《Radiation Measurements》:Predicting Background Radiation Variations with Weather Data: A Machine Learning Approach
编辑推荐:
•利用气象数据通过机器学习预测背景辐射。•在模型精度方面,梯度提升树优于线性回归。•湿度、温度和降水量被确定为关键因素。•更精准的辐射预测可减少监测系统中的误报。引言辐射监测系统对公共安全至关重要,但自然背景辐射的波动可能会引发不必要的警报,干扰系统的正常运行。这类波动会使得决策
- •
利用气象数据通过机器学习预测背景辐射。
- •
在模型精度方面,梯度提升树优于线性回归。
- •
湿度、温度和降水量被确定为关键因素。
- •
更精准的辐射预测可减少监测系统中的误报。
引言
辐射监测系统对公共安全至关重要,但自然背景辐射的波动可能会引发不必要的警报,干扰系统的正常运行。这类波动会使得决策变得复杂,进而导致资源分配不均以及无法及时应对真正的紧急情况。因此,提升背景辐射的基准预测能力,有助于区分由环境因素引起的变化与异常的辐射状况,从而提高系统的可靠性。
背景辐射源自天然来源(如宇宙射线和地球上的放射性核素),同时也可能包含人类活动产生的辐射(如医疗和工业领域的辐射)[3]。在各类自然因素中,氡气及其衍生物尤为重要,因为它们的传播和沉积会随着气象条件的变化而迅速改变[4]、[5]。例如,降水会通过冲刷空气中的氡气衍生物而增加近地表的伽马背景辐射,而温度和气压则会影响土壤与空气之间的物质交换以及氡气的释放过程[5]、[7]。这些相互关联的过程会导致非线性且随时间变化的关系,简单的线性模型难以准确描述这类关系。近期也有研究尝试运用机器学习方法来预测辐射和氡气的变化,包括使用神经网络和集成方法来捕捉非线性的环境关系[8]、[9]、[10]。这些研究都表明,数据驱动的模型有望在不断变化的环境条件下提升基准值的估算精度。
在实际的监测应用中,需要采用那些以数据为基础、在系统层面易于理解且便于作为工作流程重复实现的方法。然而,预测建模往往受到时间分辨率不足、输入数据不同步,或是使用的基准模型无法充分体现非线性相互作用等因素的限制。正因如此,人们开始使用机器学习回归技术,以高时间分辨率来学习辐射测量值与环境变量之间的复杂映射关系。
在本研究中,我们基于俄勒冈州科瓦利斯的俄勒冈州立大学所收集的同步辐射、气象及氡气观测数据,构建并评估了一种用于预测背景辐射的框架。从2024年1月10日到4月9日,这些数据以1分钟的间隔被记录下来,经过筛选和合并后共获得了约10万个样本。该监测系统配备了多种辐射测量仪器以及相关的环境传感器(详细信息见第三节),从而形成了可用于模型开发的综合数据集。该预测框架结合了气象变量、氡气浓度以及从历史辐射测量数据中提取的时间特征,以此来预测未来的背景辐射水平。我们对比了三种回归模型:作为简单基准的线性回归模型,用于捕捉非线性依赖关系和特征交互作用的梯度提升回归树模型,以及作为另一种集成方法参考的随机森林模型。
本研究的目的并非要对所有现有的机器学习架构进行全面测试,而是选取具有不同复杂度和可解释性水平的代表性模型,用于评估它们在背景辐射预测方面的表现。具体而言,所选的模型旨在在一个统一的训练和测试框架下,对比简单的线性基准模型与非线性集成学习方法的效果。
本研究旨在利用气象条件、氡气浓度以及从历史辐射测量数据中提取的时间特征,来预测短期内的背景辐射计数率变化。这种建模方式体现了其在连续辐射监测系统中的应用前景——在这些系统中,历史辐射测量数据可以持续获取,并且可以与环境观测数据结合使用,从而预测未来的背景辐射水平。将预测出的背景辐射值与实时测量值进行对比,有助于区分正常的环境波动与异常的辐射事件。本研究的主要贡献在于:(i) 提出了一种针对1分钟间隔数据的系统化预处理和特征工程方法;(ii) 利用同步的环境和辐射监测数据,对线性模型与集成学习方法进行了比较分析。
章节要点
背景辐射及其受天气条件的影响
背景辐射会因环境和地理因素而出现时间上的变化。虽然海拔和地质条件会影响由宇宙射线和地球放射性核素带来的长期背景辐射水平,但短期内的变化往往是由近地表的大气过程主导的,这些过程会影响氡气的传播和沉积[5]、[7]。因此,即便没有人为辐射源存在,近地表的辐射计数率也可能会在几分钟到几小时内发生变化。
方法
为了构建一个可靠的背景辐射水平预测模型,我们采用了系统化的方法,包括数据收集、预处理与特征工程、模型构建以及性能评估。该方法结合了气象参数、氡气浓度以及辐射测量数据,并运用机器学习技术进行分析。本节内容分为三部分:(A) 数据收集与来源;(B) 预处理与特征工程;(C) 模型构建
结果与讨论
要准确预测背景辐射水平,就需要了解环境变量与辐射变化之间的关联。本节通过统计分析和基于机器学习的方法,研究了辐射计数率、气象条件以及氡气浓度之间的关系。首先通过相关矩阵总结其中的线性关系,随后通过时间滞后分析探讨短时间内的影响效应。之后又对三种回归模型的性能进行了评估
结论
本研究证明了利用机器学习模型,结合历史辐射测量数据、气象变量以及氡气信息来预测背景辐射变化的可行性。通过俄勒冈州立大学所采集的高分辨率数据,集成方法的表现优于线性基准模型,其中梯度提升回归树模型的整体性能最佳,随机森林模型则可作为另一种参考模型。这些结果表明,非线性模型更适用于捕捉这类复杂的辐射变化规律
CRediT作者贡献说明
杜阿·阿尔胡巴伊希:写作——审阅与编辑,写作——初稿撰写,可视化处理,模型验证,正式分析,数据整理。杨浩瑞:写作——审阅与编辑,写作——初稿撰写,模型验证,研究指导,软件应用,资源协调,项目管理,方法设计,研究实施,资金申请,正式分析,数据整理,概念构思
关于 manuscript 编写过程中生成式AI及AI辅助技术的声明
在撰写本文档时,作者使用了OpenAI工具来提升文本的清晰度和语言表达质量。在使用该工具/服务之后,作者对内容进行了必要的审阅和修改,并对最终发表的文章内容承担全部责任。
利益冲突声明
? 作者声明,他们不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢
本研究部分得到了美国国土安全部(DHS)大规模杀伤性武器防范办公室在学术研究计划(ARI)项目下的支持,项目编号为21CWDARI00043。本文档中所表达的观点和结论仅代表作者个人观点,不应被视为美国国土安全部的官方立场,无论其是否明确表述出来。
Duaa H. Alhubaishi|Haori Yang