1. SISN
  2. Всі випуски
  3. Випуск 15, 2024
  4. Розшифровка Цезію-137: підхід глибинного навчання до екологічного прогнозування

Розшифровка Цезію-137: підхід глибинного навчання до екологічного прогнозування

SISN.
2024;
Випуск 15
: cc. 200 - 209
https://doi.org/10.23939/sisn2024.15.200
Автори:
  1. Василь Литвин
  2. Олексій Хобор
1
Національний університет "Львівська політехніка", м. Львів, Україна
2
Національний університет «Львівська політехніка», кафедра інформаційних систем та мереж

Дослідження зосереджено на значній екологічній загрозі, яку становить цезій-137, побічний продукт ядерних аварій, промислової діяльності та минулих випробувань зброї. Стійкість цезію- 137 порушує екосистеми, забруднюючи ґрунт та воду, що у результаті впливає на здоров’я людей через харчовий ланцюг. Традиційні методи моніторингу, такі як гамма-спектроскопія та відбір проб ґрунту, стикаються з проблемами, серед яких варіативність та інтенсивне використання ресурсів.

Стаття висвітлює глибинне навчання, галузь штучного інтелекту, як революційний метод для екологічного моніторингу. Використовуючи обширні набори даних, глибинне навчання дає змогу прогнозувати поширення  цезію-137,  покращуючи  наше  розуміння та  управління його впливом. Застосування прогностичних моделей на основі глибинного навчання в різних екологічних доменах демонструє їх потенціал для аналізу забруднення цезієм-137.

забруднення цезієм-137
глибинне навчання
моніторинг навколишнього середовища
прогностичне моделювання
вплив на екосистему
  1. RT World News (n. d.). Fukushima’s Cesium-137 levels ’50 % higher’ than previously estimated. Retrieved from https://www.rt.com/news/158084-fukushima-nuclear-japan-cesium/
  2. Onpassive (n. d.). How To Use Deep Learning For Vision Systems. Retrieved from https://onpassive.com/blog/how-to-use-deep-learning-for-vision-systems/
  3. Hardworking (2023, March 30). What is Deep Learning? Retrieved from http://www.hardworking.com/2023/03/what-is-deep-learning_30.html
  4. Reason.town (n. d.). A Deep Learning Overview in PowerPoint. Retrieved from https://reason.town/deep- learning-overview-ppt/
  5. Lepage, H., Nicoulaud-Gouin, V., Pele, K., & Boyer, P. (2023). Use of machine learning and deep learning to predict particulate 137 Cs concentrations in a nuclearized river. Journal of Environmental Radioactivity, 270, 107294. https://doi.org/10.1016/j.jenvrad.2023.107294
  6. Freeman, B. S., Taylor, G., Gharabaghi, B., & Thé, J. (2018). Forecasting air quality time series using deep learning. Journal of the Air & Waste Management Association, 68(8), 866–886. https://doi.org/10.1080/10962247.2018.1459956
  7. Méndez, M., Merayo, M. G., & Núñez, M. (2023). Machine learning algorithms to forecast air quality: A survey. Artificial Intelligence Review, 56, 10031–10066. https://doi.org/10.1007/s10462-023-10424-4
  8. Ionascu, A. I. (2023). Air quality prediction in metropolitan areas using deep learning methods: dissertation. Retrieved from https://urn.kb.se/resolve?urn=urn:nbn:se:su:diva-219605
  9. Chattopadhyay, A., Hassanzadeh, P., & Pasha, S. (2020). Predicting clustered weather patterns: A test case for applications of convolutional neural networks to spatio-temporal climate data. Scientific Reports, 10, 1317. https://doi.org/10.1038/s41598-020-57897-9
  10. Lin, Y., Couture, R. M., Klein, H., et al. (2019). Modelling environmental impacts of cesium-137 under a hypothetical release of radioactive waste. Bulletin of Environmental Contamination and Toxicology, 103(1), 69–74. https://doi.org/10.1007/s00128-019-02601-5
  11. Günay, O., Özden, S., & Pehlivanoğlu, S. A. (2023). Assessing the topsoil contamination of cesium-137 environmental fallout in Konya, Turkey: Spatial distribution and analysis. Water, Air, & Soil Pollution, 234, 763. https://doi.org/10.1007/s11270-023-06781-z
  12. Stäger, F., Zok, D., Schiller, A.-K., Feng, B., & Steinhauser, G. (2023). Disproportionately high contributions of 60 year old weapons-137Cs explain the persistence of radioactive contamination in Bavarian wild boars. Environmental Science & Technology, 57(36), 13601–13611. https://doi.org/10.1021/acs.est.3c03565
  13. Naskar, N., Ghosh, M., Maity, M., et al. (2023). A brief review of the distribution of caesium-137 in natural vegetation. Journal of Radioanalytical and Nuclear  Chemistry, 332, 4377–4390. https://doi.org/10.1007/s10967-023- 09166-y
  14. Centers for Disease Control and Prevention (n. d.). Cesium. Retrieved [19.01.2024], from https://www.cdc.gov/nceh/radiation/emergencies/isotopes/cesium.htm
  15. Department of Occupational Health and Radiation Protection, Zhejiang Provincial Center for Disease Control and Prevention (2022). Int. J. Environ. Res. Public Health, 19(16), 10183. https://doi.org/10.3390/ijerph191610183
  16. Sha, Z., Ma, H., Li, L., Du, J., Wu, F., & Fan, Q. (2009). Using remote-sensing technologies in combination with Cesium-137 measurements to estimate soil-erosion quantity in semi-arid steppe areas. Retrieved [19.01.2024],        from                      https://www.researchgate.net/publication/228844150_Using_remote- sensing_technologies_in_combination_with_Cesium-137_measurements_to_estimate_soil-erosion_quantity_in_semi- arid_steppe_areas
  17. Giannopoulou, E. G. (2021). Biomedical Informatics Colloquium, BIO 4050, Course Outline. https://core.ac.uk/download/543565977.pdf
  18. Cheng, K., & Wang, J. (2019). Forest-Type Classification Using Time-Weighted Dynamic Time Warping Analysis in Mountain Areas: A Case Study in Southern China. Forests, 10(11), 1040. https://doi.org/10.3390/f10111040
  19. Perry, G. L.W., Seidl, R., Bellvé, A. M., et al. (2022). An Outlook for Deep Learning in Ecosystem Science. Ecosystems, 25, 1700–1718. https://doi.org/10.1007/s10021-022-00789-y