Caratteristiche di dispersione dei materiali radioattivi stimate dalla tipologia del vento
Takao Yoshikane & Kei Yoshimura
Rapporti scientifici volume 8, numero articolo: 9926 (2018)
Citare questo articolo: Yoshikane, T., Yoshimura, K. Dispersion characteristics of radioactive materials estimated by wind patterns.
Sci Rep 8, 9926 (2018). https://doi.org/10.1038/s41598-018-27955-4
Abstract
I materiali radioattivi sono generalmente concentrati sottovento rispetto alla loro origine quando i venti prevalenti soffiano continuamente in una direzione. Se questo principio determina il modello di dispersione in tutti i casi, le direzioni di dispersione potrebbero essere stimate dai modelli di vento. Tuttavia, questa ipotesi non è stata sufficientemente verificata a causa della complessità dei processi di dispersione e dei sistemi meteorologici. Qui, mostriamo che le direzioni di dispersione, che sono divise in quattro intervalli, possono essere stimate da modelli di vento utilizzando un approccio di apprendimento automatico. La media quinquennale dei tassi di impatto delle direzioni di dispersione stimata utilizzando venti vicini alla superficie supera lo 0,85 in tutti i mesi. Le direzioni di dispersione possono essere stimate fino a 33 ore in anticipo utilizzando i venti previsti. In particolare, elevati tassi di incidenza superiori a 0,95 vengono raggiunti in gennaio e marzo, quando dominano i sistemi meteorologici su larga scala. Questi risultati indicano che le direzioni di dispersione sono determinate dai modelli di vento che corrispondono ai sistemi meteorologici su larga scala e ai modelli di circolazione diurna nella maggior parte dei casi. I nostri risultati forniscono anche informazioni più affidabili sui modelli di dispersione con incertezze ridotte, dato che si ottiene una ragionevole abilità in un tempo sufficiente per l'evacuazione.
Introduzione
Dopo l'incidente dell'aprile 1986 [1], [2], [3], [4], [5], [6] sono state osservate elevate densità di contaminazione di 137Cs superiori a 1480 kBqm-2 da 150 a 250 km a nord-est della centrale nucleare di Chernobyl. I dettagli del processo di dispersione sono ancora in gran parte sconosciuti. Tuttavia, queste osservazioni indicano che grandi quantità di materiali radioattivi hanno percorso lunghe distanze (oltre cento km) dalla sorgente di emissione in questo incidente. La dispersione dei materiali radioattivi dipende anche dall'altezza di emissione, perché la velocità e la direzione del vento cambiano verticalmente. Questi materiali potrebbero raggiungere altezze fino a 2000 m o anche maggiori per brevi periodi, a causa delle alte temperature del nucleo fusorio nei primi due giorni dell'incidente [2]. Alcuni dei materiali radioattivi sono stati trasportati in tutto il mondo dai venti occidentali nella troposfera medio-alta dopo essere stati sollevati dai venti ascendenti prodotti dalla convezione profonda [7]. Tuttavia, il resto è stato depositato nelle regioni vicine a Chernobyl dopo che questi materiali sono stati trasportati dai venti troposferici inferiori [1],[2],[3],[8]. I venti inferiori hanno anche avuto forti effetti sulla dispersione dei materiali radioattivi rilasciati durante l'incidente della centrale nucleare di Fukushima Daiichi nel marzo 2011 [9], [10]. Anche i venti locali (ad esempio, le brezze terra-mare e i venti di montagna-valle) hanno influenzato la dispersione di questo materiale.
Sono stati sviluppati modelli numerici dell'atmosfera per rappresentare i processi di dispersione e i sistemi meteorologici con varie scale che vanno dai modelli di circolazione locale ai monsoni. Nell'incidente della centrale nucleare di Fukushima Daiichi (FDNPP) del marzo 2011, le previsioni di dispersione dei materiali radioattivi effettuate con modelli atmosferici non sono state utilizzate per informare le evacuazioni [11], [12], [13]. È stato segnalato che i modelli non hanno funzionato in modo soddisfacente perché le informazioni sulle sorgenti di emissione sono andate perse a causa di interruzioni di corrente [13]. Il governo giapponese ha reso note le previsioni al pubblico solo il 23 marzo per mancanza di affidabilità [11]. Questa decisione ha suscitato preoccupazione nell'opinione pubblica e ha causato confusione [13]. In seguito, la commissione d'inchiesta ha riferito che il governo avrebbe potuto utilizzare i risultati della simulazione in modo efficiente, anche se le informazioni sulle fonti di emissione erano andate perse [13]. Essi hanno consigliato di utilizzare il risultato della simulazione partendo dal presupposto che le emissioni delle unità (un tasso di rilascio fisso) dovessero essere utilizzate per informare le evacuazioni. Le caratteristiche dei modelli di dispersione, come la direzione e la portata, che sono influenzati dai venti che accompagnano i sistemi meteorologici, possono essere stimati in tali esperimenti, anche se le quantità di materiali nucleari depositati non possono essere stimate perché dipendono fortemente dalle condizioni di emissione. Gli esperimenti che assumono emissioni unitarie possono essere utili per la gestione del rischio, comprese le evacuazioni, in quanto determinano i modelli di dispersione che corrispondono alle condizioni meteorologiche prevalenti.
