核化危害源項反演技術現(xiàn)狀及研究展望

韓朝帥，諸雪征，顧 進，蔣金利，吳 杰，周 薔

（1. 陸軍防化學院 指揮系，北京 102205；2. 軍事科學院 防化研究院，北京 102205）

隨著國際形勢和世界格局的發(fā)展演變，我國主要戰(zhàn)略方向面臨的戰(zhàn)場核化安全形勢變得更加嚴峻。戰(zhàn)爭中遭受核化武器襲擊的現(xiàn)實威脅依然存在，使用常規(guī)武器精確打擊我核化設施造成“類核化戰(zhàn)爭效應”也難以避免，核化危害擴散、泄漏、污染、殺傷的可能性極大存在，作戰(zhàn)部隊在遂行跨域機動、兵力投送、戰(zhàn)線推進、攻防戰(zhàn)斗等作戰(zhàn)行動中，核化威脅也必將始終貫穿全程。

源項是指釋放物質的種類、數(shù)量和位置等信息，其復雜性和不確定性是導致核化危害難以預測的重要原因［1］。源項反演是指通過對各種不同來源、不同誤差信息、不同時空分辨率的觀測資料進行逆向反推，進而確定危害源項信息的過程。源項反演技術作為核化危害擴散預測的反問題，是國家核生化安全和國防安全領域的重要基礎性課題，對有效緩解和遏制危害源、精準預測危害物的時空傳輸和擴散情況、精確化提供防化保障輔助決策意義重大。

本文立足核化危害源項反演技術，從應用平臺和關鍵算法兩個方面，對國內(nèi)外核化危害源項反演技術的現(xiàn)狀進行了綜述，并分析了該領域國內(nèi)外研究的差距及下一步研究的重點。

1 國外核化危害源項反演研究現(xiàn)狀

1.1 應用平臺

20世紀90年代至今，隨著相關基礎學科的發(fā)展，反演技術與微氣象場數(shù)值分析、復雜地形污染物擴散模擬、虛擬環(huán)境仿真等不斷融合完善，美國、英國、荷蘭、瑞典等多個國家都先后建立了包含泄漏源項模型、風場模型和擴散模型的綜合應急反應系統(tǒng)，有多種評估軟件系統(tǒng)（如表1所示）在國際上得到了廣泛的商業(yè)推廣應用，具備成熟的產(chǎn)業(yè)化程度，其中最具代表性的有HGSYSTEM系統(tǒng)、NARAC系統(tǒng)和TRACE系統(tǒng)等。

美國能源部（DOE）資助開發(fā)的HGSYSTEM系統(tǒng)［2］主要包括熱力學模型、逸出模型、煙羽噴流模型、重氣擴散模型、遠距離擴散模型等多個模型，可評估氣體、液體的擴散或包括多元混合物的兩相釋放，用于氣體逸出擴散、閃蒸擴散、蒸發(fā)池擴散、重氣擴散、純擴散及伴有化學反應的UF6氣體擴散。美國國家大氣釋放咨詢中心（LLNL）研制的NARAC系統(tǒng)［3］能夠模擬復雜的流場、詳盡的顆粒擴散、多種空間尺度上的干濕沉降過程，包括局部及地區(qū)級氣象預測、擴散模型和核爆沉降模型，可模擬分析復雜環(huán)境下的核化危害泄漏和釋放。TRACE系統(tǒng)［4］可以處理多種類型化學危害顆粒及液滴的釋放、轉移和擴散，包括瞬時、連續(xù)、瞬變流、地水平面、抬升釋放以及低或高動量射流等。

另外，英國的NAME系統(tǒng)［5］通過跟蹤流體粒子的三維軌跡并采用蒙特卡羅方法計算空氣濃度，模擬污染物中長期的傳遞和沉積，可以對瞬時或連續(xù)時間空氣濃度進行反演和預測，包括放射性同位素的濃度、沉積量及劑量率。荷蘭應用科學研究院（TNO）開發(fā)的決策支持系統(tǒng)GASMAL［6］將計算速度、圖形顯示以及數(shù)據(jù)庫信息結合在一起，增強了對于化學事故應急處置至關重要的快速決策，以確保應急反應的時效性。

表1 國外核化危害應急反應系統(tǒng)

1.2 關鍵算法

1.2.1 基于歐拉方法的源項估計

大多數(shù)源項反演算法都采用歐拉方法，通過求得差異函數(shù)最小化來獲得源項信息，如最優(yōu)插值法、遺傳算法、卡爾曼濾波法、集合卡爾曼濾波法、變分同化法等［7-11］（如圖1所示）。

