用深度学习模型对中国城市空气吸收剂量率的预测方法

科学领域:

• 环境科学 环境科学
• 辐射监测 辐射监测
• 数据科学数据科学数据科学

背景情况:

• 在中国城市建立了自动环境辐射监测系统,以测量空气吸收剂量率.
• 仅仅从数据监测中制定有效的预防策略存在挑战.

研究的目的:

• 根据历史数据,提出城市空气吸收剂量率的预测框架.
• 评估深度学习模型对辐射水平预测的有效性.

主要方法:

• 一个预测框架,涉及模型构建,数据预处理,结果评估和未来数据预测.
• 利用了长期短期记忆 (LSTM),卷积神经网络长期短期记忆 (CNN-LSTM) 和双向长期短期记忆 (Bi-LSTM) 深度学习模型.
• 使用卷积神经网络 (CNN) 进行高效的数据提取和拉格朗奇插值来处理缺失的值.

主要成果:

• 双向长短期记忆 (Bi-LSTM) 模型在预测沿海城市的空气吸收剂量率方面表现最好,基于R2,MAE和RMSE.
• 对于一个内陆城市,Bi-LSTM显示了更准确的R2和RMSE值,与LSTM相比,MAE略高.
• Bi-LSTM被证明是预测中国城市环境中空气吸收剂量率的最有效模型.

结论:

• 拟议的深度学习框架,特别是Bi-LSTM模型,为预测城市空气吸收剂量率提供了一种有效的方法.
• 准确预测辐射水平可以帮助制定更有效的环境辐射暴露预防策略.
• 该研究强调了先进的深度学习技术在加强环境辐射监测和管理方面的潜力.