Nonostante il parere del comitato, il governo giapponese ha deciso di non utilizzare modelli di previsione per determinare se le persone debbano evacuare in futuro perché tali modelli di previsione hanno una precisione limitata [14], [15]. Tuttavia, questa decisione può aumentare il rischio di esposizione alle radiazioni nei casi in cui le informazioni disponibili sono limitate. Ad esempio, si potrebbe perdere la finestra di opportunità per l'assunzione di ioduro di potassio (KI), che deve essere presa 48 ore o meno prima dell'esposizione a 131I [16]. Per ridurre il rischio di esposizione, il governo dovrebbe dare avvertimenti sul consumo di acqua e sulla distribuzione di prodotti agricoli il più presto possibile quando si verifica la deposizione radioattiva [17], [18]. Tuttavia, l'adozione di azioni appropriate è difficile se non sono disponibili previsioni.
Anche il semplice fatto di mostrare il risultato di una simulazione ad alta risoluzione potrebbe essere frainteso, perché tali previsioni danno l'impressione che il modello possa rappresentare la distribuzione della dispersione in modo molto preciso. Spiegare l'affidabilità delle previsioni è difficile. Questo fatto potrebbe in parte spiegare perché i responsabili politici hanno scelto di non utilizzare le previsioni del modello per informare le decisioni di evacuazione.
Certo, non possiamo evitare gli errori di previsione che derivano da formulazioni di modelli imperfetti o dalla sensibile dipendenza di tali modelli dalle condizioni iniziali [9], [19], [20]. Infatti, diversi modelli ad alte prestazioni non sono riusciti a rappresentare i pennacchi radioattivi che attraversano una data area, e gli arrivi dei pennacchi radioattivi simulati sono stati anticipati o ritardati di diverse ore in alcune aree da 100 a 300 km a sud-sud-ovest della FDNPP [19]. In generale, le incertezze del modello sono stimate eseguendo massicci esperimenti di insieme, che producono previsioni probabilistiche. Tuttavia, di solito è difficile spiegare l'incertezza ai non addetti ai lavori [20]. In un'emergenza in cui possono verificarsi gravi danni, sono necessarie informazioni affidabili, piuttosto che una previsione probabilistica che includa incertezze. Pertanto, è necessaria una significativa riduzione delle incertezze per ottenere previsioni più affidabili da simulazioni effettuate con l'ausilio di modelli numerici. L'identificazione di modelli regolari o generalizzazioni di fenomeni complessi potrebbe essere un approccio efficace sia per ridurre le incertezze che per spiegare chiaramente l'affidabilità delle previsioni ai non addetti ai lavori.
In generale, i materiali radioattivi si concentrano sui lati sottovento delle loro sorgenti quando i venti prevalenti soffiano continuamente in una direzione. Ad esempio, ci si aspetta che il rischio di esposizione sia maggiore sul lato sottovento di una sorgente di materiale radioattivo rispetto al lato sopravento quando dominano i sistemi meteorologici su larga scala. Se questo semplice principio è il fattore più importante che determina il modello di dispersione in tutte le condizioni atmosferiche, le direzioni di dispersione possono essere determinate utilizzando i modelli di vento. Il rischio di esposizione potrebbe quindi essere stimato utilizzando le condizioni del vento. Tuttavia, non è ancora chiaro se questa ipotesi sia vera perché i processi di dispersione e i sistemi meteorologici sono piuttosto complessi. In questo studio, viene applicato un nuovo metodo di previsione basato sull'apprendimento automatico per chiarire i modelli di dispersione corrispondenti ai modelli di vento risultanti da sistemi meteorologici complessi durante determinati mesi (gennaio, marzo, aprile, luglio e ottobre), che sono rappresentativi di ogni stagione.
Risultati
Le variazioni giornaliere della deposizione di uno specifico materiale radioattivo, 131I , sono mostrate in Fig. 1. Un modello di dispersione meridionale può essere chiaramente identificato nei modelli di deposizione giornaliera, tranne nei giorni in cui la direzione di dispersione cambia drasticamente. Quasi nessuna deposizione si nota nell'area nord quando grandi quantità di 131I sono depositate nell'area sud, e viceversa. La dispersione irregolare si verifica quando dominano i venti di superficie in prossimità del nord o del sud su larga scala. Queste caratteristiche si possono vedere nei risultati delle simulazioni effettuate assumendo emissioni stimate e costanti (le simulazioni hindcast, HC, e a lungo termine, LT, rispettivamente; le simulazioni LT assumono un tasso di rilascio fisso durante il periodo simulato), nonostante le diverse quantità di materiale rilasciato in queste simulazioni (vedi i metodi e la tabella supplementare S1). Questo risultato dimostra che i modelli di dispersione dipendono fortemente dalle condizioni atmosferiche.
 | |
| Direzioni meridionali di disposizione del 131I (a). I siti dove è stata osservata la deposizione cumulativa giornaliera di materiali radioattivi (Nuclear Regulation Authority, Giappone). (b) Le variazioni temporali delle quantità di deposizione osservate e simulate nel marzo 2011. Le barre indicano il rapporto tra la deposizione in ogni punto e il massimo tra gli otto punti e le linee tratteggiate sono la deposizione massima giornaliera tra gli otto punti. Quattro dei punti si trovano a nord della FDNPP (valori positivi), mentre gli altri si trovano a sud della FDNPP (valori negativi). La mappa e i grafici sono stati creati utilizzando Python 3.6. |
Le distribuzioni spaziali simulate della deposizione 131I e i campi di vento sono mostrati nella Fig. Supplementare S1. Sia la direzione che il campo sono fortemente influenzati dalle condizioni del vento. Inoltre, la quantità di materiale depositato nelle simulazioni HC differisce da quella depositata nelle simulazioni LT, in particolare dal 27 al 30 marzo (vedi Fig. Supplementare S1). Questi risultati mostrano che le quantità di materiale disperso e depositato dipendono fortemente dai tempi e dalla quantità di materiali radioattivi rilasciati. Questo risultato illustra una delle ragioni per cui le quantità di materiale disperso e depositato sono abbastanza difficili da stimare senza informazioni sulla sorgente di emissione.
