Анализ влияния природных и техногенных факторов на плотность потока радона в Москве с применением методов машинного обучения

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Доступ платный или только для подписчиков

Аннотация

При выполнении инженерных изысканий на строительных площадках г. Москва в ходе плановых измерений плотности потока радона (ППР) были обнаружены аномально высокие значения ППР, превышающие 400 мБк/(м2с) и достигающие >5000 мБк/(м2с). Причины выявленных аномалий до конца не ясны, так как на исследуемой территории нет активных тектонических разломов, считающихся каналами дегазации земной коры, или высоких концентраций урана и радия в геологической среде, достаточных для формирования подобных радоновых аномалий. В представленном исследовании использованы алгоритмы машинного обучения, чтобы попытаться найти ответ на вопрос о природе столь высоких значений ППР. Для прогнозирования аномалий ППР в масштабах города был использован алгоритм Random Forest. В качестве предикторов использовались данные крупномасштабного геологического картирования Москвы и радиационно-экологических изысканий на территории города. Данные для обучения включали результаты измерений ППР на 931 участке, из которых 112 были классифицированы как аномальные (ППР > 400 мБк/(м2с)). На основе полученных прогнозов выделены факторы, влияющие на ППР в фоновых и аномальных условиях. Анализ значимости предикторов показал, что наиболее важные факторы, обусловливающие фоновые значения ППР, — литологический тип грунта, концентрация в грунтах 226Ra и глубина залегания подземных вод. Аномальные значения ППР проявляют пространственную связь с геодинамически активными зонами, склонами крутизной более 8°, а также с техногенными факторами, такими как линиии железных дорог, что, вероятно, обусловлено их вибрационным воздействием на грунт при движении поездов.

