ANALYSIS OF THE INFLUENCE OF NATURAL AND ANTHROPOGENIC FACTORS ON RADON FLUX DENSITY IN MOSCOW USING MACHINE LEARNING METHODS

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

During routine measurements of radon flux density for construction purposes in Moscow, the areas were found with abnormally high radon flux densities exceeding 400 mBq m-2 s-1. These values far exceed those average values around 24-40 mBq m-2 s-1 for local sandy and clay soils, which is compounded with the fact that the area under study doesn’t contain any active faults or natural soils rich in uranium. Therefore, the question arises, whether these high values are of technogenic or natural origin. This paper uses machine learning algorithms to find the answer to these questions. Machine learning algorithms including random forest trees and artificial neural networks were used to try and predict radon flux density anomalies on a city scale. Predictors used included maps of geodynamically active areas, lineaments, distances to heavy rail infrastructure such as metro tunnels and surface-level rail. Additionally, normal predictors of radon such as 226Ra concentration in soil, quaternary soil type and elevation were used for the predictions. Predictions were made for both anomaly-free and anomaly included datasets. Training data included radon flux data for Moscow with both anomalous and background values which included 931 data points, of which 112 was classified as anomalous (more than 400 mBq m-2 s-1). Based on the predictions obtained, factors which influence radon flux density and those that may produce anomalous values were underlined.

