Technical innovation and practice of intelligent geological mapping in the coverage area: a case study in the forest-swamp area
-
摘要:
截至目前，中国已经完成的1:5万区域地质填图工作主要分布于基岩裸露地区，很少涉及覆盖区。为了满足和适应新时代国家经济建设对地质调查工作的需求，未来中国地质填图工作必须向覆盖区推进。所以，利用机器学习与数据挖掘技术，按照地质填图的要求对海量多源异构地质数据融合与综合分析，是实现覆盖区智能化地质填图的关键环节。以浅覆盖森林沼泽区为例，充分利用航空磁测、土壤地球化学等结构化数据和遥感影像、地表地质等非结构化数据，开展聚类分析与人机交互深度学习2种算法模型的对比试验。结果表明，单一数据的聚类分析无法进行有效的地质单元划分，而利用多源数据进行人机交互深度学习和训练所获得的预测模型结果图件经检验与实际地质单元基本一致。本次试验，充分利用了机器学习功能和特殊算法，实现了计算机代替地质人员进行地质填图的探索，为森林沼泽区地质填图工作中设计地质图、工作部署和成果总结提供了示范案例，为覆盖区智能地质填图提供了借鉴。
Abstract:Presently, the 1:50000 geological mapping completed in China is mainly distributed in the bedrock-outcropped area, rarely involving the coverage area which accounts for more than one-third of the national land area.To meet and adapt to the needs of national economic construction for a geological survey in the new era, the geological mapping must be extended to the covered area in the future.Making full use of big data, cloud computing, artificial intelligence and other technologies, the fusion and comprehensive analysis of massive multi-source heterogeneous geological data according to the requirements of geological mapping by computer data extraction is the key to realize the intelligent geological mapping in coverage areas.The experiment was carried out in the shallow covered forest-swamp region.The structured data such as aeromagnetic surveys, soil geochemistry, and non-structural data such as remote sensing image and surface geological surveys were fully utilized to carry out the comparative experiment on two algorithm models of cluster analysis and human-computer interaction deep learning.The results show that the clustering analysis based on single data cannot effectively divide the geological units, and the prediction model obtained by human-computer interactive deep learning and training with multi source data is basically consistent with the actual geological units.The machine learning function and special algorithm were used in this experiment and realized the geological mapping exploration by computer instead of geological personnel.It provides a demonstration case for primary geological map, work layout and achievement integration of the geological mapping in forest-swamp area, and offers a reference for the intelligent geological mapping in the coverage area.
-
致谢: 感谢中国地质调查局发展研究中心李仰春研究员、西安地质调查中心李建星研究员等对本文提出的诸多建设性意见。
-
![]()
图 2 大数据平台数据管理方式示意图
Figure 2. Schematic diagram showing data management mode of big data platform
