeur en Iran. medRxiv. https://doi.org/10.1101/2020.05.16.20104182 (2020).

Azarafza, M., Azarafza, M. & Akgün, H. Méthode de regroupement pour l'analyse des schémas de propagation de l'infection par le virus corona (COVID-19) en Iran. J. Appl. Sci. Ing. Technol. Éduc. 3, 1–6. https://doi.org/10.35877/454RI.asci31109 (2020).

Article Google Scholar

Zand, AD & Heir, AV Impacts environnementaux de la nouvelle épidémie de coronavirus en Iran, en mettant l'accent sur le secteur de la gestion des déchets. J. Mater. Cycles de gestion des déchets. 23, 240–247. https://doi.org/10.1007/s10163-020-01123-1 (2021).

Article CAS Google Scholar

Raschka, S. & Mirjalili, V. Python Machine Learning : Machine Learning et Deep Learning avec Python, Scikit-Learn et TensorFlow 2 (Packt Publishing Ltd, 2019).

Chollet, F. Apprentissage en profondeur avec Python. Shelter Island Manning (New York : Manning Publications Company, 2017).

Télécharger les références

Cette recherche n'a reçu aucune subvention spécifique d'organismes de financement des secteurs public, commercial ou à but non lucratif.

École d'ingénierie de l'information, Yancheng Teachers University, Yancheng, 224002, Jiangsu, République populaire de Chine

Yaser A. Nanehkaran, Zhu Licai et Xu Jinxia

Département de génie civil, Université de Tabriz, Tabriz, Iran

Mohamed Azarafza

Département des sciences fondamentales, Université des sciences médicales de Maragheh, Maragheh, Iran

Zone de Talaei

École d'informatique, Université de Xiamen, Xiamen, 361005, Fujian, République populaire de Chine

Junde Chen

Département des sciences de la Terre, Université d'Utrecht, Utrecht, Pays-Bas

Reza Derakhshani

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Tous les auteurs cités ont contribué de manière significative au développement et à la rédaction de cet article.

Correspondance à Reza Derakhshani.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Nanehkaran, YA, Licai, Z., Azarafza, M. et al. Le modèle prédictif de la pollution plastique pandémique COVID-19 en utilisant la méthode d'apprentissage en profondeur. Sci Rep 13, 4126 (2023). https://doi.org/10.1038/s41598-023-31416-y

Télécharger la citation

Reçu : 08 mai 2022

Accepté : 11 mars 2023

Publié: 13 mars 2023

DOI : https://doi.org/10.1038/s41598-023-31416-y

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.