在算法原理上，歐拉方法通常要么依賴于選擇試驗解的統(tǒng)計方法，要么應用伴隨模型從觀察時間向后計算到釋放時間，兩種方法都可能包括迭代優(yōu)化求解［12-14］。在貝葉斯公式和卡爾曼濾波中，隨機抽樣用于生成源信息，然后將其用作同化模型的輸入［15-17］。隨后的濃度輸出和濃度觀測之間的差異可用于確定這些初始估計的可能性，所有似然估計計算產(chǎn)生源信息的概率密度函數(shù)都可用于優(yōu)化程序，以獲得源位置的迭代改進估計［18-21］。美國猶他大學機械工程系自動機器控制實驗室的BOURNE等［22］提出了一種基于非參數(shù)貝葉斯公式的羽流源項估計和源搜索運動規(guī)劃算法，在傳統(tǒng)算法的基礎上，將生物啟發(fā)算法、多機器人算法、狀態(tài)概率算法以及基于地圖的算法等綜合集成，利用多個機器人之間的協(xié)調(diào)和羽流估計模型來實現(xiàn)更快、更穩(wěn)健的污染源位置確定和源強估計，已在裝有氣體濃度傳感器的移動機器人設計中使用。

在伴隨模型的基礎上，變分同化法逐漸應用到源項反演中，并在研究過程中開展了大量實驗和應用。最具代表性的是以BOCQUET為首的研究團隊［23］，該團隊陸續(xù)用數(shù)值模擬實驗、風洞實驗與歐洲大氣擴散實驗的數(shù)據(jù)證實了變分數(shù)據(jù)同化在核事故源項反演問題上的有效性，之后又對切爾諾貝利與福島核事故的釋放源項進行了估計與研究。ZEMPILA等［24-25］曾將四維變分法應用于常規(guī)污染物源解析研究中，并在福島核事故后發(fā)表了基于變分同化的源項反演結果，利用堆芯積存量、有限壓力與溫度數(shù)據(jù)、觀測到的爆炸與排煙時刻以及劑量率監(jiān)測數(shù)據(jù)，對釋放源項進行了詳細的時序預估，并將其作為變分源項反演的背景場。但該背景場對放射性物質的釋放有所高估，從而成為最終釋放總量估計結果偏高的重要原因之一。

此外，還有其他歐拉方法不需要伴隨模型或貝葉斯公式，如模擬退火算法、洗牌復形算法等［26-27］。這些方法通過迭代調(diào)整源信息驅動的同化預測，從分散模型直接獲得源信息，以匹配觀測到的危害濃度值，進而求出最優(yōu)的源項信息。

圖1 基于歐拉方法的源項反演算法

1.2.2 基于拉格朗日方法的源項估計

源項反演算法的第二大類是拉格朗日方法，但并未像歐拉方法那樣被廣泛研究應用。拉格朗日方法屬于實體回溯的范疇，即將實體的狀態(tài)回溯到其原始狀態(tài)，這種方法類似于目標跟蹤問題［24］。傳統(tǒng)的拉格朗日回溯法是通過單個流體包裹時間分析實現(xiàn)來源的回溯［25，28-29］，該方法對風場和污染物濃度數(shù)據(jù)的要求往往過高，無法用于源項估計問題。此外，反向流必須收斂，以便準確地將流體追蹤回其來源，或者流體必須能在時間上演化，以便多個軌跡在源位置交叉［30］。

在傳統(tǒng)拉格朗日包裹回溯法基礎上，一些學者從多源反演、多尺度反演角度對其進行了擴展改進，提出了拉格朗日實體回溯、拉格朗日粒子模型等方法。美國賓夕法尼亞州立大學的ALLEN等［31-34］在污染物傳輸和擴散領域開展了一系列研究，針對不確定污染源數(shù)量及釋放重疊復雜問題，融入湍流和實體擴散對多源濃度場的影響作用，提出一種基于拉格朗日狀態(tài)估計的多實體場近似確定方法（MEFA），實現(xiàn)多種瞬時釋放或持續(xù)釋放污染源的位置定位。其不足之處是并未考慮建筑物、地形等復雜下墊面對污染物擴散的影響。