![]()
图 4 浅覆盖区望峰公社幅地质简图(据参考文献[46]修改)
Figure 4. Geological map of Wangfeng Commune Sheet in shallow coverage area
![]()
图 5 浅覆盖森林沼泽区智能地质填图工作流程
Figure 5. Flow chart of intelligent geological mapping inthe forest-swamp shallow coverage area
![]()
图 6 研究区不同类型地质点标记分布图
Figure 6. Distribution of different types of geological points in the study area
![]()
图 7 土壤地球化学分析中SiO2数据质量分析图解
Figure 7. Diagram of data quality analysis for SiO2 in soil geochemical analysis
![]()
图 8 研究区航磁数据分布(红色为正异常，蓝色为负异常)与质量分析图
Figure 8. Aeromagnetic data distribution and quality analysis in the study area
![]()
图 9 遥感影像资料类簇划分
a—类簇中心点的颜色显示；b—类簇分类结果统计；c—局部地区第0个类簇的分布；d—局部地区第2个类簇的分布
Figure 9. Classification of remote sensing images data clusters
![]()
图 10 遥感影像数据微地貌分析结果
a—研究区SPOT6遥感影像图；b—聚类分析的地貌特征；c—合并类簇的分布特征；d—合并类簇的地貌分布特征
Figure 10. Micro geomorphology analysis results of the remote sensing images
![]()
图 11 航磁数据不同类簇个数聚类分析结果
Figure 11. Cluster analysis results of the aeromagnetic data with different cluster numbers
![]()
图 12 土壤地球化学数据指标分组20个类簇聚类分析结果图
Figure 12. Clustering analysis results of 20 clusters grouped by soil geochemical data model
![]()
图 14 基于单一数据源聚类分析的地质填图成果
Figure 14. Geological mapping results based on the cluster analysis of single data source
![]()
图 15 人机交互的深度学习算法基本流程
Figure 15. Basic flowchart of deep learning algorithm for human-computer interaction
![]()
图 16 标签的选择与制定分析结果(岩性代号同图 4)
a—属性点空间分布图；b—搜索参数测试分析结果；c—地质样本点局部分布特征；d—模型标记空间
Figure 16. Analysis results of the label selection and formulation
![]()
图 17 所有属性点的模型预测结果(岩性代号同图 4)
Figure 17. Model prediction results of all attribute points
![]()
图 18 基于大数据深度学习的望峰公社幅地质图(岩性代号同图 4)
Figure 18. Geological map of Wangfeng Commune Sheet based on deep learning of big data
![]()
表 1 研究区不同位置覆盖层厚度
Table 1 Thickness statistics of the overburden at different location in the study area
类型 (近)山顶处/m 山坡处/m (近)山脚处/m 腐殖土层 0.05~0.15 0.15~0.2 0.2~0.5 坡积砂、砾、碎石、粘土层 ≥0.3~0.5 ≥0.5~1.25 ≥1.25~2.5 残积碎石层 ≥0.3~0.5 ≥0.3~1.5 ≥1.5~2.5 
下载: 导出CSV
表 2 望峰公社幅源数据
Table 2 Statistical list of source data of Wangfeng Commune Sheet
类别 序号 数据内容 数据格式 数据量 地质资料 1 地质路线 Excel表格 共计485条 2 地质剖面(含导线库、分层库、小结等信息) Excel表格 共20条 3 各类样品 Excel表格 硅酸盐稀土微量85件，薄片1236件、锆石U-Pb样品17件 遥感数据 4 SPOT6 影像资料 234/RGB 物探资料 5 1:5万航空磁测数据(原始数据) Excel表格 共93739个数据 6 1:2万地面高精度磁测(原始数据) Excel表格 共2124个数据 化探资料 7 1:5万土壤地球化学测量(原始数据) Excel表格 共2565个数据 8 1:2万土壤地球化学测量(原始数据) Excel表格 1913个数据(含重复样) 9 土壤及综合剖面的岩石样品数据 Excel表格 共274个数据
下载: 导出CSV
表 3 主要特征地球化学元素统计
Table 3 Statistical analysis result of the main characteristic geochemical elements
