Экспериментальный анализ эффективности метода LS-SVM для сглаживания спектров, полученных с использованием малогабаритного сцинтилляционного детектора

Егор Мищенко; Александр Никитин; Евгения Солоненко

Егор Викторович Мищенко Институт радиобиологии Национальной академии наук Беларуси
Александр Николаевич Никитин Институт радиобиологии Национальной академии наук Беларуси
Евгения Викторовна Солоненко Институт радиобиологии Национальной академии наук Беларуси

Аннотация

Современные методы обработки спектрограмм гамма-излучения являются наиболее перспективными направлениями определения содержания радионуклидов в объектах окружающей среды. Особую проблему представляет задача выравнивания спектров при проведении измерений in situ из-за ограничений по времени набора и низкого отношения сигнал/шум. В настоящей работе приведена оценена эффективности использования метода регрессии на опорных векторах (LS-SVM) для сглаживания спектра, полученного с использованием сцинтилляционного NaI(Tl) детектора, в сравнении с методами скользящей средней и экспоненциального сглаживания. Оценка эффективности выравнивания спектра проводилась для всего энергетического диапазона измерения, а не только для области пика полного фотопоглощения квантов заданной энергии.

Для анализа применялись полусинтетические спектры γ-излучения заданной продолжительности, сформированные поканальным суммированием радомизированно отобранных реальных спектров с переводом в скорость счета.
Для оценки эффективности различных методов использованы полусинтетические спектры, сформированные для времени измерения 60, 300, 900, 1800, 3600, 7200 и 72000 с. Реальные спектры получены с использованием экспериментальной установки, состоящей из блока детектирования АТОМТЕХ, радионуклидного источника, компьютера со специализированным программным обеспечением и вспомогательных приспособлений. Выполненный анализ показал, что метод LS-SVM наиболее эффективен для сглаживания спектрограмм, полученных при времени измерения от 1·10³ до 7·10³ с. Отметим, что необходима раздельная оптимизация гиперпараметров модели сглаживания для трех частично перекрывающихся энергетических поддиапазонов. При более продолжительных измерениях применение испытанных методов сглаживания спектрограммы не приводит к снижению отношения сигнал/шум; при измерениях с коротким интервалом (до 100 с) наибольшей эффективностью обладает метод скользящей средней. Он позволяет повысить отношение сигнал / шум на 2–2,5 дБ. В диапазоне времени измерения 10²–10³ с наиболее сильное подавление статистического шума удается добиться с помощью экспоненциального сглаживания с α = 0,75.

Биографии авторов

Егор Викторович Мищенко, Институт радиобиологии Национальной академии наук Беларуси

научный сотрудник лаборатории радиоэкологии.

Александр Николаевич Никитин, Институт радиобиологии Национальной академии наук Беларуси

кандидат сельскохозяй- ственных наук, заместитель директора по научной работе.

Евгения Викторовна Солоненко, Институт радиобиологии Национальной академии наук Беларуси

научный сотрудник ла- боратории радиоэкологии.