希臘的STOHL等［35］采用RODOS軟件中的拉格朗日粒子模型，基于數(shù)值模擬實驗與場地示蹤實驗數(shù)據(jù)進行源項反演研究，初步實現(xiàn)了利用劑量率數(shù)據(jù)對核事故釋放源項的反演。其后，為了強化RODOS對核事故后果的預測與評價能力，又開展了基于卡爾曼濾波法的“場外核事故應急數(shù)據(jù)同化”項目［36］。可惜的是，由于實際核事故情況過于復雜，實驗結果與實際相差較大，因而沒有一直進行下去［37］。BADY等［38］根據(jù)計算流體動力學基本原理進行拉格朗日粒子模型逆建模，旨在利用直接反演技術確定城市空氣污染源位置。

1.2.3 基于深度學習的源項估計

深度學習的提出給源項反演提供了新的思路，該方法不需要對源項和觀測值之間的數(shù)學關系進行探究，只需對足夠多的訓練數(shù)據(jù)進行學習，即可高速快捷地進行預測和反演，深度學習組織映射關系如圖2所示，圖中X1，X2……Xd表示輸入的觀測數(shù)據(jù)，m1表示數(shù)據(jù)的處理過程，m2表示反演得到的源項信息）。BOUGOUDIS等［39］提出了一種基于混合機器學習的三重智能集成系統(tǒng)（HISYCOL），該系統(tǒng)通過集群數(shù)據(jù)集和無監(jiān)督機器學習，實現(xiàn)了數(shù)據(jù)向量的聚類跟蹤和隱藏知識挖掘，在處理高污染物濃度下的相關性分析、源項反演中效果顯著。荷蘭特溫特大學的DETERS等［40］針對城市顆粒物污染擴散問題，提出了一種基于6 a氣象和PM2.5污染數(shù)據(jù)的機器學習反演方法，通過測試分析表明，強風或強降水下，該方法反演精度要好于穩(wěn)定氣象下的反演精度，原因在于穩(wěn)定氣象下，PM2.5污染擴散受下墊面的影響遠大于極端環(huán)境下。法國索邦大學的BRAJARD等［41］針對觀測數(shù)據(jù)中噪聲影響較大、污染預測模型精度不高的問題，提出了一種基于卡爾曼濾波和神經(jīng)網(wǎng)絡相結合的混合數(shù)據(jù)同化方法，并通過洛倫茲-96模型進行數(shù)值實驗分析。實驗對比發(fā)現(xiàn)，相較卡爾曼濾波法，混合方法不僅在計算時間上縮短了兩倍，且隨著觀測噪聲的增加，能夠保證反演和預測精度的平穩(wěn)下降。

圖2 深度學習組織映射關系示例

2 國內(nèi)核化危害源項反演研究現(xiàn)狀

2.1 應用平臺

國內(nèi)對核化危害源項反演的研究始于20世紀90年代，目前仍處于中試階段，尚未達到產(chǎn)業(yè)化應用程度。原化工部勞動保護研究所對工業(yè)有毒物質的事故性泄漏進行了研究總結，建立了事故性泄漏模式及泄漏源反演模型［42］。北京城市危險源控制技術研究中心自1997年成立以來，一直將危害物質泄漏仿真技術研究作為其主攻方向之一，不斷進行泄漏擴散、反演和風洞模擬實驗研究，先后完成了“重要有毒物質泄漏擴散模型及監(jiān)控技術研究”和“毒物泄漏源項反演模型研究”等課題［43］。中國輻射防護研究院的胡二邦等［44-47］先后完成秦山、連云港、福建惠安等核電廠事故應急實時評價系統(tǒng)的研制，組織開展了大量的SF6示蹤實驗和分析，源項反演作為其中的核心技術組成，可在獲取傳感器數(shù)據(jù)后對源項進行估計，為核電廠環(huán)境評價和應急處置提供了科學依據(jù)。公安部消防局組織研發(fā)了化學災害事故處置輔助決策系統(tǒng)，很多企業(yè)、工業(yè)園區(qū)和政府部門也對危險化學品的生產(chǎn)、使用、儲運開發(fā)了針對性較強的危險化學品泄漏點反演、擴散及應急救援系統(tǒng)［48-50］。軍隊研制開發(fā)了基于RODOS平臺的核應急行動與決策平臺［51］、突發(fā)核生化事件危害預測與評估軟件系統(tǒng)［52-53］，源項反演作為其中的核心功能模塊，能夠較快地實現(xiàn)污染源位置和強度的估計。

2.2 關鍵算法

在核化危害源項反演算法方面，國內(nèi)相對國外起步較晚，但隨著交叉學科和環(huán)境工程領域的快速發(fā)展，在擴散模式、數(shù)據(jù)同化、正則化等方面開展了大量研究，形成了一系列研究成果。

