切尔诺贝利木材中90Sr和137Cs活度浓度的估算：影响因素的重要性以及传统方法与机器学习方法的比较

《Journal of Environmental Radioactivity》：Estimation of 90Sr and 137Cs activity concentrations in Chornobyl wood: significance of factors and classical vs. machine learning methods

　　本研究在乌克兰切尔诺贝利生态隔离区（CEZ）设置205个圆形样地，采集土壤和树木样本，分析90Sr和137Cs的累积特征及预测模型效能。传统方法基于聚合转移因子（TAg）结合树种和土壤参数，而机器学习（XGBoost）模型整合了立地特征（如树龄、直径、土壤肥力、湿度）及地理数据（距离核电站、方位角）。结果显示：XGBoost模型对137Cs的预测表现更优（R2=0.83 vs. 传统0.46），对90Sr的预测效果与传统方法接近（R2=0.82 vs. 0.74）。SHAP分析表明，土壤污染密度和平均辐射剂量是主要预测因子，树种影响有限。研究证实ML模型结合森林特征可提升放射性核素评估精度，为CEZ林业管理提供新工具。

　　在1986年切尔诺贝利核事故之后，森林生态系统经历了显著的生态变化。尽管如此，该地区的木材仍然被用于经济目的。本研究旨在评估森林地点特征以及经典方法和机器学习（ML）方法的预测能力，以估算木材中的锶-90（⁹⁰Sr）和铯-137（¹³⁷Cs）含量。研究者创建了205个圆形样本点，并收集了树干木材和矿物土壤样本进行分析。结果表明，对于这些放射性核素的转移因子，其值存在较大的变化范围。在贫瘠、营养不良的土壤上生长的松树和白桦显示出最高的锶-90转移率。平均树干直径与木材中的锶-90含量之间存在显著相关性，而土壤肥力则与两种核素的迁移表现出一致的负相关关系。为了预测放射性核素浓度，研究者训练了极端梯度提升（XGBoost）模型，并通过SHAP（Shapley Additive Explanations）分析揭示了土壤污染密度、树干直径、树龄和剂量率是最重要的预测因子，而树种则显示出有限的解释能力。XGBoost在预测铯-137方面优于经典基于T_ag的方法，并在预测锶-90时表现出相当的性能。研究结果展示了将森林特征纳入机器学习算法对于提高森林生物量放射性污染评估的价值，并提供了关于地点特征在决定树木中锶-90和铯-137积累的相对重要性的新见解。

在研究背景部分，提到由于缺乏适当的森林管理以及农业用地被废弃，切尔诺贝利事故后，该地区出现了进一步的造林活动，形成了大量的木材储备。尽管自1986年以来，许多森林区域已经恢复了林业活动，但许多木材林仍然由于放射性限制而无法用于经济用途。资金不足，以及在污染区域对林业活动的部分或完全禁止，严重限制了切尔诺贝利隔离区（CEZ）的林业操作。因此，形成了高树干木材储备的林地，但它们现在正以全树或部分死亡的方式在大范围地区死亡，导致大量死生物质的积累。这进一步引发了2015年、2020年和2022年的“灾难性”森林火灾。同时，基于大规模样本（N≥30）的森林放射生态特征数据仍然不足，这些数据通常不考虑树种组成、森林林分和土壤参数。因此，本研究的必要性在于对切尔诺贝利森林中树干木材放射性核素含量进行代表性评估，特别是考虑到大量切尔诺贝利木材进入乌克兰国内市场，并且还出口到其他国家。

本研究使用了传统的基于T_ag（aggregated transfer factor）的方法，以及现代的机器学习算法，来评估树干木材中锶-90和铯-137的活动浓度。传统方法主要依赖于树种和/或根据Alexeev-Pogrebnyak系统对土壤进行分类，而机器学习算法则结合了多个独立变量（最多9个特征）。研究者还通过SHAP分析揭示了不同参数对预测结果的影响，结果显示土壤污染密度、树干直径、树龄和剂量率是最重要的预测因子，而树种的影响较小。因此，尽管树种在以往的森林放射生态研究中被广泛使用，但在XGBoost模型中，其重要性并不显著。