Questo studio presuppone che il modello numerico rappresenti realisticamente il comportamento di dispersione dei materiali radioattivi nella valutazione delle caratteristiche a lungo termine (statistiche). Conduciamo simulazioni numeriche utilizzando una spaziatura di 5 km e il set di dati del modello mesoscala a griglia dell'Agenzia Meteorologica Giapponese (JMA) come condizioni al contorno (vedi Metodi). Pertanto, i sistemi meteorologici su larga scala a scala mesometrica sono rappresentati dalle simulazioni. Anche le variazioni meridionali della dispersione sono rappresentate dalle simulazioni (Fig. 1). Inoltre, abbiamo già dimostrato in un precedente studio [21] che tali esperimenti rappresentano il ciclo diurno della dispersione. Definiamo le direzioni e gli intervalli di dispersione considerando la migrazione e la fluttuazione dei sistemi meteorologici su larga scala (vedi Fig. Supplementare S2). Valutiamo anche le direzioni di dispersione di concentrazioni estremamente basse (inferiori o uguali al 5% del totale) di materiali radioattivi nell'atmosfera contemporaneamente; tali informazioni sarebbero utili per la pianificazione dell'evacuazione. Per comodità, definiamo le direzioni di dispersione simulate dal modello numerico dell'atmosfera come le direzioni di dispersione realistiche.
Qui si assume che la direzione di dispersione sia determinata dai modelli dei venti vicini alla superficie, che influenzano direttamente la dispersione. Per verificare l'ipotesi viene utilizzato un approccio basato su una macchina vettoriale di supporto (SVM) [22], [23]; questo algoritmo viene addestrato e testato utilizzando le direzioni di dispersione precedenti e i campi di vento assimilati (vedi Metodi). Impieghiamo due tipi di dati di vento assimilati in prossimità della superficie come vettori di caratteristica nell'approccio SVM. Uno di questi dataset rappresenta il campo di vento in prossimità della superficie su una griglia 60 × 60 che copre l'area mostrata nella Fig. Supplementare S2 (FV1). L'altro dataset è la media dei venti di superficie che coprono la stessa area (FV2). FV2 stima le direzioni di dispersione abbastanza bene se i sistemi meteorologici su larga scala sono il controllo primario sulla dispersione. La relazione tra i venti orizzontali e meridionali in prossimità della superficie (FV2) e le direzioni di dispersione classificate può essere vista nella Fig. 2. Il "NOT" significa nessuna di queste (le altre direzioni) (vedi Metodi).
 |
| Direzioni di dispersione simulate dai venti in media della zona. a) I dati di formazione raccolti a marzo dal 2009 al 2013. b) I dati sui test raccolti nel marzo 2011. I colori rappresentano le direzioni di dispersione suddivise per categorie. Questi grafici sono stati creati utilizzando Python 3.6. |
Le variazioni temporali nelle direzioni stimate dall'approccio SVM sono mostrate in Fig. 3. Il tasso di successo (vedi Tabella supplementare S2) in FV1 è di quasi 0,93 in questo mese. L'hit rate in FV2 è quasi uguale a quello di FV1 in gennaio e marzo (Fig. 4). I miss rate non si trovano nei casi Costante, in cui la direzione di dispersione non cambia da 6 ore prima del tempo di osservazione a 6 ore dopo. I casi Costante rappresentano quelli in cui dominano i sistemi meteorologici su larga scala. La direzione di dispersione cambia sostanzialmente nei casi di transizione (non costante).
 |
| Variazioni temporali in direzioni realistiche e stimate nel marzo 2011. Le direzioni di dispersione realistiche sono ottenute dalla distribuzione di dispersione dell'uscita dalla simulazione LT (ombreggiatura della luce). Le direzioni stimate sono ottenute applicando il metodo di apprendimento macchina SVM ai venti vicini alla superficie di 10 m estratti dai dati MSM-GPV. I marcatori quadrati riempiti e i marcatori quadrati con interni bianchi indicano rispettivamente previsioni riuscite e non riuscite. Le aree scure indicano casi in cui non si è verificato alcun cambiamento di direzione per 6 ore prima e dopo le previsioni. Questo grafico è stato creato utilizzando Microsoft Excel per Mac 2011. |
 |
| I tassi di successo e i tassi dei casi di Costante e di Transizione. a) Tassi di successo di FV1 (grigio) e FV2 (blu) in gennaio, marzo, aprile, luglio e ottobre (valori medi quinquennali). Le barre scure e chiare rappresentano rispettivamente gli stati di Costante e di Transizione. Le barre di errore e i punti neri indicano i valori massimi, minimi e medi dei cinque anni dal 2009 al 2013. b) I tassi dei casi Costante (ombreggiatura scura) e Transizione (ombreggiatura chiara). Questi grafici sono stati creati utilizzando Python 3.6. |
La media quinquennale dei tassi di successo prodotti con questo metodo supera lo 0,85 negli altri mesi e anni in FV1 (Fig. 4). Tassi di successo elevati (superiori a 0,93) si ottengono nei casi Costante, mentre la performance diminuisce leggermente nei casi di Transizione, in particolare nel mese di luglio. Le percentuali di successo in FV2 sono leggermente inferiori a quelle in FV1 in tutti i mesi. Tuttavia, i tassi di successo rimangono elevati, superiori a 0,7, in FV2. Inoltre, le precisioni in FV1 superano lo 0,7 in tutti i mesi e nelle direzioni di dispersione (vedi Fig. Supplementare S3).
