基于融合双向LSTM的水源地核与辐射异常预警模型
Abstrak
【目的】针对当前水源地核与辐射监测中低信噪比、非稳态干扰及复杂水文耦合效应导致误报率高、慢性渗漏检出困难的核心问题，本文旨在构建一种智能化预警模型，来实现对放射性异常的精准预测、可靠检测与快速决策。【方法】本文提出一种融合双向长短期记忆(Bi-LSTM)网络与改进孤立森林(iForest)的智能预警模型——双向记忆森林协同预警(Bi-LSTM-iForest)模型。首先，通过多源时空特征工程提取辐射-水文-气象参数的耦合规律，构建特征矩阵。利用Bi-LSTM学习辐射参数的长周期依赖与突发响应特性，实现高精度时序预测并生成残差序列。进而，使用iForest算法，引入动态分枝深度控制与残差增强机制，使其适应低强度缓变型污染信号的检测，并采用时空图注意力网络(GAT)建模污染物迁移过程以提升跨站点预警能力。【结果】广东省大亚湾某水库的实际验证表明，该模型对铯-137活度浓度的预测均方根误差(RMSE)降至0.062 Bq/L,较自回归积分滑动平均(ARIMA)模型下降56.3%;对慢性渗漏事件的检出率达到91.2%,较传统孤立森林提升45.9%,同时将误报率压缩至5.2%。【结论】Bi-LSTM-iForest模型显著提升了水源地辐射异常的预测与检测性能，其优异的性能得益于预测-检测模块的高效协同及其对水体复杂环境的有效适应。本模型具备良好的可解释性与工程部署价值，为高风险水源区域的核与辐射安全提供了一套可靠的“预测-检测-决策”一体化技术解决方案。
Topik & Kata Kunci
Penulis (6)
Fan Junyu
Lu Jiang
Liu Jie
Chen Afeng
Wang Yi
Ma Jing
Akses Cepat
PDF tidak tersedia langsung
Cek di sumber asli →- Tahun Terbit
- 2026
- Sumber Database
- DOAJ
- DOI
- 10.15890/j.cnki.jsjs.2026.03.001
- Akses
- Open Access ✓