Полный текст

Доступ закрыт

Об авторах

С. Г. Гаврильев

Институт геоэкологии им. Е.М. Сергеева РАН

Email: tbp111@inbox.ru
Россия, Уланский пер. 13, стр. 2, Москва, 101000

Т. Б. Петрова

Московский государственный университет имени М.В. Ломоносова

Автор, ответственный за переписку.
Email: tbp111@inbox.ru

химический ф-т, кафедра радиохимии

Россия, Ленинские горы 1, стр. 3, ГСП-1, Москва, 119991

П. С. Микляев

Институт геоэкологии им. Е.М. Сергеева РАН

Email: peterm7@inbox.ru
Россия, Уланский пер. 13, стр. 2, Москва, 101000

Е. А. Карфидова

Институт геоэкологии им. Е.М. Сергеева РАН

Email: tbp111@inbox.ru
Россия, Уланский пер. 13, стр. 2, Москва, 101000

Список литературы

  1. Макаров В.И., Дорожко А.Л., Макарова Н.В., Макеев В.М. Современные геодинамически активные зоны платформ // Геоэкология. Инженерная геология, гидрогеология, геокриология. 2007. № 2. С. 99-110.
  2. Макарова Н.В., Макеев В.И., Дорожко А.Л. и др. Геодинамические системы и геодинамически активные зоны Восточно-Европейской платформы // Бюл. Моск. обществава испытателей природы. Отд. геол. 2016. Т. 91. Вып. 4–5. С. 9-22.
  3. Маренный А.М., Цапалов А.А., Микляев П.С., Петрова Т.Б. Закономерности формирования радонового поля в геологической среде. М.: “Перо”, 2016. 394 с.
  4. Микляев П.С., Макаров В.И., Дорожко А.Л. и др. Радоновое поле Москвы // Геоэкология. Инженерная геология, гидрогеология, геокриология. 2013. № 2. С. 172-187.
  5. Осипов В.И. Крупномасштабное геологическое картирование территории г. Москвы // Геоэкология. Инженерная геология, гидрогеология, геокриология. 2011. № 3. С. 195-197.
  6. Bossew P., Cinelli G., Ciotoli G.; Crowley Q.G. et al. Development of a Geogenic Radon Hazard Index — Concept, History, Experiences // Int. J. Environ. Res. Public Health. 2020. 17: 4134. https://doi.org/10.3390/ijerph17114134
  7. Di Carlo C., Maiorana A., Bochicchio F. Indoor Radon: Sources, Transport Mechanisms and Influencing Parameters. 2023. IntechOpen. https://doi.org/ 10.5772/intechopen.111710
  8. Friedman J.H. Multivariate adaptive regression splines (with discussion). The Annals of Statistics. 1991. 19:1-141.
  9. Gavriliev S., Petrova T., Miklyaev P. Factors influencing radon transport in the soils of Moscow // Environ Sci Pollut Res. 2022, no. 29, pp. 88606–88617. https://doi.org/10.1007/s11356-022-21919-y
  10. Gavriliev S., Petrova T., Miklyaev P., Karfidova, E. Predicting radon flux density from soil surface using machine learning and GIS data // Science of The Total Environment. 2023. 903:166348, https://doi.org/10.1016/j.scitotenv.2023.166348
  11. ICRP. Radiological protection against radon exposure. 2014. No. 126. https://www.icrp.org/publication.asp?id=ICRP%20Publication%20126
  12. Janik M., Bossew P., Kurihara O. Machine learning methods as a tool to analyse incomplete or irregularly sampled radon time series data // Science of The Total Environment. 2018. V. 630. P. 1155–1167.
  13. Mair J., Petermann E., Lehné R., Henk A. Can neotectonic faults influence soil air radon levels in the Upper Rhine Graben? An exploratory machine learning assessment // Science of The Total Environment. 2024. 956:177179. https://doi.org/10.1016/j.scitotenv.2024.177179
  14. Miklyaev P., Petrova T., Marennyy A, et al. High seasonal variations of the radon exhalation from soil surface in the fault zones (Baikal and North Caucasus regions) // Journal of Environmental Radioactivity, 2020. 219, 106271. https://doi.org/10.1016/j.jenvrad.2020.106271
  15. Miklyaev P.S., Petrova T.B., Shchitov D.V., Sidyakin P.A. et al. Radon transport in permeable geological environments // Sci. Total Environ. 2022. V. 852:158382. https://doi.org/ 10.1016/j.scitotenv.2022.158382.
  16. Nazaroff W.W. Radon transport from soil to air // Reviews of Geophysics. 1992. 30(2):137. https://doi.org/10.1029/92rg00055
  17. Osipov V.I., Burova V.N., Zaikanov V.G., Molodykh I.I. et al. A map of large-scale (detail) engineering geological zoning of Moscow territory // Water Resources. 2012. 39(7):737-746. https://doi.org/ 10.1134/S0097807812070093
  18. Petermann E., Bossew P., Kemski J. et al. Development of a high-resolution indoor radon map using a new machine learning- based probabilistic model and German radon survey data // Environ. Health Perspect. 2024.132 (9):97009. https://doi.org/10.1289/EHP14171
  19. Petermann E., Meyer H., Nussbaum M., Bossew P. Mapping the geogenic radon potential for Germany by Machine Learning. 2020. https://doi.org/10.5194/egusphere-egu2020-8501
  20. Rezaie F., Panahi M., Bateni S. M., Kim S. et al. Spatial modeling of geogenic indoor radon distribution in Chungcheongnam-do, South Korea using enhanced machine learning algorithms // Environment International. 2023. 171:107724. https://doi.org/10.1016/j.envint.2022.107724
  21. Timkova J., Fojtikova I., Pacherova P. Bagged neural network model for prediction of the mean indoor radon concentration in the municipalities in Czech Republic // Journal of Environmental Radioactivity. 2017. 166:398–402. https://doi.org/10.1016/j.jenvrad.2016.07.008
  22. Torkar D., Zmazek B., Vaupotič J., Kobal I. Application of artificial neural networks in simulating radon levels in soil gas // Chemical Geology. 2010. 270(1–4):1–8. https://doi.org/10.1016/j.chemgeo.2009.09.017
  23. Tsapalov A., Kovler K., Miklyaev P. Open charcoal chamber method for mass measurements of radon exhalation rate from soil surface // Journal of Environmental Radioactivity. 2016. 160:28–35. https://doi.org/10.1016/j.jenvrad.2016.04.016
  24. UNSCEAR. Sources and effects of ionizing radiation. 2000. No. 1. https://www.unscear.org/unscear/en/publications/2000_1.html. Accessed 15 Apr 2022
  25. WHO Handbook on indoor radon. WHO Handbook on Indoor Radon: a public health perspective. Hajo Zeeb and Ferid Shannoun (eds), Geneva, WHO Press, 2009.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Схема расположения участков измерений на территории Москвы.

Скачать (492KB)
Метаданные
3. Рис. 2. Карты первичных предикторов, используемые для прогнозов с применением методов машинного обучения (пояснения в тексте).

Скачать (876KB)
Метаданные
4. Рис. 3. Карта прогноза ППР, составленная с использованием: а - фонового набора данных и алгоритма Random Forest; б — полного набора данных (аномальные и фоновые участки). Алгоритм Random Forest с квантильным цветовым масштабированием. Условные обозначения: 1 — участки с аномалиями ППР, 2 — тальвеги, 3 — участки с фоновыми значеняими ППР, 4 — линеаменты, 5 — геодинамически активные зоны, 6 — уклоны более 8°, 7 — железные дороги, 8 — линии метро.

Скачать (975KB)
Метаданные

© Российская академия наук, 2025