Литература

Rouze G, Morgana C, McBratney A. Understanding the utility of aerial gamma radiometrics for mapping soil properties through proximal gamma surveys. Geoderma. 2017;289:185–195. DOI: 10.1016/j.geoderma.2016.12.004.
Maacha L, Jaffal M, Jarni A. A contribution of airborne magnetic, gamma ray spectrometric data in understanding the structure of the Central Jebilet Hercynian massif and implications for mining. Journal of African Earth Sciences. 2017;134:389–403. DOI: 10.1016/j. jafrearsci.2017.07.012.
Söderström M, Eriksson J. Gamma-ray spectrometry and geological maps as tools for cadmium risk assessment in arable soils. Geoderma. 2013;192:323–334. DOI: 10.1016/j.geoderma.2012.07.014.
Khan H, Chaudhry Z, Ismail MK. Assessment of Radionuclides, Trace Metals and Radionuclide Transfer from Soil to Food of Jhangar Valley (Pakistan) Using Gamma-Ray Spectrometry. Water Air Soil Pollution. 2010;213:353–362. DOI: 10.1007/s11270-010- 0390-4.
International atomic energy agency. Guidelines for Radioelement Mapping Using Gamma Ray Spectrometry Data, IAEA- TECDOC-1363. Vienna: IAEA; 2003. 184 p.
Blackburn JA. Statistical noise and spectral analysis. Nuclear Instruments and Methods. 1968;63(1):66–70. DOI: 10.1016/0029- 554X(68)90302-9.
Minty B, Hovgaard J. Spectral methods for reducing noise in gamma-ray spectrometry. ASEG Extended Abstracts. 2001;4:1–4. DOI: 10.1071/ASEG2001ab089.
Varley A, Tyler A, Smith L, Dale P & Davies M. Remediating radium contaminated legacy sites: Advances made through machine learning in routine monitoring of «hot» particles. Science of The Total Environment. 2015;521:270–279. DOI: 10.1016/j. scitotenv.2015.03.131.
Dragović S, Onjia A. Classification of soil samples according to their geographic origin using gamma-ray spectrometry and principal component analysis. Journal of Environmental Radioactivity. 2006;89(2):150–158. DOI: 10.1016/j.jenvrad.2006.05.002.
Zhu MH, Liu LG, Qi DX, You Z, Xu AA. Smoothing noisy spectroscopic data with many-knot spline method. Nuclear Instruments and Methods in Physics Research. 2008;589:484–486. DOI: 10.1016/j.nima.2008.03.008.
Tirosh S, Van De Ville D, Unser M. Polyharmonic smoothing splines and the multidimensional Wiener filtering of fractal-like signals. IEEE Trans Image Process. 2006;15 (9):2616–2630. DOI: 10.1109/tip.2006.877390.
Claeskens G, Carroll RJ. Automatic estimation of multivariate spectra via smoothing splines. Biometrika. 2007;94(2):335–345. DOI: 10.1093/biomet/asm022.
Fan CL, Pang MY. Reconstructing smooth curve from noise sampled data. Proceedings. The 2009 International Workshop on Information Security and Application (IWISA 2009). [Place unknown]: Academy Publisher; 2009. p. 218–222.
J. B. Lee, A. S. Woodyatt and M. Berman. Enhancement of high spectral resolution remote-sensing data by a noise-adjusted principal components transform. IEEE Transactions on Geoscience and Remote Sensing. 1990;28(3):295–304. DOI: 10.1109/36.54356.
Hovgaard J. A new processing technique for airborne gamma-ray spectrometer data (Noise adjusted singular value decomposition). Sixth topical meeting on Emergency Preparedness and Response. San Francisco: American Nuclear Society; 1997. p. 123–127.
Jiancheng S, Chongxun Z, Yatong Z. Nonlinear Noise Reduction of Chaotic Time Series Based on Multidimensional Recurrent LS-SVM. Neurocomputing. 2008;71(16–18):3675–3679. DOI: 10.1016/j.neucom.2008.02.006.
Zhang F, O’Donnell LJ. Support vector regression. Machine Learning. Academic Press. 2020;12:123–140. DOI: 10.1016/B978- 0-12-815739-8.00007-9.
Liu J, Guan X, et al. Airborne γ spectrum analysis based on LS-SVM segmented noise reduction method. Nuclear Electronics and Detection Technology. 2017;37(1):24–28.
Varley A, Tyler A, Dowdall M, Bondar Y, Zabrotski V. An in situ method for the high resolution mapping of 137Cs and estimation of vertical depth penetration in a highly contaminated environment. Science of the Total Environment. 2017;605–606:957–966. DOI: 10.1016/j.scitotenv.2017.06.067.
Kim J, Lim KT, Kim J, Kim C, Jeon B, Park K, Kim G. Quantitative analysis of NaI(Tl) gamma-ray spectrometry using an artificial neural network. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2019;944:162549. DOI: 10.1016/j.nima.2019.162549.
Ying C, Jun L, Lei C. Aeronautical γ spectrum noise reduction method based on LS-SVM segmentation regression. Journal of Physics. 2019;2:022141. DOI: 10.1088/1742-6596/1237/2/022141.