Valutiamo le direzioni di dispersione stimate dall'approccio SVM utilizzando i campi di vento previsti forniti dalla JMA per ottenere il tempo di risposta, necessario per prepararsi all'evacuazione (vedi Metodi). Le percentuali di successo delle direzioni di dispersione stimate per i tempi di lead time fino a 33 ore superano lo 0,77 in tutti i mesi (Fig. 5). I tassi di successo aumentano in inverno e superano 0,92 in gennaio. Nei casi Costante, i tassi di successo superano 0,95 in gennaio e marzo, mentre i tassi di successo sono leggermente peggiori (anche se superano ancora 0,81) nei casi di Transizione (vedi Fig. Supplementare S4).
 |
| Hit rate delle direzioni stimate utilizzando i venti previsti ottenuti da JMA. La media quinquennale dei tassi di incidenza delle direzioni stimate è indicata utilizzando i venti previsti con un anticipo da 3 a 33 ore in gennaio, marzo, aprile, luglio e ottobre. I tassi di incidenza a 0 ore indicano le direzioni stimate utilizzando i venti assimilati. I grafici sono creati utilizzando Python 3. |
Discussione
I modelli numerici non possono riprodurre perfettamente il mondo reale (o le distribuzioni osservate di dispersione e deposizione). Pertanto, è necessario chiarire ciò che il modello può riprodurre per collegare il mondo virtuale (simulazione) con il mondo reale (osservazione). In questo studio, abbiamo considerato le direzioni di dispersione, che sono suddivise in quattro intervalli, come il collegamento al mondo reale. La direzione approssimativa di dispersione può essere riprodotta perché si basa sul principio che i materiali radioattivi si concentrano sottovento rispetto alla loro origine quando i venti prevalenti soffiano continuamente in una direzione. Pertanto, gli errori di previsione potrebbero essere per lo più accettabili se si valuta la direzione di dispersione nell'ampia area.
La dispersione dei materiali radioattivi è fortemente influenzata dai venti di superficie, che sono spinti da entrambi i sistemi meteorologici su larga scala (ad esempio, i monsoni e i cicloni extra-tropicali). Inoltre, uno studio precedente ha riportato che le correnti gravitazionali notturne, indotte da gradienti di temperatura meridionali, giocano un ruolo importante nel trasporto di materiali radioattivi a più di 200 km dalle sorgenti di emissione [21]. Pertanto, i venti di superficie possono essere il fattore più importante nella previsione delle direzioni di dispersione.
I tassi di impatto nei casi di Costante sono superiori a quelli dei casi di Transizione. I sistemi meteorologici su larga scala si trovano nei campi di vento composito associati ai casi di Costante (vedi Fig. Supplementare S5). Si ritiene che i campi di vento siano ben rappresentati dalle molte situazioni simili in cui appaiono questi sistemi meteorologici comuni. D'altra parte, le percentuali di successo sono un po' più basse nei casi di transizione. I campi di vento nei casi di transizione non sono così ben rappresentati come quelli associati ai casi di Costante. Questa differenza può essere una delle ragioni della difficoltà di riconoscimento del modello a causa dei campi di vento ampiamente modificati associati ai casi di Transizione.
La performance di FV2 è leggermente inferiore a quella di FV1 in gennaio e marzo, mentre le differenze tra FV1 e FV2 sono grandi in aprile, luglio e ottobre (Fig. 4). Questo risultato indica che i venti in media d'area rappresentano un controllo primario sulle direzioni di dispersione in inverno, e gli effetti dei modelli di vento su scala più piccola sulle direzioni di dispersione sono relativamente grandi in estate. Si ritiene che i venti locali, come quelli spinti dai modelli di circolazione diurna, siano relativamente importanti nella stagione calda a causa dell'instabilità baroclinica indebolita e dei venti occidentali.
Le metriche di performance ottenute per gennaio e marzo sono superiori a quelle degli altri mesi. Pertanto, possiamo ottenere una sufficiente capacità di generalizzazione in inverno allenando i modelli di vento utilizzando quattro anni di dati del passato. D'altra parte, sembra essere un po' difficile ottenere un'elevata abilità nel mese di luglio, anche se le metriche di performance corrispondenti a ogni anno non diminuiscono sostanzialmente per i cinque anni, e il tasso minimo di successo visto in FV1 è di 0,78. Le mancanze consecutive (previsioni errate) si verificano dal 19 al 21 luglio 2011 (cfr. Fig. Supplementare S6). All'epoca, il campo di vento è stato perturbato da un tifone che passava vicino alla costa meridionale del Giappone. Le miss consecutive potrebbero essere causate dai venti irregolari prodotti dal tifone. In generale, il movimento dei tifoni è piuttosto complesso, a causa della non linearità delle dinamiche atmosferiche24. Nel valutare l'abilità di questo metodo, bisogna riconoscere che le sue prestazioni diminuiscono quando i modelli del vento vengono disturbati dall'avvicinarsi di cicloni tropicali (tifoni).
Inoltre, le perturbazioni come i tifoni possono influenzare le prestazioni delle previsioni della direzione di dispersione effettuate fino a 33 ore prima utilizzando i venti previsti (Fig. 5). I tassi di incidenza relativamente bassi si riscontrano nel mese di luglio. Questi bassi tassi di incidenza possono essere dovuti alle perturbazioni prodotte dai tifoni, oltre alla difficoltà di prevedere i tifoni in estate. D'altra parte, le previsioni sono quasi perfette nei casi di Costante in inverno, quando i venti sono controllati da sistemi meteorologici ben osservati, come il monsone invernale e i sistemi a bassa pressione causati dall'instabilità baroclinica. Inoltre, i modelli di vento irregolari causati dai cicloni tropicali si verificano raramente in inverno, il che contribuisce anche alle elevate prestazioni del metodo in quella stagione.
