Anwendung des Random Forest Algorithmus in der Radioökologie: eine Machbarkeitsstudie

Radioökologische Modellparameter, wie zum Beispiel der Transferfaktor (TF) Boden-Pflanze, der die Wurzelaufnahme von Radionukliden durch Pflanzen quantifiziert, werden meistens experimentell ermittelt. Sie sind in der Regel elementspezifisch und hängen von vielen physikalischen, biologischen und chemischen Prozessen ab. Ihre Werte können wegen der natürlichen Variabilität und unterschiedlicher experimenteller Bedingungen über mehrere Größenordnungen variieren. Da solche Modellparameter direkt in die radioökologischen Modelle für die Dosisermittlung der Bevölkerung und der belebten Umwelt einfließen, ist eine möglichst geringe Unsicherheit anzustreben.

Im Fachgebiet Radioökologie des BfS werden mechanistische Ansätze entwickelt, um empirische Modellparameter durch radioökologische Teilmodelle, welche die zugrundeliegenden Prozesse explizit berücksichtigen, zu ersetzen. Mechanistische Ansätze verringern zwar die Unsicherheit der Modellparameter, sind aber sehr anspruchsvoll und ihre Entwicklung erfordert einen erheblichen Aufwand.

Zielsetzung

Das BfS (Fachgebiet Radioökologie) untersucht und bewertet zurzeit im Rahmen einer Machbarkeitsstudie, inwieweit der Random Forest Ansatz als Alternative zur mechanistischen Analyse radioökologischer Modellparameter geeignet ist oder diese ergänzen kann. Langfristiges Ziel ist es, die oft extrem variierenden Parameterwerte aus tabellierten Zusammenstellungen in der Fachliteratur abzulösen.

Die Machbarkeitsstudie wird zudem im Hinblick auf zukünftige Anwendungen des Random Forest Algorithmus in der Radioökologie ausgewertet.

Durchführung

Ein Datensatz aus dem Jahr 2004 mit Transferfaktoren Boden-Pflanzen für Radiocäsium inklusive vieler Kovariablen wurde analysiert und für die Anwendung des Random Forest (RF) Algorithmus anhand der R Libraries ‚party‘, und ‚caret‘ vorbereitet.

Ein RF-prädiktives Modell wurde erstellt, das auf 10 Kovariablen basiert. Diese sind z. B. die taxonomische Familie, Pflanzenteil, Bodenart und die Konzentration des austauschbaren Kaliums im Boden. Die RF-Modellergebnisse wurden mit den Ergebnissen zweier (semi-)mechanistischer Modelle (Absalom et al., 2001; Tarsitano, Young and Crout, 2011) verglichen. Von den mehr als 3000 Einträgen im ursprünglichen Datensatz konnten nur etwa 1200 verwendet werden, da dies die größte vollständige Datenmenge mit der größten Anzahl an verfügbaren Kovariablen war.

Die Ergebnisse zeigen, dass das RF-prädiktive Modell die experimentellen Beobachtungen besser als die beiden mechanistischen Modelle abbilden kann, die auf vielen Annahmen und festen Parameterwerten beruhen. Die Modellleistung wurde anhand der Metriken „Root Mean Square Error“ und „Mean Absolute Error“ quantifiziert. Das RF-Modell konnte die Variabilität der Daten um bis zu 6 Größenordnungen reproduzieren. Die kategoriellen Kovariablen, v. a. Pflanzenfamilie und Pflanzenteil, haben einen größeren Einfluss als die numerischen Koprädiktoren, wie z. B. pH-Wert und die Konzentration des austauschbaren Kaliums im Boden.

Diese Machbarkeitsstudie zeigt, dass RF ein vielversprechendes Instrument ist, um Vorhersagemodelle für Transferfaktoren zu erhalten. Um ein breit anwendbares Vorhersagemodell zu erstellen, ist aber ein Datensatz notwendig, der mindestens tausende Einträge für Transferfaktoren und die wichtigsten Kovariablen enthält und einen großen Parameterraum betrachtet. Die kategoriellen Kovariablen sollten dabei mehr als 10 Einträge pro Kategorie haben.

Ein Manuskript ist in Vorbereitung, um die Analyse und die Ergebnisse in einem peer-review Journal zu veröffentlichen.

Literatur

Absalom, J. P., et al. Predicting the transfer of radiocaesium from organic soils to plants using soil characteristics. Journal of Environmental Radioactivity 52 (1) (2001): 31-43.

Tarsitano, D., S. D. Young, and N. M. J. Crout. Evaluating and reducing a model of radiocaesium soil-plant uptake. Journal of Environmental Radioactivity 102 (3) (2011): 262-269.