犹他州室内氡暴露的高分辨率建模及不确定性量化

《Journal of Environmental Radioactivity》：High-resolution modeling of indoor radon exposure with uncertainty quantification in Utah

　　**摘要**
在美国，室内氡气占人口受电离辐射暴露总量的37%。然而，氡气的相关数据通常以较粗的空间尺度报告，这可能掩盖了有意义的局部差异。我们开发了一个高分辨率建模框架，用于估算犹他州范围内的室内氡气浓度，并明确量化了预测不确定性。该框架结合了2006年至2017年间收集的19,497份住宅氡气测量数据以及环境和房屋特征，使用能够处理空间依赖性和非线性关联的地理空间神经网络进行分析。预测结果在0.73平方公里分辨率的均匀六边形网格（H3级别8）上生成。样本外预测结果与实际观测值具有良好的一致性（皮尔逊相关系数r=0.64），而家庭级别的预测结果则显示出中等程度的一致性（r=0.45）。该模型生成的不确定性估计值相当准确，有24.1%的保留观测值超过了预测的75%分位数阈值。氡气浓度预测地图以及超过美国环保署行动限值（148 Bq/m3，4 pCi/L）的概率图揭示了传统粗尺度总结中未显现的显著细尺度空间异质性，在监测密集的城市县区观察到了更大的局部变化。明确量化不确定性的高分辨率氡气模型为描述室内氡气的空间分布和识别高暴露风险地区提供了有用的工具。这些发现突显了细尺度监测数据和考虑不确定性的建模方法在氡气暴露评估、环境风险 characterization 以及氡相关健康研究中的价值。

**引言**
室内氡气（222Rn）是一种自然产生的放射性惰性气体，源自238U的衰变系列，并从岩石、土壤和地下水中释放到大气和建筑环境中。作为全球自然背景辐射的主要来源，氡气在环境放射性研究中占据核心地位，因为它的存在反映了地质过程以及放射性核素从地下向建筑物内部的传输路径（联合国原子辐射影响科学委员会，2022年；世界卫生组织，2009年）。长期居住暴露已被证实是肺癌的致病因素之一，尤其是在从未吸烟的人群中，并被广泛认为是仅次于主动吸烟的第二大肺癌致病因素（Darby等人，2005年；Krewski等人，2005年；Turner等人，2011年；世界卫生组织，2009年）。BEIR VI及其后续的国际指南强调，减少室内氡气暴露是重要的环境和放射防护优先事项（国家研究委员会，1999年；国际辐射防护委员会，2014年）。尽管风险已被明确，但室内氡气的分布特征仍难以在环境映射和流行病学应用中得到准确描述。室内氡气浓度在短距离内和随时间变化很大，因为它们受到地质条件、土壤传输过程、建筑特性、通风模式和居住者行为的共同影响（国家研究委员会，1999年；世界卫生组织，2009年；Steck，1992年）。这些模式反映了含铀地质构造、氡气释放与排放、土壤-气体传输、水文条件以及建筑特定进入路径之间的相互作用，导致不同环境下的显著空间异质性（Appleton，2007年；Gruber等人，2013年；Rey等人，2024年）。经验分布通常呈现右偏态，常被近似为对数正态分布，其长尾部分直接关系到健康风险和缓解政策（Nero等人，1986年）。因此，稀疏或孤立的室内测量数据可能无法充分识别高氡气风险区域，尤其是在细尺度地质变化导致家庭间浓度差异明显的地区。因此，绘制氡气环境分布图已成为国家氡气项目和环境放射性研究的主要目标。面向公众和监管的产品（如美国环保署的氡气区域地图）以及欧洲的大规模地质映射计划综合了测量数据和地质信息，以描述氡气分布模式并识别辐射风险较高的区域（美国环境保护署，2025a；Gruber等人，2013年；Elío等人，2019年）。同时，国家和地区的预测建模工作日益复杂，在德国、意大利和美国都有应用（Petermann和Bossew，2021年；Sabbarese等人，2021年；Petermann等人，2024年；Li等人，2025年）。一些最新方法超越了传统的宽泛区域分类，能够在社区或邮政编码统计区（ZCTA）级别进行预测（Li等人，2023年；Li等人，2025年；Petermann等人，2024年）。然而，大多数当前产品仍然基于过于粗略的空间单元进行总结，无法捕捉对住宅规模辐射评估至关重要的亚公里级室内氡气浓度变化。室内氡气水平受地质因素（如基础地质、土壤渗透性和水文条件）和房屋特性（如基础类型、通风方式和建筑结构）的共同影响。房屋特性主要决定了个别家庭之间的差异，而地质过程则产生可以在短距离内显著变化的氡气潜力空间模式。将数据聚合到县或ZCTA等粗略空间单元会平均化环境异质性，掩盖了有意义的局部氡气风险差异。超细空间建模能够在更接近住宅位置的地带上解析地质空间结构，从而减少将环境估计结果与地址关联时的错误分类，这是环境流行病学中空间支持不匹配的一个众所周知的问题（Beale等人，2008年；Rey等人，2024年）。在这种情况下，不确定性量化至关重要，因为与氡气相关的决策不仅基于平均值，还依赖于预测分布。对于缓解措施和公共卫生规划而言，相关的量包括浓度超过行动阈值的概率、上预测分位数以及预测不确定性的空间分布。当特定于房屋的确定因素不可用或测量不一致时，这一点尤为重要，因为这会导致无法仅通过环境协变量解释的残余变异。最近的系统评价支持这一观点，强调氡气暴露评估应提供注重风险和考虑不确定性的结果，而不仅仅是预测准确性（Rey等人，2024年；Su等人，2025年）。因此，住宅规模氡气映射模型应传播未解决的变异，并在构建预测分布时考虑残余的空间依赖性。