Le performance nei casi di NOT potrebbero anche riflettere gli schemi di variazione diurna. Gli schemi dei venti diurni sono chiaramente visibili nella Fig. Supplementare S7. I sistemi a bassa pressione su scala mesoscala si sviluppano ad est dell'area metropolitana di Tokyo di notte, mentre i venti a terra si formano durante il giorno. Queste caratteristiche sono le stesse di quelle viste in uno studio precedente [21]. I modelli di circolazione locale potrebbero essere la causa principale degli alti tassi di incidenza. Pertanto, le direzioni di dispersione potrebbero essere valutate con l'addestramento utilizzando i modelli diurni, che appaiono frequentemente nei casi di NOT. Chiarire il meccanismo della circolazione diurna sarebbe importante per prevedere i modelli di migrazione dei pennacchi radioattivi in diverse aree.
In generale, i modelli di deposizione sono anche fortemente influenzati dalle precipitazioni. Tuttavia, l'andamento delle direzioni di deposizione è quasi uguale a quello delle direzioni di dispersione (vedi Metodi e Supplemento Fig. S8). I materiali radioattivi tendono a fluire nelle parti centrali dei sistemi a bassa pressione o nelle zone di convergenza, che sono strettamente correlate alla direzione di dispersione. Le precipitazioni si verificano spesso intorno a questi sistemi. Questo modello di comportamento può causare gli alti tassi di impatto visti nei casi di deposizione.
Confermiamo quindi l'ipotesi che le direzioni di dispersione sono stimate dai modelli di vento corrispondenti ai sistemi meteorologici su larga scala e ai modelli di circolazione diurna nella maggior parte dei casi. Se questa ipotesi non fosse corretta, non si otterrebbero gli elevati tassi di impatto e le accuratezze rilevate in questo studio. Mostriamo anche i livelli di prestazione associati a diverse condizioni (i casi di Costante e di Transizione) e mesi e forniamo spiegazioni delle differenze di prestazione in termini di meccanismi meteorologici.
Le elevate prestazioni possono apparire non sorprendenti perché i campi definiti delle direzioni di dispersione sono sufficientemente ampi. Date queste ampie gamme, ci si aspetta che la polarizzazione del modello sia piccola. Le gamme potrebbero anche ridurre gli effetti del movimento dei sistemi meteorologici e le fluttuazioni delle perturbazioni mesoscala sulle direzioni di dispersione. Di conseguenza, anche il grado di dipendenza dalle condizioni iniziali dovrebbe essere piccolo. Le prestazioni tipicamente diminuiscono all'aumentare del tempo di previsione perché gli errori di previsione causati dalla sensibile dipendenza dalle condizioni iniziali si traducono in un aumento della diffusione. Tuttavia, i tassi di successo non diminuiscono per le previsioni effettuate fino a 33 ore prima (Fig. 5). Questo risultato indica che l'adozione di ampie gamme di direzioni di dispersione e le elevate prestazioni del campo di previsione del vento prodotte dal JMA potrebbero migliorare l'affidabilità delle informazioni previste. Se questa affermazione non fosse vera, le direzioni di dispersione, che sono previste fino a 33 ore di anticipo utilizzando i venti previsti, non potrebbero essere stimate quasi perfettamente; come notato in precedenza, per i casi di Costante in inverno si ottiene un'alta percentuale di colpi superiore a 0,95. L'entità dei dati di allenamento influenza le prestazioni nell'approccio di machine learning. Le elevate prestazioni potrebbero anche essere attribuite alla dimensione appropriata dei dati di allenamento.
Le nuove scoperte presentate in questo studio includono un approccio innovativo che impiega intervalli appropriati di direzioni di dispersione e metodi di apprendimento automatico per prevedere accuratamente le direzioni di dispersione riducendo l'incertezza dei modelli numerici. Questo approccio potrebbe essere applicato a varie aree in cui vengono rilevati modelli di vento che corrispondono a sistemi meteorologici ben osservati, come monsoni, disturbi extra-tropicali e modelli di circolazione locale diurna. In questo modo, si possono intraprendere le azioni necessarie, e la gestione del rischio può essere impiegata per ridurre il rischio di esposizione considerando il cambiamento delle condizioni meteorologiche e del clima regionale in ogni stagione. I nostri risultati forniscono anche informazioni più affidabili sulle direzioni di dispersione; in particolare, essi mostrano una ragionevole abilità per tempi di attesa fino a 33 ore, che sarebbero necessari per l'evacuazione, determinando quando prendere lo ioduro di potassio e fornendo avvertenze riguardanti il consumo di acqua e la distribuzione dei prodotti agricoli.
Metodi
Simulazioni HC
Conduciamo simulazioni hindcast (HC) dall'11 al 31 marzo 2011 utilizzando il Modello Spettrale Regionale Isotopico (IsoRSM) [25], [26]. L'altezza della sorgente di emissione è impostata sulla superficie perché si stima che l'altezza di emissione vada da 20 a 120 m (abbastanza vicino alla superficie) nel metodo di stima inversa [27], [28], [29]. Utilizziamo anche i tassi di rilascio variabili nel tempo stimati con il metodo di stima inversa [29]. I set di dati del valore del punto di griglia del modello su scala mesoscala (MSM-GPV), forniti dalla Japan Meteorological Agency (JMA), servono come condizioni al contorno iniziale e laterale del modello. Il metodo di nudging spettrale viene applicato ai dati del confine laterale. Il dominio di simulazione è mostrato nella Fig. Supplementare S9. La spaziatura della griglia è di 5 km in questo dominio. Il numero di strati verticali del sistema di coordinate sigma è 28. Gli spessori dello strato sigma nello strato inferiore (dalla superficie al quinto strato) sono rispettivamente 0,01, 0,016, 0,02, 0,024 e 0,029. Le gamme orizzontale e meridionale del dominio sono rispettivamente di 800 km e 950 km. Per calcolare il trasporto di materiali radioattivi viene utilizzato un modello semi-lagrangiano [26].
