基于地源性因子的机器学习驱动室内氡气潜力区域映射研究

来自意大利的研究人员通过地源性因子（如铀含量、地质非均质性和土壤渗透性）开展室内氡气潜力区域映射研究，采用频率比（FR）分析和机器学习（SVM/MLP-ANN/Random Forest）模型，结合SHAP可解释性分析，发现地质非均质性对氡浓度影响显著，为公共卫生干预提供数据支持。

　　

这项研究通过地源性因子的数据驱动分析，绘制了意大利东南部普利亚大区的室内氡气潜力分布图。重点考察了地球地质构造中的关键因素：基岩和土壤中的铀含量、断层与岩溶构造等地质非均质性，以及影响气体渗透性的土壤特性。研究方法采用频率比（FR）分析量化14项地源子因子的权重，并将其作为支持向量机（SVM）、多层感知器人工神经网络（MLP-ANN）和随机森林的标准化输入。通过平衡数据集训练模型后，利用SHAP（SHapley Additive exPlanations）解析各因子对预测的贡献度。模型评估显示SVM性能最优，ROC曲线下面积（AUC）等指标证实其可靠性。

研究发现，地质非均质性、铀元素分布及土壤渗透性对室内氡浓度具有决定性影响。该工作流整合FR与SHAP技术，不仅实现区域氡气潜力高效测绘，还揭示了潜在作用机制。研究成果为政策制定者、城市规划者和公共卫生部门提供了靶向干预的科学依据，有助于降低氡暴露相关肺癌风险。这种可复现的框架尤其适用于数据稀缺地区的风险评估，为全球类似区域的公共健康防护提供了方法论范本。