Application of Bayesian machine learning for estimation of uncertainty in forecasted plume directions by atmospheric dispersion simulations

大気拡散シミュレーションを用いたプルーム方向の不確実性推定のためのベイジアン機械学習の適用

門脇 正尚   ; 永井 晴康  ; 吉田 敏哉*; 寺田 宏明   ; 都築 克紀  ; 澤 宏樹*

Kadowaki, Masanao; Nagai, Haruyasu; Yoshida, Toshiya*; Terada, Hiroaki; Tsuzuki, Katsunori; Sawa, Hiroki*

大気拡散シミュレーションにより原子力事故の緊急対応を支援する場合、予測結果と合わせて結果の不確実性を提供する必要がある。本研究では、予測結果のプルームの拡散方向の不確実性をベイズ機械学習に基づいて推定する手法を開発する。機械学習用のトレーニングデータおよびテストデータは、原子力施設からのセシウム137の仮想放出を考慮したシミュレーションを2015年から2020年の期間で毎日実行することで作成された。不確実性推定に対する本手法の有効性を調べたところ、36時間後の予測においても不確実性の予測可能性は50%を超えたことから、本手法の有効性が確認された。また、不確実性が大きいと判定されたプルームの拡散方向も、本手法によって極めて良好に予測された(予測期間において不確実性を妥当に判定しなかった割合は0.9%-7.9%)。一方で、本手法により不確実性が過大に予測された割合は最大で31.2%となったが、これは許容できると考えられる。これらの結果は、本研究で開発されたベイズ機械学習による不確実性推定の手法が、大気拡散シミュレーションによって予測されたプルームの方向の不確実性を効果的に推定していることを示している。

This study develops an estimation method using machine learning for uncertainty in forecasted plume directions. Bayesian machine learning was used in the machine learning approach. A three-day forecast simulation was conducted every day from 2015-2020, considering a hypothetical release of Cs from a nuclear facility to create training and test datasets for the machine learning. The findings reveal that the rate of good predictability was greater than 50% even in the forecast 36 h later when investigating the effectiveness of the Bayesian model on uncertainty estimation. Additionally, the frequency of miss prediction of higher uncertainty was low (0.9%-7.9%) throughout the forecast period. However, the rate of over-prediction of uncertainty increased with forecast time up to 31.2%, which is acceptable as a conservative estimation. These results show that the Bayesian model used in this study effectively estimates the uncertainty of plume directions predicted through atmospheric dispersion simulations.