基于新机器学习概率模型与德国氡调查数据的高分辨率室内氡图绘制
机器学习
2026-01-07 v5 机器学习
数据分析、统计与概率
摘要
准确掌握室内氡浓度对于评估氡相关健康效应或识别氡易发区域至关重要。全国尺度的室内氡浓度通常基于广泛的测量活动来估算。然而，由于控制室内氡浓度的相关因素众多（如地球成因氡的可及性或楼层高度），抽样家庭的特征往往不同于目标人群的特征。我们提出了一种基于模型的方法，与纯数据驱动方法相比，它能以更高空间分辨率更真实地估算室内氡分布。该方法应用分位数回归森林来估计德国家庭每栋住宅建筑每个楼层室内氡的概率分布函数。基于估计的概率分布函数，采用概率蒙特卡洛抽样技术，实现了楼层预测的组合与人口加权。如此，单个预测的不确定性被有效传播至聚合层级的变异性估计中。结果显示德国家庭室内氡近似对数正态分布，算术均值 63 Bq/m3，几何均值 41 Bq/m3，第 95 百分位数为 180 Bq/m3。超过 100 和 300 Bq/m3 的概率分别为 12.5%（影响 1050 万人）和 2.2%（影响 190 万人）。我们方法的优势在于：a) 即使调查在楼层和土壤中氡浓度方面不完全具有代表性，也能准确估算室内氡浓度；b) 以比基础描述性统计高得多的空间分辨率估算室内氡分布。
引用
@article{arxiv.2310.11143,
title = {Development of a high-resolution indoor radon map using a new machine learning-based probabilistic model and German radon survey data},
author = {Eric Petermann and Peter Bossew and Joachim Kemski and Valeria Gruber and Nils Suhr and Bernd Hoffmann},
journal= {arXiv preprint arXiv:2310.11143},
year = {2026}
}