在方法部分，研究者详细描述了实验站点的创建、现场采样以及放射性核素活动浓度的测量过程。205个实验站点被创建，覆盖了不同的林分类型，其中松树（Pinus sylvestris L.）有130棵，白桦（Betula pendula Roth.）有43棵，其他树种也有一定的数量。采样过程包括在每个站点采集5个矿物土壤核心样本，深度为30厘米，并将其合并为单一的土壤样本。树干木材样本则使用Hagl?f钻孔器采集，并在树干的1.3米高度处测量直径。研究者还详细描述了放射性核素活动浓度的测量方法，包括使用低背景伽马光谱仪和多通道分析仪，以及通过放射化学方法测定锶-90的活动浓度。

在数据处理方面，研究者使用了自然对数来对观测到的放射性核素活动浓度及其T_ag值进行转换，以近似正态分布。这些转换后的值被用于图形表示和机器学习算法的训练。此外，研究者还对收集到的数据进行了预处理，以便进行统计分析和模型训练。他们使用了Python 3.9及其相关库（如NumPy、SciPy、Matplotlib和Seaborn）来进行数据处理和可视化。XGBoost算法被用于预测放射性核素活动浓度，而SHAP和Graphviz库被用于模型解释和可视化。

研究结果表明，放射性核素的活动浓度与其所在地点的特征存在显著的相关性。具体而言，放射性核素的污染密度、树干直径、树龄和剂量率等参数对预测结果具有重要影响。此外，土壤肥力和湿度也对放射性核素的迁移产生显著影响。然而，某些参数如树种的影响则较为有限。通过SHAP分析，研究者发现，尽管树种在某些情况下可以影响放射性核素的迁移，但其重要性在XGBoost模型中并不显著。这表明，在某些情况下，可以将树种排除在预测模型之外，而不显著影响预测的准确性。

在讨论部分，研究者进一步探讨了不同方法在预测放射性核素活动浓度方面的优劣。XGBoost模型在预测铯-137活动浓度时表现优于传统方法，而在预测锶-90时则表现出相似的性能。研究者还指出，由于放射性污染指标在森林成分中的高变异性，对这些参数进行全面评估仍然是一项具有挑战性的任务。他们建议增加观测样本的数量，以提高模型的预测性能。此外，研究者还提到，遥感技术（如无人机和卫星图像）在放射生态研究中的应用潜力，特别是在需要避免辐射污染或军事冲突等风险的地区。尽管这些方法在放射生态研究中尚未广泛应用，但它们提供了替代传统现场观测的可行途径。

结论部分强调了本研究的实际应用价值。通过评估森林特征和土壤条件对放射性核素积累的影响，研究者为规划切尔诺贝利隔离区的林业活动提供了科学依据。这不仅有助于初步估算放射性核素含量，还为评估收获的木材是否符合辐射安全标准提供了支持。此外，研究结果还为改进现有的机器学习方法，以及开发新的预测方法提供了参考，特别是在受放射性降尘影响或靠近核设施的森林生态系统中。研究者还指出，尽管树种在传统方法中被认为是一个关键因素，但在现代机器学习模型中，其重要性相对较低。因此，未来的研究应更多地关注其他因素，如土壤肥力和湿度，以提高预测的准确性。

总之，本研究展示了在切尔诺贝利隔离区，使用机器学习方法结合森林特征和土壤参数，可以更有效地预测放射性核素的积累情况。通过分析不同参数的重要性，研究者为森林管理实践提供了科学支持，并为未来的研究方向提供了启示。尽管传统方法在某些情况下仍然有用，但机器学习方法在处理复杂数据和提高预测精度方面显示出更大的潜力。未来的研究可以进一步探索这些方法在其他放射性污染区域的应用，并结合遥感技术以扩大研究范围和提高数据获取的效率。