La deposizione ad umido (processo di lavaggio) è calcolata come:
 |
| (1) |
dove C è la concentrazione atmosferica dei materiali radioattivi; α è il coefficiente di dilavamento (0,5); e P e q sono rispettivamente la condensazione dell'acqua e il vapore acqueo in ogni strato atmosferico30.
La deposizione a secco è calcolata come:
 |
| (2) |
dove Vd è la velocità di deposizione, e C(z=1) è la concentrazione nello strato più basso. I valori Vd di 137Cs e 131I sono 1 × 10−3 ms−1 e 5 × 10−3 ms−1 sull'oceano e 5 × 10−3 ms−1 e 2,5 × 10−2 ms−1 sulle aree terrestri, rispettivamente [31].
Simulazioni LT
Conduciamo simulazioni a lungo termine (LT) con un tasso di rilascio fisso in gennaio, marzo, aprile, luglio e ottobre dal 2009 al 2013 (cfr. tabella supplementare S1). Le altre condizioni di calcolo sono le stesse della simulazione HC.
Macchina vettoriale di supporto (SVM)
SVM è un metodo di apprendimento supervisionato e ha il vantaggio che l'uso di questo metodo per classificare i modelli per i dati non appresi massimizza il margine. Gli approcci basati su SVM [32] possono essere applicati alla classificazione non lineare utilizzando la funzione di base radiale gaussiana.
 |
| (3) |
dove x e x′ sono i vettori di ingresso della SVM, e σ è il parametro della funzione del kernel. Il valore appropriato di σ viene stimato automaticamente dal software SVM32. Questo metodo, chiamato "kernel trick", può semplificare i calcoli associati a questo metodo sostituendo i prodotti interni mappati negli spazi delle caratteristiche ad alta dimensione con una funzione del kernel. In questo studio abbiamo utilizzato la "classificazione SVM bound-constraint". L'approccio SVM supporta anche la classificazione multi-classe utilizzando il metodo one-against-one. Utilizziamo i venti vicini alla superficie come vettori delle caratteristiche e valutiamo le prestazioni dell'algoritmo SVM in questo studio.
Classificazione delle direzioni di dispersione dei materiali radioattivi
L'algoritmo SVM è stato utilizzato per risolvere i problemi di riconoscimento dei modelli [22], [23]. Addestriamo l'algoritmo SVM utilizzando le direzioni di dispersione simulate nella simulazione LT e i campi eolici assimilati a griglia da 10 m ottenuti da MSM-GPV nei mesi target dal 2009 al 2013, ad eccezione dell'anno testato. Per prima cosa prepariamo le coppie delle direzioni di dispersione categorizzate (concentrazioni atmosferiche) e i campi eolici ogni tre ore in ogni mese target dal 2009 al 2013 e produciamo il classificatore basato su SVM utilizzando alcune delle coppie (ad esempio, dal 2009 al 2013, ad eccezione del 2011). Si esamina poi se la direzione di dispersione stimata usando il campo di vento e il classificatore corrisponde alla direzione di dispersione simulata corrispondente allo stesso campo di vento, che viene presa dalle altre coppie del dataset (ad esempio, marzo 2011). Infine, la media, il minimo e il massimo dei tassi di incidenza e le precisioni sono calcolati in ogni mese utilizzando le equazioni riportate nella tabella supplementare S2, rispettivamente. L'area di valutazione è anche mostrata nella Fig. Supplementare S2. Il campo di vento assimilato in prossimità della superficie a 10 m, che ha 60 × 60 punti di griglia in direzione zonale e meridionale, rispettivamente, è utilizzato all'interno dell'area racchiusa all'interno della linea tratteggiata (Regione A). I materiali radioattivi non sempre si diffondono in modo lineare su un raggio ristretto. In alcuni casi, le masse d'aria che contengono alte concentrazioni di materiali radioattivi, che si estendono ampiamente a causa delle perturbazioni, sono trasportate dai venti prevalenti che accompagnano i sistemi meteorologici su larga scala (vedi Fig. Supplementare S1). Analizzando il comportamento atmosferico della dispersione, definiamo gli intervalli di potenziali direzioni di dispersione come primarie, secondarie e relativamente non influenzate, in modo che il metodo possa affrontare i vari modelli di dispersione e le fluttuazioni di dispersione dovute alle perturbazioni su scala mesoscala nel campo di vento prevalente o alla migrazione dei sistemi meteorologici su larga scala (vedi Fig. Supplementare S2). Le concentrazioni atmosferiche nell'area trasportata aumentano stocasticamente quando dominano i venti predominanti in orizzontale omogenei, mentre quelle nell'area relativamente non interessata diminuiscono, a causa della ventilazione. Ad esempio, alle direzioni di dispersione sono assegnati ampi intervalli perché i venti prevalenti si spostano da ovest a nord, il che corrisponde alla migrazione e alle fluttuazioni dei sistemi meteorologici su larga scala (vedi Fig. Supplementare S2a-c,e). Le ampie gamme di queste aree potrebbero ridurre l'incertezza delle direzioni di dispersione simulate dai modelli. Definiamo le direzioni di dispersione dividendole in quattro quadranti, in particolare "NE", "NW", "SW" e "SE", utilizzando la proporzione delle quantità verticalmente integrate di materiali radioattivi in ogni area nel dominio di calcolo delle simulazioni LT. Ad esempio, la direzione di dispersione è "SE" quando la concentrazione di materiali