元素分类 元素 均值 标准差 最小值 25% 50% 75% 最大值 成规模成矿元素 Ag 0.17 0.18 0.02 0.07 0.11 0.18 3.33 As 6 2 1 4 6 7 44 Au 0.67 0.54 0.3 0.5 0.6 0.7 20.6 Bi 0.51 1.04 0.03 0.29 0.37 0.49 32.6 Mo 2.5 3.9 0.3 1.1 1.6 2.5 64.8 Ni 15 6 2 11 15 18 60 Pb 33 18 14 26 29 34 289 W 2.0 1.3 0.3 1.6 1.9 2.2 25.3 不成规模成矿元素 Cu 15 5 3 12 15 17 65 Hg 0.04 0.01 0.01 0.03 0.04 0.04 0.07 Mn 1215 772 54 658 1045 1571 8167 Sb 0.4 0.1 0.1 0.3 0.4 0.5 1.5 Sn 2.7 0.7 1.0 2.3 2.7 3.1 9.4 Zn 105 51 7 78 96 120 780 微量元素 La 32 13 3 26 29 34 212 Sr 241 104 57 168 223 285 1143 Th 10 3 2 8 9 11 40 U 2.8 1.8 0.5 2.1 2.5 2.9 57.1 Y 17 6 5 14 17 19 94 造岩元素 Al2O3 15 1 11 15 15 16 21 CaO 0.9 0.3 0.3 0.8 0.9 1.1 4.2 TFe2O3 4.6 1.0 0.6 4.0 4.5 5.1 15.1 K2O 1.9 1.0 0.1 1.0 2.3 2.8 4.4 MgO 1.9 1.0 0.1 1.0 1.5 2.9 4.6 Na2O 2.4 0.7 0.3 1.9 2.3 2.8 5.3 SiO2 65 3 50 64 65 67 74 注：25%，50%和75%分别代表 25百分位数、中位数和75百分位数
下载: 导出CSV
表 4 主要地球化学元素相关性分析
Table 4 Correlation analysis result of some geochemical elements
元素 As Co Cr Cu La Mn Nb Ni Pb Sb Sr Th Ti U V Zn Al2O3 CaO TFe2O3 K2O MgO Na2O SiO2 As 1.00 0.43 0.50 0.47 0.25 0.17 0.15 0.44 0.21 0.59 -0.31 0.30 0.26 0.17 0.57 0.24 0.30 -0.17 0.63 -0.09 0.06 -0.54 -0.39 Co 1.00 0.63 0.46 0.23 0.54 0.13 0.64 0.12 0.32 -0.03 0.23 0.44 0.07 0.61 0.25 0.24 0.24 0.71 0.02 -0.02 -0.41 -0.57 Cr 1.00 0.55 0.28 0.31 0.33 0.90 0.11 0.51 -0.31 0.32 0.54 0.12 0.71 0.31 0.21 0.06 0.60 -0.02 -0.01 -0.75 -0.50 Cu 1.00 0.46 0.22 0.08 0.52 0.28 0.41 -0.15 0.38 0.40 0.29 0.63 0.33 0.38 0.13 0.65 -0.15 0.11 -0.52 -0.56 La 1.00 0.17 0.06 0.26 0.21 0.15 -0.15 0.63 0.06 0.50 0.27 0.14 0.28 0.13 0.33 -0.04 0.03 -0.29 -0.44 Mn 1.00 0.27 0.36 0.19 0.31 -0.27 0.17 0.18 0.04 0.21 0.42 -0.08 -0.02 0.33 -0.05 0.05 -0.35 -0.22 Nb 1.00 0.27 0.13 0.37 -0.56 0.35 0.40 0.07 0.17 0.31 -0.15 -0.40 0.16 -0.12 0.12 -0.35 0.12 Ni 1.00 0.10 0.41 -0.22 0.33 0.39 0.09 0.59 0.31 0.30 0.16 0.61 0.06 -0.04 -0.62 -0.56 Pb 1.00 0.28 -0.16 0.17 0.04 0.12 0.12 0.60 0.09 -0.12 0.16 -0.07 0.06 -0.17 -0.18 Sb 1.00 -0.46 0.20 0.44 0.09 0.56 0.44 0.14 -0.33 0.53 -0.13 0.10 -0.63 -0.25 Sr 1.00 -0.37 -0.03 -0.14 -0.12 -0.26 0.17 0.60 -0.16 0.14 -0.11 0.64 -0.09 Th 1.00 -0.01 0.52 0.19 0.16 0.31 -0.07 0.32 -0.14 0.17 -0.33 -0.36 Ti 1.00 -0.02 0.78 0.30 0.09 0.08 0.60 0.00 -0.04 -0.38 -0.24 U 1.00 0.12 0.08 0.15 0.07 0.10 -0.08 0.07 -0.18 -0.25 V 1.00 0.29 0.38 0.12 0.89 0.01 -0.06 -0.61 -0.58 Zn 1.00 0.12 -0.11 0.36 -0.06 0.04 -0.33 -0.34 Al2O3 1.00 0.15 0.49 -0.01 0.05 -0.07 -0.66 CaO 1.00 0.12 0.02 0.01 0.30 -0.39 TFe2O3 1.00 -0.01 -0.03 -0.59 -0.73 K2O 1.00 -0.96 0.05 -0.02 Mgo 1.00 0.04 0.03 Na2O 1.00 0.33 SiO2 1.00
