Post-processing of results from a particle dispersion model by employing kernel density estimation

I strålskyddsberedskapen ingår spridningsmodellen Pello framför allt för att beskriva transport av radioaktiva partiklar efter en kärnvapendetonation, Pello är implementerad i beslutstödssystemet ARGOS via Matchskalet hos SMHI. Pello är en partikelspridningsmodell som innebär att en stor mängd modellpartiklar släpps ut för att representera en källa, dessa sprids därefter med de advekterande vindarna och späds av turbulens. För att visualisera resultatet räknas partiklarna traditionellt in i gridboxar, boxcounting, och koncentrationsfält beräknas och visualiseras på en karta. Databehandling kan göras på många olika sätt, varav boxcounting är en metod, för olika syften. I den här rapporten har vi undersökt om kernel density estimators (KDE) istället kan användas för att databehandla resultaten från partikelspridningsmodellen Pello. Databehandlingsmetoder fördelar om massan från varje partikel till dess omgivning. Fördelen med KDE:er är att denna omfördelning kan göras med större urskiljning, vilket gör att såväl brus som överutslätning av modellresultat kan reduceras. I rapporten presenteras några olika alternativa metoder för att beräkna KDE:er. Två metoder "Integrerad turbulens" respektive "Partitionsvarierande bandbredd" används sedan för att databehandla resultat från en och samma körning med Pello (ett Fukushima Daiichi-scenario). De databehandlade resultaten, både depositionsfält och luftkoncentrationsfält, jämförs sedan visuellt såväl som statistiskt (medelkvadratfel). Givet ett fixt antal partiklar genererar KDE-metoderna resultat som är bättre (såväl reducerat brus som överutslätning) än boxcountingmetoden. Vi visar även att KDEmetoderna kan minska mängden partiklar som behöver släppas ut för att generera resultat av viss given kvalitet: KDE metoden kan generera likvärdiga resultat som boxcounting fast med färre partiklar. Resultaten tyder på att antalet partiklar kan minskas med åtminstone en storleksordning. En minskning av antalet partiklar leder i sin tur till en tidsvinst då simuleringstiden är beroende av antalet partiklar i körningen.