**方法学**
传统地质统计和分层模型提供了处理空间依赖性和不确定性的原则性方法（Cressie，2015年；Lin等人，1999年；Borgoni等人，2011年；Borgoni等人，2014年），但可能难以表示地质、地形、水文、气候等环境因素之间的复杂非线性关系。纯机器学习方法可以有效捕捉非线性结构（Rezaie等人，2021年；Petermann和Bossew，2021年；Li等人，2025年），但许多实现方法强调条件预测，未明确建模残余空间相关性，限制了其生成跨位置空间一致不确定性的能力。最近关于神经网络广义最小二乘（NN-GLS）的研究通过结合非线性均值学习和显式残余空间相关性提供了有希望的解决方案（Zhan和Datta，2025年）。本研究以NN-GLS作为统计引擎，开发了一个专注于氡气的高分辨率暴露建模框架，并做出了三项贡献：首先，它提供了更符合住宅和社区规模流行病学应用的亚公里级氡气暴露图；其次，它在一个建模流程中统一了深度学习、残余空间相关性和校准的预测不确定性；第三，它提供了可以直接解释的风险输出，包括超过行动阈值的概率和相对行动阈值的预测分位数，这些输出支持缓解优先级和环境健康应用。我们使用犹他州的全面住宅氡气数据集实现了这一框架。

**数据**
我们通过犹他州氡气计划（Utah Radon Program）收集了2006年至2017年间在该州进行的19,497次短期住宅氡气测试数据，该计划支持氡气教育和测试服务（犹他州环境质量部，2025年）。所有测试都使用了经认证实验室按照制造商协议处理的商用短期设备。由于犹他州的测试是自愿的，因此源数据代表了自我选择的参与者。

**交叉验证结果**
所有19,497个家庭观测数据均用于家庭级别的交叉验证。对于H3（级别8）空间评估，只有至少有10个观测值的六边形区域被纳入评估，共11,820个家庭（占完整数据集的60.6%）。所有指标均基于对数转换后的氡气尺度计算。在H3（级别8）方案下，预测值和观测值均通过六边形内的中位数进行聚合。

**结论**
本项目提出了一个高分辨率、考虑不确定性的室内氡气空间分布建模框架，并展示了其在全州应用中的有效性。具体来说，我们在H3（级别8）网格（约0.73平方公里单元）上生成了犹他州范围内的氡气分布图，这种分辨率比传统的县或ZCTA级别总结提供了更细致的空间支持，揭示了通常被粗略聚合所掩盖的局部空间变异。

**作者贡献声明**
Yunhan Wu：撰写——审阅与编辑、原始草稿撰写、可视化、软件开发、方法学、概念化。
Dakotah Maguire：撰写——审阅与编辑、软件开发、方法学、数据整理。
Joemy M. Ramsay：撰写——审阅与编辑、数据整理。
Marissa Taddie：撰写——审阅与编辑、数据整理。
James A. VanDerslice：撰写——审阅与编辑、数据整理。
Heidi A. Hanson：撰写——审阅与编辑、监督、方法学、资金获取。

**关于生成式AI和AI辅助技术在本文准备过程中的使用声明**
在准备本文过程中，作者使用了ChatGPT（OpenAI）协助语言润色和编辑。作者根据需要审阅和编辑了所有内容，并对发表文章的内容负全责。

**资金来源**
本项目属于LUCID项目（Low-dose Understanding, Cellular Insights, and Molecular Discoveries），得到了美国能源部科学办公室生物与环境研究办公室的支持，合同编号为ERKPA71，与UT-Battelle, LLC合作。

**利益冲突声明**
作者声明没有已知的利益冲突或个人关系可能影响本文所述的工作。

**致谢**
本文由UT-Battelle, LLC撰写，根据与美国能源部（DOE）签订的合同DE-AC05-00OR22725执行。美国政府通过接受本文的发表，承认美国政府保留了一份非独家的、已付费的、不可撤销的、全球范围内的许可，可以出版或复制本文的发表形式，或允许他人出于美国政府目的使用这些成果。