A Minute-Level Analysis Between Environmental Gamma Dose Rate and Precipitation
Notice bibliographique
Résumé
This study investigates the dynamic relationship between environmental gamma dose rate (GDR) and precipitation using minute-level observational data, which are critical for improving environmental radiation monitoring and early warning systems. Prior research has largely relied on hourly-averaged data, which tend to obscure rapid fluctuations during convective rainfall. To overcome this limitation, this study integrates high-temporal-resolution GDR measurements with spatiotemporal collocated precipitation records collected in Chiayi, Taiwan. An event-based dynamic response framework was applied to quantify the behavior of hundreds of rainfall events. To capture instantaneous responses, the time derivative of dose rate was analyzed, and advanced signal processing methods were combined with explainable artificial intelligence techniques. A LightGBM model was trained, and SHAP (Shapley Additive exPlanations) analysis was used to interpret feature importance across multiple scales. Results show that the instantaneous rate of change in GDR is tightly synchronized with rainfall intensity, while the total increase in GDR is more strongly correlated with cumulative rainfall than with peak intensity. The analysis further demonstrates a scale-dependent shift in dominant drivers: at the minute scale, rainfall and wind gusts are most influential, whereas at the six-hour scale, deep soil temperature and atmospheric pressure prevail. These findings highlight the value of minute-level data and advanced analytical methods for elucidating rainfall-radiation interactions and contribute to a framework for developing more accurate and physically grounded environmental radiation prediction models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».