2.2.1 基于歐拉方法的源項估計

山東理工大學的李功勝等［54］在《擴散模型的源項反演及其應用》一書中對不同邊界條件下擴散模型的連續(xù)源項及源項系數(shù)反問題進行了系統(tǒng)研究，從反演的存在性、唯一性、穩(wěn)定性等角度，提出了基于不動點法、變分伴隨、改進吉洪諾夫正則化的最佳攝動量算法，并結合具體案例對數(shù)據(jù)獲取、模型構建、參數(shù)反演、問題解決等進行了實例分析。

西北核技術研究所的唐秀歡等［55］將集合卡爾曼濾波和高斯多煙囪擴散相結合，構建了非線性源項釋放量的計算流程，并通過模擬仿真對集合成員數(shù)、初始值和擾動值進行了優(yōu)化，分析了這些參數(shù)對反演結果的影響，驗證了方法的可行性，但該文并未將優(yōu)化后的模型應用到實驗或實際數(shù)據(jù)反演中，準確性和穩(wěn)定性有待驗證。

清華大學的劉蘊等［56］引入四維變分代價函數(shù)梯度，從時間序列角度對地面和煙囪兩種釋放源項進行定量估計，并通過風洞實驗和RIMPUFF系統(tǒng)數(shù)值模擬進行對比，對水平擴散參數(shù)和垂直擴散參數(shù)變化曲線進行偏差分析，驗證方法的準確性和收斂性，具有一定的借鑒意義，但該文對伴隨模式和切線性算子的計算缺少依據(jù)，在風場構建、擴散模型適用性及通過風洞實驗改進算法精度上有待進一步加強。2019年，他們采用截斷總體最小二乘變分法對擴散預測算子與觀測值的誤差進行了正則化修正，降低了反演算法的誤差，較基本的四維變分算法準確性有所提高［57］。

哈爾濱工業(yè)大學的楊浩等［58］構建了基于貝葉斯方法的源項反演算法，該算法采用時間序列法和馬氏鏈蒙特卡羅后驗法對各點位的污染物濃度數(shù)據(jù)進行采集，通過經(jīng)驗知識和監(jiān)測數(shù)據(jù)實現(xiàn)了反演參數(shù)、污染物濃度分布的概率表征，并結合實驗數(shù)據(jù)得到了貝葉斯溯源中關鍵參數(shù)的推薦值。該方法對先驗知識和歷史數(shù)據(jù)要求較高，戰(zhàn)場或應急環(huán)境下很難獲取足夠的經(jīng)驗數(shù)據(jù)，故基于貝葉斯方法的源項反演不適于核化環(huán)境下的污染源反演。

北京工業(yè)大學的沈澤亞等［59］以高斯擴散模型和誤差平方作為反算模型和優(yōu)化函數(shù)，以美國1956年在內(nèi)布拉斯加州中北部奧尼爾鎮(zhèn)開展的SO2外場實驗為例，分別采用粒子群-單純形、遺傳-單純形、遺傳-粒子群3種混合算法對穩(wěn)定、中性和不穩(wěn)定氣象條件下的擴散模擬、源強位置反算進行驗證，評判3種算法在反算結果、反算時間、優(yōu)化機理等方面的準確性、穩(wěn)定性和時效性，得出不同算法在不同場景不同需求下的適用性，但在擴散系數(shù)的確定上描述模糊，有待進一步驗證。此外，徐向軍等［60］、寧莎莎［61］、章穎等［62］分別采用遺傳算法、混合遺傳算法、遺傳模擬退火算法對核輻射源項參數(shù)進行了反演尋優(yōu)。

2.2.2 基于拉格朗日方法的源項估計

同濟大學的鄭茂輝等［63］運用地理信息系統(tǒng)與計算流體動力學（CFD）的相關原理和方法，建立了一個街區(qū)尺度毒氣擴散過程的高分辨率模擬框架模型，探討了街區(qū)尺度下的下墊面建模、流動參數(shù)的表達和毒氣擴散過程模擬等相關技術，并利用地理信息技術、CFD模擬技術和可視化技術對重質毒氣在建筑擾動下的擴散過程與源項反演進行了模擬。

