基于机器学习的南海人为129 I扩散预测模型构建及其在核污染风险评估中的应用

为应对沿海核电站快速发展带来的放射性污染风险，中国科学院地球环境研究所团队创新性地采用随机森林(RF)和支持向量机(SVM)模型，首次建立了南海西北部海域人为129 I的机器学习预测体系。研究通过Spearman相关性分析确定水深、温度、盐度为关键影响参数，两模型预测精度R2 0.83，其中RF模型表现更优，为可溶性人工放射性核素的海洋扩散预测提供了高效技术方案。

　　

随着我国沿海核电站数量快速增长（截至2024年底南海西北岸已有6座运行核电站和3座在建项目），放射性物质向海洋生态系统的潜在释放风险引发高度关注。其中，具有1570万年超长半衰期的¹²⁹
I因其高水溶性和生物亲和性，成为研究人为放射性污染迁移转化的理想示踪剂。然而传统有限体积法难以模拟陆源输入占主导的边缘海环境，而箱式模型又无法反映局部空间异质性，加之化学分析法存在成本高、耗时长等局限，亟需开发新型预测方法。

中国科学院地球环境研究所Jinxiao Hou团队在《Journal of Environmental Radioactivity》发表的研究中，创新性地将机器学习技术引入海洋放射性污染研究领域。通过2022-2023年南海西北部53个剖面站位的海水采样，结合加速器质谱(AMS)测定的¹²⁹
I数据和ICP-MS获取的¹²⁷
I值，研究团队构建了RF和SVM两种预测模型。关键技术包括：1) 基于国家自然科学基金共享航次获取的样本队列；2) Spearman秩相关分析筛选关键环境参数；3) 通过变量重要性评估确定盐度为最敏感参数。

样本收集与分析
研究依托"实验3号"科考船完成跨年度采样，覆盖南海西北部典型海域。采样设计充分考虑陆源输入影响，为模型训练提供了具有空间代表性的基础数据。

¹²⁹
I与环境参数相关性
Spearman分析揭示¹²⁹
I浓度与经度、纬度呈正相关，与水深呈负相关。温度、盐度等物理参数对¹²⁹
I/¹²⁷
I原子比影响显著，这为模型特征选择提供了理论依据。

结论
RF模型在预测精度(R²
=0.87)和鲁棒性方面略优于SVM模型。该研究首次实现了边缘海¹²⁹
I分布的数据驱动预测，其创新性体现在：1) 突破传统物理模型在陆源输入模拟的局限；2) 仅需常规海洋环境参数即可实现快速预测；3) 为短寿命高危核素如¹³¹
I的危害评估提供代用指标。研究成果对核事故应急响应和海洋辐射安全防护具有重要实践价值，特别适用于我国快速发展的沿海核电产业带环境风险评估需求。

讨论部分强调，该方法可扩展应用于其他可溶性人工放射性核素的预测，未来通过引入更多时空尺度数据，有望建立更完善的海洋放射性污染智能预警系统。Xiaolin Hou在通讯作者评述中指出，该机器学习框架为应对突发核污染事件提供了"分钟级"预测能力的技术储备。