radioattivi nell'atmosfera in quel settore è pari o superiore al 50% del totale e pari o inferiore al 5% nella direzione opposta (NW). Gli altri quadranti, "NE" e "SW", sono definiti come aree di trasporto secondario quando le concentrazioni sono inferiori al 50% del totale. Il lato a monte con una concentrazione inferiore al 5% è considerato come l'area relativamente non influenzata dal vento prevalente (vedi Fig. Supplementare S2). Nella Fig. Supplementare S8, le percentuali di materiale depositato corrispondono a quelle della concentrazione di materiali radioattivi nell'atmosfera. Abbiamo deciso di utilizzare valori del 50% e del 5% per rappresentare le caratteristiche complesse delle dispersioni osservate e simulate. Questo metodo sarà probabilmente utile anche per la pianificazione dell'evacuazione, limitando la dispersione a monte. Definiamo anche "NOT" (nessuno di essi), che indica i casi che non corrispondono a "NE", "NW", "SW" o "SE". L'area relativamente non interessata occupa ancora il 25% dell'intera area, mentre il range di dispersione delle aree primarie e secondarie è del 75%. La caratterizzazione dell'area relativamente intatta è importante per la pianificazione delle evacuazioni per prevenire l'esposizione ai materiali radioattivi. La classificazione dei modelli di vento quando i materiali radioattivi si diffondono lungo i confini è molto impegnativa (vedi Fig. Supplementare S10a). I materiali radioattivi si concentrano spesso intorno al confine tra le regioni "NE" e "SE" quando i fronti freddi si spostano da nord a sud. Per questo motivo, applichiamo l'algoritmo SVM a quattro regioni di nuova definizione, "N", "W", "S" ed "E", dopo averlo applicato ai settori inizialmente definiti (vedere le figure supplementari S10 e S11).
Altezza di emissione
I sistemi meteorologici su larga scala formano il vento prevalente nella troposfera inferiore. La velocità e la direzione del vento sono leggermente modificate dalle influenze delle condizioni della superficie, mentre il vento si chiude al vento geostrofico nella parte superiore dello strato limite atmosferico. La velocità del vento influenzerebbe il tempo di arrivo dei materiali in ogni punto. Nel frattempo, è stato riportato che i materiali radioattivi si sono spostati in corrispondenza del vento prevalente nella troposfera inferiore in caso di incidente alla centrale nucleare di Chernobyl, anche se l'altezza massima di emissione era di oltre 2.000 m dalla superficie2. Pertanto, le direzioni di dispersione non sarebbero state in gran parte modificate dall'altezza di emissione nella troposfera inferiore e gli errori di previsione potrebbero essere per lo più accettabili nella direzione di dispersione definita.
Tempi di evacuazione
Il tempo di preparazione per l'evacuazione è necessario quando questo metodo viene applicato a incidenti reali o alla gestione del rischio. Pertanto, è necessario determinare con quanto anticipo il metodo può stimare con precisione le direzioni di dispersione utilizzando i campi di vento previsti, che corrispondono ai tempi di evacuazione. Qui, investighiamo i tassi di impatto delle direzioni di dispersione stimate dall'approccio SVM utilizzando i campi di vento previsti da 3 a 33 ore da MSM-GPV, che in questo studio viene avviato a 3 UTC ogni giorno. Ad esempio, la direzione di dispersione stimata sulla base del campo di vento previsto 12 ore dopo un determinato orario (ad esempio, 3 UTC l'11 marzo 2011) viene verificata utilizzando la direzione di dispersione simulata all'orario corrispondente (15 UTC, 11 marzo 2011). La performance della previsione MSM-GPV si riflette anche nelle percentuali di successo di questo metodo. Impieghiamo i casi con elevati tassi di successo come rappresentazioni dei tempi di evacuazione che sono accompagnati da un'elevata affidabilità delle direzioni di dispersione stimate con questo metodo.
Disponibilità dei dati
Gli autori dichiarano che tutti i dati generati durante o analizzati durante lo studio in corso sono disponibili, su ragionevole richiesta, presso l'autore corrispondente.
Dimensione del campione
Non sono stati utilizzati metodi statistici per predeterminare la dimensione del campione.
Disponibilità del codice
Tutti i codici utilizzati nell'analisi di questo documento e nella produzione di cifre possono essere resi disponibili su richiesta. Si prega di contattare T.Y. (takao-y@iis.u-tokyo.ac.jp).
References
Environmental consequences of the Chernobyl accident and their remediation: twenty years of experience/report of the Chernobyl Forum Expert. Group ‘Environment’. – Vienna: International Atomic Energy Agency (2006).
Brandt, J., Christensen, J. H. & Frohn, L. M. Modelling transport and deposition of caesium and iodine from the Chernobyl accident using the DREAM model. Atmos. Chem. Phys. 2, 397–417, https://doi.org/10.5194/acp-2-397-2002 (2002).
International advisory committee, The international Chernobyl project: Technical Report, IAEA, Vienna (1991).
De Cort, M. et al. Atlas of cesium deposition on Europe after the Chernobyl accident, Office for official publications of the European Communities, ECSC-EEC-EAEC: Brussels-Luxemburg (1998).