清華大學的趙全來等［64］針對“預測-應對”模式難以高時效提供準確預判、不適于非常規(guī)突發(fā)事件的現(xiàn)狀，并考慮當前參數(shù)估計法存在的不足和困難，提出了“情景-應對”式重大核突發(fā)事故源項反演方法，通過構建簡單風場下和復雜風場下的源項情景庫，以情景比對的方式實現(xiàn)事故源項的快速反演，具有重要的現(xiàn)實意義。

陸軍防化學院的GU等［65］針對戰(zhàn)場化學危害溯源需求，從定性和定量兩個維度對戰(zhàn)場化學危害源項反演的信源數(shù)據(jù)、影響因素、基礎模型、優(yōu)化算法進行了系統(tǒng)研究，并采用數(shù)值仿真和示蹤實驗的方式進行了對比驗證。結果表明：在連續(xù)和瞬時釋放模式下源強誤差均在3%以內(nèi)，并且對監(jiān)測值進行25%的誤差擴大后源強誤差依然維持在5%以內(nèi)，具有較好的穩(wěn)定性；同時證明了信源數(shù)量和分布情況對反演結果的影響，即信源數(shù)量越多、越靠近風向中心線，反演精度就越高。

西北核技術研究院的田自寧等［66］針對γ譜儀無法給出輻射源大概位置和源邊界信息的問題，提出了一種基于虛擬源的體源模擬方法，該方法將放射體源分解成衰減層-放射層-衰減層-干擾層4層理論模型，采用虛擬點源來模擬放射層，并通過蒙特卡洛法和最小二乘法求取誤差最小值。目前該方法已應用到均勻分布的核素識別中，對分析污染區(qū)域的深度和分布以及反解核彈頭惰層厚度等具有重要意義。

2.2.3 基于深度學習的源項估計

國內(nèi)關于深度學習在源項估計中的應用研究仍處于基礎研究階段。南京航空航天大學的凌永生等［67］將反演過程作為黑盒子考慮，以InterRAS軟件系統(tǒng)對福島核事故部分數(shù)據(jù)預測生成的8 352組實驗數(shù)據(jù)為訓練數(shù)據(jù)和測試數(shù)據(jù)，采用Matlab軟件神經(jīng)網(wǎng)絡工具箱中的Newff函數(shù)、Sim函數(shù)、Traingdm函數(shù)和Trainlm函數(shù)進行學習訓練，通過對訓練時間、均方誤差、訓練誤差等指標進行權衡分析，得到適用于簡單非線性核事故源項反演的最優(yōu)隱含節(jié)點數(shù)、訓練函數(shù)及反向傳播（BP）隱含層。2016年，該團隊進一步深化了BP神經(jīng)網(wǎng)絡，將其應用到多核素源項反演中，構建了基于動量BP的I-131、Cs-137、Xe-133、Kr-85等4種核素的反演模型，用201 600組數(shù)據(jù)進行了學習訓練和反演測試，結果表明，機器學習對數(shù)據(jù)比較分散的核素反演結果誤差較小，對數(shù)據(jù)相對集中的核素反演誤差較大，訓練數(shù)據(jù)的選取對反演結果影響較大［68］。該項研究的不足是僅對單、雙、三層隱含層結構進行對比實驗分析，而對多隱含層、多核素的復雜非線性問題和深度神經(jīng)網(wǎng)絡的學習缺少研究。

此外，屈坤等［69］和朱晏民等［70］分別將人工神經(jīng)網(wǎng)絡（ANNs）和R語言神經(jīng)網(wǎng)絡應用到大氣污染預測中，構建了基于深度學習的統(tǒng)計預測方法體系和反演模型，但缺少具體的訓練和測試實驗。

3 國內(nèi)外差距及發(fā)展重點分析

綜上可知，無論是國內(nèi)還是國外，核化危害源項反演的研究都己頗具規(guī)模。從應用平臺角度分析，美國、英國、荷蘭等一些國家都開發(fā)了相對成熟的反演和擴散預測平臺，我國現(xiàn)有平臺基本仍以國外模式為基礎進行二次開發(fā)。從反演算法角度分析，不管是歐拉原理、拉格朗日原理，還是深度學習，各個方法都逐漸呈現(xiàn)集成融合的態(tài)勢。

3.1 國內(nèi)外差距分析

3.1.1 反演精度和穩(wěn)定性有待提高

造成反演誤差的原因主要有3個：初值誤差、擴散模式誤差和同化算法誤差。從降低反演誤差、提高精度的角度對比，國外的HGSYSTEM，NARAC，SAFER等成熟產(chǎn)品，在實際應用得到了檢驗和完善，國內(nèi)目前只有一些用于科研的原理樣機，測試數(shù)據(jù)的來源和數(shù)量過于單薄，反演誤差的可信性和穩(wěn)定性都有待進一步提升。

