Predicción de la concentración de radón en el suelo aplicando técnicas de Machine Learning

Abstract

La concentración de radón en el suelo representa un riesgo radiológico significativo debido a su capacidad para infiltrarse en interiores y sus afecciones a la salud humana. Tradicionalmente, la medición de radón se ha realizado mediante diversos métodos como detectores de trazas nucleares, cámaras de ionización, espectrometría de centelleo líquido y monitores electrónicos de radón. En este estudio, exploramos la aplicación del machine learning para estimar la distribución espacial del radón en el suelo como un complemento a las mediciones experimentales in situ. Esta investigación tiene como objetivo principal desarrollar un modelo basado en redes neuronales artificiales para el mapeo de la concentración de radón en suelo del Valle del Cusco. Para esto se evaluó la distribución espacial de la concentración de radón en el suelo y su relación con factores geológicos y físicos. Se empleo un Sistema de Información Geográfica (SIG) para integrar datos de geología, geofísica y mediciones de radón. Los datos integrados incluyen variables de entrada (la litología, la proximidad a fallas geológicas, el tamaño de grano y la densidad aparente) y una variable de salida (los datos de mediciones activas de concentración de radón en suelo) estos se utilizaron para entrenar y validar el modelo de predicción. Se utilizaron dos métodos de validación, el error medio absoluto (MAE) y el error cuadrático medio (RMSE). Posterior a ellos se generó un mapeo de concentración de radón basado en las predicciones del modelo. Los resultados muestran que la concentración de radón en el suelo varía significativamente en el área de estudio.