About the authors

S. G Gavriliev

Sergeev Institute of Environmental Geoscience, Russian Academy of Sciences

Moscow, 101000 Russia

T. B Petrova

Lomonosov Moscow State University

Email: tbp111@inbox.ru
Moscow, 119991 Russia

P. S Miklyaev

Sergeev Institute of Environmental Geoscience, Russian Academy of Sciences

Email: peterm7@inbox.ru
Moscow, 101000 Russia

E. A Karfidova

Sergeev Institute of Environmental Geoscience, Russian Academy of Sciences

Moscow, 101000 Russia

References

  1. Макаров В.И., Дорожко А.Л., Макарова Н.В., Макеев В.М. Современные геодинамически активные зоны платформ // Геоэкология. Инженерная геология, гидрогеология, геокриология. 2007. № 2. С. 99-110.
  2. Макарова Н.В., Макеев В.И., Дорожко А.Л. и др. Геодинамические системы и геодинамически активные зоны Восточно-Европейской платформы // Бюл. Моск. обществава испытателей природы. Отд. геол. 2016. Т. 91. Вып. 4-5. С. 9-22.
  3. Маренный А.М., Цапалов А.А., Микляев П.С., Петрова Т.Б. Закономерности формирования радонового поля в геологической среде. М.: “Перо”, 2016. 394 с.
  4. Микляев П.С., Макаров В.И., Дорожко А.Л. и др. Радоновое поле Москвы // Геоэкология. Инженерная геология, гидрогеология, геокриология. 2013. № 2. С. 172187.
  5. Осипов В.И. Крупномасштабное геологическое картирование территории г. Москвы // Геоэкология. Инженерная геология, гидрогеология, геокриология. 2011. № 3. С. 195-197.
  6. Bossew P., Cinelli G., Ciotoli G.; Crowley Q.G. et al. Development of a Geogenic Radon Hazard Index - Concept, History, Experiences // Int. J. Environ. Res. Public Health. 2020. 17: 4134. https://doi.org/10.3390/ijerph17114134
  7. Di Carlo C., Maiorana A., Bochicchio F. Indoor Radon: Sources, Transport Mechanisms and Influencing Parameters. 2023.IntechOpen. https://doi.org/10.5772/intechopen.111710
  8. Friedman J.H. Multivariate adaptive regression splines (with discussion). The Annals of Statistics. 1991. 19:1-141.
  9. Gavriliev S., Petrova T., Miklyaev P. Factors influencing radon transport in the soils of Moscow // Environ Sci Pollut Res. 2022, no. 29, pp. 88606-88617. https://doi.org/10.1007/s11356-022-21919-y
  10. Gavriliev S., Petrova T., Miklyaev P., Karfidova, E. Predicting radon flux density from soil surface using machine learning and GIS data // Science of The Total Environment. 2023. 903:166348, https://doi.org/10.1016/j.scitotenv.2023.166348
  11. ICRP. Radiological protection against radon exposure. 2014. No. 126. https://www.icrp.org/publication.asp?id=ICRP%20Publication%20126
  12. Janik M., Bossew P., Kurihara O. Machine learning methods as a tool to analyse incomplete or irregularly sampled radon time series data // Science of The Total Environment. 2018. V. 630. P. 1155-1167.
  13. Mair J., Petermann E., Lehné R., Henk A. Can neotectonic faults influence soil air radon levels in the Upper Rhine Graben? An exploratory machine learning assessment // Science of The Total Environment. 2024. 956:177179. https://doi.org/10.1016/j.scitotenv.2024.177179
  14. Miklyaev P., Petrova T., Marennyy A, et al. High seasonal variations of the radon exhalation from soil surface in the fault zones (Baikal and North Caucasus regions) // Journal of Environmental Radioactivity, 2020. 219, 106271. https://doi.org/10.1016/j.jenvrad.2020.106271
  15. Miklyaev P.S., Petrova T.B., Shchitov D.V., Sidyakin P.A. et al. Radon transport in permeable geological environments // Sci. Total Environ. 2022. V. 852:158382. https://doi.org/10.1016/j.scitotenv.2022.158382.
  16. Nazaroff W.W. Radon transport from soil to air // Reviews of Geophysics. 1992. 30(2):137. https://doi.org/10.1029/92rg00055
  17. Osipov V.I., Burova V.N., Zaikanov V.G., Molodykh I.I. et al. A map of large-scale (detail) engineering geological zoning of Moscow territory // Water Resources. 2012. 39(7):737-746. https://doi.org/10.1134/S0097807812070093
  18. Petermann E., Bossew P., Kemski J. et al. Development of a high-resolution indoor radon map using a new machine learning- based probabilistic model and German radon survey data // Environ. Health Perspect. 2024.132 (9):97009. https://doi.org/10.1289/EHP14171
  19. Petermann E., Meyer H., Nussbaum M., Bossew P. Mapping the geogenic radon potential for Germany by Machine Learning. 2020. https://doi.org/10.5194/egusphere-egu2020-8501
  20. Rezaie F., Panahi M., Bateni S. M., Kim S. et al. Spatial modeling of geogenic indoor radon distribution in Chungcheongnamdo, South Korea using enhanced machine learning algorithms // Environment International. 2023. 171:107724. https://doi.org/10.1016/j.envint.2022.107724
  21. Timkova J., Fojtikova I., Pacherova P. Bagged neural network model for prediction of the mean indoor radon concentration in the municipalities in Czech Republic // Journal of Environmental Radioactivity. 2017. 166:398- 402. https://doi.org/10.1016/j.jenvrad.2016.07.008
  22. Torkar D., Zmazek B., Vaupotič J., Kobal I. Application of artificial neural networks in simulating radon levels in soil gas // Chemical Geology. 2010. 270(1-4):1-8. https://doi.org/10.1016/j.chemgeo.2009.09.017
  23. Tsapalov A., Kovler K., Miklyaev P. Open charcoal chamber method for mass measurements of radon exhalation rate from soil surface // Journal of Environmental Radioactivity. 2016. 160:28-35. https://doi.org/10.1016/j.jenvrad.2016.04.016
  24. UNSCEAR. Sources and effects of ionizing radiation. 2000. No. 1. https://www.unscear.org/unscear/en/publications/2000_1.html. Accessed 15 Apr 2022
  25. WHO Handbook on indoor radon. WHO Handbook on Indoor Radon: a public health perspective. Hajo Zeeb and Ferid Shannoun (eds), Geneva, WHO Press, 2009.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».