3.1.2 戰(zhàn)時核化危害研究和應用較少

國外不僅在民用、非戰(zhàn)領域開展了大量研究，在戰(zhàn)時核化危害預測和反演方面也進行了很多實驗和應用。與此相比，國內(nèi)雖然開展了很多研究和實踐，但是更多的是非戰(zhàn)和民用領域，對于源項反演技術在戰(zhàn)場環(huán)境下的運用以及在核化襲擊過程中如何快速溯源的研究較少，沒有形成涵蓋不同任務背景的核化危害源項反演技術的研究體系。

3.1.3 基礎實驗和樣本數(shù)據(jù)嚴重匱乏

經(jīng)過長期的研究探索，國外在核化危害預測和反演領域開展了大量的外場實驗，為其開展新的方法、技術和產(chǎn)品研究提供了豐富的數(shù)據(jù)資源。相比而言，受《禁止核武器條約》和《禁止化學武器公約》約束，我國在核化防護研究中嚴重缺乏外場實驗數(shù)據(jù)支撐，數(shù)據(jù)資源主要來自于風洞實驗、示蹤劑實驗和國外公開實驗數(shù)據(jù)，導致產(chǎn)品在真實環(huán)境下的穩(wěn)定性和精確性大幅下降。

3.2 下一步發(fā)展重點

3.2.1 利用深度學習提高反演精度和速率將成為新的研究熱點

相比傳統(tǒng)反演方法，深度學習對提高核化危害反演精度和速率的優(yōu)勢十分明顯，為源項反演帶來了新的研究思路。但是，深度學習對訓練樣本和計算性能要求較高，在復雜反演樣本的學習上難度較大，基本仍處于初級研究階段［71］。基于深度學習與四維變分、集合卡爾曼濾波相結合的反演算法，必然會成為解決復雜環(huán)境核化危害反演問題的重要手段。

3.2.2 從單污染源到多污染源的拓展將成為新的研究重點

由該領域的研究現(xiàn)狀可知，國內(nèi)外相關學者主要聚焦于單點源連續(xù)或瞬時釋放反演，在多污染源源項反演方面研究很少，美國個別研究機構開展了實驗研究，國內(nèi)仍處于數(shù)學推導階段。然而，實戰(zhàn)環(huán)境下，不可能存在單點源污染情況，多污染源連續(xù)、瞬時乃至混合釋放的反演研究對于危害預測與防護決策的意義更為重大。因此，開展多污染源的源項反演將是下一步實戰(zhàn)化應用的研究重點。

3.2.3 定性與定量混合反演將成為技術落地的研究難點

當前我軍戰(zhàn)場環(huán)境下各類防化偵察監(jiān)測裝備獲取的信息種類多樣且格式不一，監(jiān)測到的數(shù)據(jù)多是基于靈敏度報警的定性化數(shù)據(jù)，量化監(jiān)測數(shù)據(jù)的采集和獲取手段相對較少，同時戰(zhàn)場上污染物種類、危害源強、襲擊方式、氣象場等信息的獲取有很多不確定性，反演結果的誤差很難保證。因此，提出適用于戰(zhàn)場環(huán)境的定性和定量混合反演技術，是亟待研究解決的難點。

另外，監(jiān)測設備的科學布設對降低冗余干擾、提高反演精度意義重大，但是可借鑒的研究相對較少，急需開展基于單位強度不同位置的單源和多源實驗［72］、基于單位間隔移動的單源和多源組合型綜合實驗［73］等基礎性工作，通過源-受體之間約束特征的分析與識別來實現(xiàn)布設點的優(yōu)化。該研究方向也是需要加強攻克的關鍵基礎環(huán)節(jié)。

4 結語

本文從源項反演應用平臺和源項反演關鍵算法（包括歐拉方法、拉格朗日方法、深度學習等）兩個方面，對國內(nèi)外核化危害源項反演技術的現(xiàn)狀和二者間的差距進行了總結與分析。對比發(fā)現(xiàn)，目前國內(nèi)主要存在反演精度和穩(wěn)定性有待提高、戰(zhàn)時核化危害研究和應用較少、基礎實驗和樣本數(shù)據(jù)嚴重匱乏等3個方面的不足，下一步應重點從利用深度學習提高反演精度和速率、從單污染源到多污染源的拓展、定性與定量混合反演3個方面加強基礎性研究工作。