引言
在严重核事故发生后，快速准确地估算大气中的放射性核素浓度对于评估事故后果、降低公众健康风险及环境影响至关重要（Hirose, 2020）。在核应急响应中，时效性是核心要求，因为大气传输是放射性核素扩散最快的途径，其影响范围可能在数小时到数天内覆盖大面积区域（Sun et al., 2026）。此外，核事故期间的防护措施需要及时有效制定，而具备超实时处理能力的评估工具对于应急预报和响应尤为重要（Cheng et al., 2012）。在此背景下，构建核电站20公里半径范围内的局部浓度场极为重要，该区域通常污染程度最高，也是需要实施疏散等防护措施的应急规划区（EPZ）（Yang et al., 2026, Yang et al., 2024, Zhuang et al., 2023）。因此，为在核电站的应急规划区内进行局部范围的影响评估，实用的预测模型需同时满足预测精度和高时效性的要求（Fang et al., 2022, Rentai, 2011）。
在实际应用中，核电站周围的监测网络往往分布稀疏且不均匀，无法全面反映大气中放射性核素的空间分布情况（Fang et al., 2022, Zhuang et al., 2023）。因此，大气扩散模型已成为理解和预测应急规划区浓度场的不可或缺的工具（Li et al., 2025）。在中国境内的核电站周边，应急规划区往往地形复杂，复杂的山地地貌和密集的地表特征会导致风场和湍流结构高度不均匀，给大气扩散模型的运行带来巨大挑战（Li et al., 2024, Wang et al., 2025）。为应对这些挑战，人们采用了多种建模方法，包括拉格朗日粒子模型、拉格朗日烟团模型以及计算流体动力学模型（CFD模型）（He et al., 2024, Yang et al., 2025, Yang et al., 2024）。其中，拉格朗日粒子模型通过追踪大量离散粒子来模拟污染物传输过程（Bellasio et al., 2017, Bellasio et al., 2018）。但该模型需要庞大的粒子群才能获得连续平滑的浓度场，这会带来较高的计算成本（Barbero et al., 2024, Haq et al., 2019）。CFD模型则需要求解纳维-斯托克斯方程（Patnaik et al., 2003, Zhao et al., 2022），由于对空间分辨率要求高且几何边界复杂，其在应急规划区尺度上的计算量也很大且速度较慢（Hanna et al., 2011, Hayati et al., 2019）。这些局限性使得这两种方法都不适合用于核事故初期的快速应急响应。相比之下，拉格朗日分裂烟团模型用连续释放的烟团而非单个粒子来表示污染物，从而大幅降低了计算成本（Leel?ssy et al., 2018, Yang et al., 2024）。此外，结合烟团分裂理论后，该模型还能在复杂地形条件下得到有效应用（Scire et al., 2000b, Thykier-Nielsen et al., 1999）。因此，相比粒子模型和CFD模型，烟团模型在核事故应急决策系统中应用更为广泛。不过，复杂地形会导致烟团过度分裂，进而增加计算负荷，延缓核事故初期的决策进程。
为满足如此高的时效性要求，人工神经网络及其深度学习变体逐渐成为有前景的替代方案（Ling et al., 2024, Yue et al., 2020）。这类模型一旦训练完成，就能实现近乎即时的推理，同时仍能拟合源项与气象输入参数以及扩散结果之间的非线性关系（Jiang et al., 2025, Lauret et al., 2017, Luo et al., 2025, Mendil et al., 2022, Pelliccioni and Tirabassi, 2006）。现有研究探索了多种人工神经网络架构，包括用于非线性回归的多层感知器、反向传播神经网络等浅层网络，用于时间序列预测的长短期记忆网络等循环模型，以及用于捕捉长距离依赖关系和空间结构的Transformer、图神经网络等更先进的架构（Guo and Mao, 2023, Shao et al., 2024）。由于具有强大的非线性拟合能力和快速的推理速度，人工神经网络已被广泛应用于大气污染研究，包括污染物和放射性核素扩散的时空预测、源项反演以及短期预报等工作（Alimissis et al., 2018, Wu et al., 2024, Li et al., 2024, Ling et al., 2024）。不过，目前大多数基于人工神经网络的研究主要依靠数值模拟数据来进行训练和验证，而利用风洞测量等实验数据进行验证的情况仍然相对较少。
本研究旨在建立一组简洁的输入变量与测量点浓度输出之间的快速、稳健的非线性映射关系，且该映射需符合背后的物理模型，而非直接对时间序列或图结构关系进行建模。因此，选择结构较为简单、计算成本较低的BPNN作为基准预测模型，因为它非常适合用于非线性回归（Li, 2024, Xue et al., 2024）。这一选择符合核应急评估对快速响应的要求，因为在应急场景中计算资源和响应时间往往十分有限。不过，传统的BPNN对初始权重较为敏感，容易陷入局部最小值，这在复杂环境中会降低预测的可靠性（Filho et al., 2024）。因此，在复杂地形条件下提升人工神经网络模型的稳健性和泛化能力依然是一个重要课题（Li, 2024）。
为同时满足时效性要求以及克服传统神经网络的优化缺陷，本研究提出了一种基于反向传播神经网络并经过量子病毒优化算法优化的快速大气污染物浓度预测模型——QVOA-BPNN。该模型使用加州气象模型与拉格朗日分裂烟团扩散模型相结合生成的数据集进行训练，而后者已在多个核电站场景中得到了有效验证和应用（Tao et al., 2025, Yang et al., 2026, Yang et al., 2024b）。为验证所提模型的准确性，将其预测结果与CALMET-SPUFF模型的预测结果以及风洞测量数据进行了系统比较。同时，还采用了区域划分方法来研究该模型在不同地形条件下的预测性能（Dong et al., 2021a）。此外，输入特征的波动会对预测结果产生显著影响，关键输入特征的微小偏差都可能导致较大的预测误差（Li et al., 2024a）。为解决这一问题，本研究加入了敏感性分析，通过在对输入变量施加高斯扰动的方式模拟真实的输入波动，从而定量评估输入特征对模型输出的影响。最后，将所提出的QVOA-BPNN模型与几种传统的基于优化方法的神经网络模型进行了对比，以展现其相对优势（Yan et al., 2025）。此外，还在具有代表性的137Cs核泄漏事故场景下检验了该验证框架的适用性。总体而言，本研究旨在开发一种快速响应的替代模型，它能在复杂地形条件下给出准确的浓度预测结果，且计算成本远低于传统的扩散模拟方法，从而为核事故的紧急响应提供有力支持。
