使用机器学习和深度学习来预测核化河流中的颗粒Cs度
Hugo Lepage1, Valérie Nicoulaud-Gouin1, Kathleen Pele1
1Institut de Radioprotection et de Sûreté Nucléaire (IRSN), PSE-ENV/SRTE/LRTA, F-13115, Saint-Paul-lez-Durance, France.
Journal of environmental radioactivity
|September 16, 2023
概括
数据驱动的模型,特别是基于关注的层次循环高速公路网络 (HRHN),使用水文数据准确预测-137 (137Cs) 河流度. HRHN的表现优于其他模型,强调了时间数据分析对环境监测的重要性.
科学领域:
- 环境科学 环境科学
- 放射化学 放射化学是指辐射化学.
- 数据科学数据科学数据科学
背景情况:
- -137 (137Cs) 是一种放射性核化物,在核操作和事故造成的流域中发现.
- 传统的137Cs河流度建模依赖于地化学假设.
- 数据驱动模型的进步为环境放射性核素跟踪提供了新的方法.
研究的目的:
- 使用数据驱动模型模拟罗河中的微粒-137 (137Cs) 度.
- 为了比较基于关注的层次循环高速公路网络 (HRHN) 和随机森林回归器 (RF) 的预测性能.
- 评估水文数据与工业投入对137Cs河流度的影响.
主要方法:
- 采用了两个数据驱动模型:HRHN和RF.
- 利用水文数据 (排水,悬浮固体流) 和工业137Cs输入进行预测.
- 通过在罗河口附近测量137Cs度来验证模型性能.
主要成果:
- 这两种数据驱动模型的表现都超过了先前的经验模型.
- HRHN实现了最好的预测准确度 (R2 = 0.71),强调了时间数据分析的价值.
- 水文数据,特别是杜兰斯河的水文数据,被确定为关键预测因素,比核排放更重要.
结论:
- 数据驱动的模型,特别是HRHN,是预测137Cs河流度的有效工具.
- 水文学在河流中的137Cs运输中发挥着重要作用.
- 这些模型可以通过填补数据缺口和改善对放射性核素行为的理解来增强环境监测计划.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