Borzilov, V. A. & Klepikova, N. V. Effect of meteorological conditions and release composition on radionuclide deposition after the Chernobyl accident. The Chernobyl papers. Volume 1. Doses to the Soviet population and early health effects studies (1993).
Saenko, V. et al. The Chernobyl accident and its consequences. Clinical Oncology 23.4, 234–243 (2011).
Stohl, A. et al. Xenon-133 and caesium-137 releases into the atmosphere from the Fukushima Dai-ichi nuclear power plant: determination of the source term, atmospheric dispersion, and deposition. Atmos. Chem. Phys. 12, 2313–2343 (2012).
Hass, H. et al. Simulation of the Chernobyl radioactive cloud over Europe using the EURAD model. Atmos. Environ. 24A, 673–692 (1990).
Draxler, R. et al. World Meteorological Organization’s model simulations of the radionuclide dispersion and deposition from the Fukushima Daiichi nuclear power plant accident. J. Environ. Radioact. 139, 172–184 (2015).
Srinivas, C. V. et al. Regional scale atmospheric dispersion simulation of accidental releases of radionuclides from Fukushima Dai-ichi reactor. Atmos. Environ. 61, 66–84 (2012).
Funabashi, Y. & Kitazawa, K. Fukushima in review: A complex disaster, a disastrous response. Bulletin of the Atomic Scientists. 68.2, 9–21 (2012).
Kushida, K. E. The Fukushima nuclear disaster and the democratic party of Japan: Leadership, structures, and information challenges during the crisis. The Japanese Political Economy. 40.1, 29–68 (2014).
Investigation committee on the accident at Fukushima nuclear power stations of Tokyo electric power company. Executive Summary of the Final Report, http://www.cas.go.jp/jp/seisaku/icanps/eng/final-report.html (2012).
Nuclear Regulation Authority (NRA) in Japan. The operational of the system for prediction of environmental emergency dose information (SPEEDI), https://www.nsr.go.jp/data/000027740.pdf (in Japanese) (accessed 6. July. 2017) (2014).
Yamada, R. et al. Measurement system for alpha and beta emitters with continuous air sampling under different exposure situations. Applied Radiation and Isotopes. 126, 79–82, https://doi.org/10.1016/j.apradiso.2017.01.002 (2017).
Zanzonico, P. B. & Becker, D. V. Effects of time of administration and dietary iodine levels on potassium iodide (KI) blockade of thyroid irradiation by I-131 from radioactive fallout. Health Phys. 78, 660–7 (2000).
World Health Organization. Guidelines for drinking-water quality, third edition, incorporating first and second addenda. WHO guideline, http://www.who.int/entity/water_sanitation_health/dwq/fulltext.pdf (accessed 5. September 2017) (2008).
Harada, K. H. et al. Dietary intake of radiocesium in adult residents in Fukushima prefecture and neighboring regions after the Fukushima nuclear power plant accident: 24-h food-duplicate survey in December 2011. Environmental science & technology 47.6, 2520–2526 (2013).
Nakajima, T. et al. Model depiction of the atmospheric flows of radioactive cesium emitted from the Fukushima Daiichi Nuclear Power Station accident. Progress in Earth and Planetary Science, 4.1: 2 (2017).
Fox, D. G. Uncertainty in air quality modeling. Bulletin of the American Meteorological Society 65.1, 27–36 (1984).
Yoshikane, T. et al. Long-distance transport of radioactive plume by nocturnal local winds. Sci. Rep. 6, 36584, https://doi.org/10.1038/srep36584 (2016).
Cortes, C. & Vapnik, V. Support-vector networks. Machine Learning 20(3), 273–297, https://doi.org/10.1007/BF00994018 (1995).
Ben-Hur, A. H. et al. Support vector clustering. Journal of Machine Learning Research 2, 125–137 (2001).
Kitamoto, A. Typhoon analysis and data mining with kernel methods. Pattern Recognition with Support Vector Machines, 511–520 (2002)
Yoshimura, K., Kanamitsu, M. & Dettinger, M. Regional downscaling for stable water isotopes: A case study of an Atmospheric River event. J. Geophys. Res. 115, D18 (2010).
Chang, E.-C. & Yoshimura, K. A semi-Lagrangian advection scheme for radioactive tracers in the NCEP Regional Spectral Model (RSM). Geosci. Model Dev. 8, 3247–3255 (2015).
Chino, M. et al. Preliminary estimation of release amounts of 131 I and 137Cs accidentally discharged from the Fukushima Dai-ichi nuclear power plant into atmosphere. J. Nucl. Sci. Technol. 48, 1129–1134 (2011).
Terada, H., Katata, G., Chino, M. & Nagai, H. Atmospheric discharge and dispersion of radionuclides during the Fukushima Dai-ichi Nuclear Power Plant accident. Part II: verification of the source term and analysis of regional-scale atmospheric dispersion. J. Environ. Radioact. 112, 141–154 (2012).
Kobayashi, T., Nagai, H., Chino, M. & Kawamura, H. Source term estimation of atmospheric release due to the Fukushima Dai-ichi nuclear power plant accident by atmospheric and oceanic dispersion simulations. J. Nucl. Sci. Technol. 50, 255e264 (2013).
Saya, A., Yoshimura, K. & Oki, T. Simulation of radioactive trace transport using IsoRSM and uncertainty analysis. Journal of Japan Society of Civil Engineers. 3, 60–66 (2015).
Maryon et al. The United Kingdom Nuclear Accident Model. Prog. Nucl. Energy 26, 85–104 (1991).
Karatzoglou, A. et al. kernlab – An S4 Package for Kernel Methods in R. Journal of Statistical Software 11(9), 1–20 (2004).
Nessun commento:
Posta un commento