基于梯度提升决策树模型的Sentinel-1图像浅海水深反演

利用合成孔径雷达(Synthetic Aperture Radar, SAR)反演浅海水深在海洋遥感中极具挑战性。本文采用梯度提升决策树(Gradient Boosting Decision Tree, GBDT)为核心的机器学习算法, 使用Sentinel-1、全球水深数据、风场和流场数据来反演杭州湾和长江口南缘相连的浅海区域的水深。首先分析反演的最佳风速和迭代次数, 再对0~10 m、10~20 m、20~30 m、30~40 m、40~50 m的分段水深和0~10 m、0~20 m、0~30 m、0~40 m、0~50 m的总体水深用相关系数、均方根误差和平均绝对误差进行精度评价, 最后分析反演水深的空间分布特征。结果表明: 反演的最佳风速约为3.78 m/s, 并且GBDT模型达到最佳精度时的迭代次数远小于其他模型, 最佳迭代次数为4。分段水深中, 40 m以内的相关系数都高于0.8, 其中以10~20 m的相关系数最高, 为0.9; 40~50 m则最低, 为0.73。40~50 m的平均绝对误差和均方根误差均为最大, 分别为1.89 m和2.24 m, 20~30 m的平均绝对误差和均方根误差均为最小, 分别为0.75 m和0.96 m。在总体水深中, 虽然随水深区间的扩大, 相关系数会逐渐增加, 但是平均绝对误差和均方根误差的精度都随水深区间的扩大而下降, 且在0~50 m区间内的平均绝对误差和均方根误差最大, 分别为1.06 m和1.59 m, 因此反演的最佳区间为0~40 m。该区域的水深从杭州湾海岸线开始由浅及深阶梯增加, 反演结果能够较好的表现研究区内的实际水深分布情况, 比较符合当前区域的水下地形特征。     

南京云台山黄铁矿的勘查史及所带来的启迪

云台山黄铁矿是江苏唯一的大型黄铁矿，矿区勘查经历了勘查-认识-再勘查-再认识至发现矿床的曲折过程，从中反映出基础地质与综合研究在矿床勘查中的重要地位。云台山黄铁矿说明了在现今的矿床勘查中必须重视和加强基础地质和综合研究这两方面的工作。基础工作是找矿取得突破的基本保证，综合研究可进一步掌握客观地质规律、指导地质勘查及提高工作成效。