下载: 导出CSV
表 5 磁异常分布规律参数的统计描述、数学表述和意义
Table 5 Statistical description, mathematical expression and significance of magnetic anomaly distribution parameters
统计描述 数学表述 意义 均值 mean(X(n, m)) 强弱 极大值~极小值 max(X(n, m))~min(X(n, m)) 范围 极大值 max(X(n, m)) 极大值 正值个数/负值个数 number(plus(X(n, m)))/ number(negative(X(n, m))) 跳动幅度 峰度 kurtosis(X(n, m)) 数据陡缓程度 偏度 skewness(X(n, m)) 分布对称性
下载: 导出CSV
表 6 航磁数据特征属性的相关性分析结果
Table 6 Correlation analysis result of the aeromagnetic data characteristic attributes
属性 mean median min max var std skew diff bf mean 1.00 1.00 0.98 0.98 0.14 0.22 -0.17 0.22 0.00 median 1.00 0.98 0.98 0.14 0.22 -0.19 0.21 0.00 min 1.00 0.94 0.00 0.06 -0.15 0.05 -0.03 max 1.00 0.27 0.38 -0.14 0.38 0.01 var 1.00 0.82 0.01 0.82 0.09 std 1.00 0.00 0.99 0.12 skew 1.00 0.01 -0.07 diff 1.00 0.13 bf 1.00
下载: 导出CSV
表 7 土壤地球化学数据指标分组及其元素组合
Table 7 Model grouping and element combination of the soil geochemical data
指标 元素组合 指标一 K2O、MgO 指标二 Au、Hg、Mo 指标三 Bi、W 指标四 V、Y、U、Fe2O3、Na2O、SiO2 指标五 As、Co、Cr、Cu、La、Nb、Ni、Sb、Sn、Sr、Ti、Th、V、Y、U、Fe2O3、Na2O、SiO2 指标六 所有33种元素
下载: 导出CSV
-
自然资源部中国地质调查局. 区域地质调查技术要求(1: 50 000)[S]. 北京, 2019. 王涛, 张进, 黄河, 等. 前言[J]. 地质通报, 2017, 36(11): 文前. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20171101&flag=1 胡健民. 特殊地区地质填图工程概况[J]. 地质力学学报, 2016, 22(4): 803-808. doi: 10.3969/j.issn.1006-6616.2016.04.001 严光生, 薛群威, 肖克炎, 等. 地质调查大数据研究的主要问题分析[J]. 地质通报, 2015, 34(7): 1273-1279. doi: 10.3969/j.issn.1671-2552.2015.07.004 王翔, 李景朝, 陈辉, 等. 大数据与地质资料信息服务: 需求、产品、技术、共享[J]. 地质通报, 2015, 34(7): 1309-1315. doi: 10.3969/j.issn.1671-2552.2015.07.008 李超岭, 李健强, 张宏春, 等. 智能地质调查大数据应用体系架构与关键技术[J]. 地质通报, 2015, 34(7): 1288-1299. doi: 10.3969/j.issn.1671-2552.2015.07.006 陈建平, 李婧, 崔宁, 等. 大数据背景下地质云的构建与应用[J]. 地质通报, 2015, 34(7): 1260-1265. doi: 10.3969/j.issn.1671-2552.2015.07.002 黄少芳, 刘晓鸿. 地质大数据应用与地质信息化发展的思考[J]. 中国矿业, 2016, 25(8): 166-170. doi: 10.3969/j.issn.1004-4051.2016.08.035 吴冲龙, 刘刚, 张夏林, 等. 地质科学大数据及其利用的若干问题探讨[J]. 科学通报, 2016, 61(16): 1797-1807. https://www.cnki.com.cn/Article/CJFDTOTAL-KXTB201616011.htm 胡健民, 陈虹, 梁霞, 等. 特殊地区地质填图技术方法及应用成果[J]. 地质力学学报, 2017, 23(2): 181. https://www.cnki.com.cn/Article/CJFDTOTAL-DZLX201702001.htm Giri K J, Lone T A. Big Data - overview and challenges[J]. International Journal of Advanced Research in Computer Science and Software Engineering, 2014, 4(6): 525-529.
Gandomi A, Haider M. Beyond the hype: Big data concepts, methods, and analytics[J]. International Journal of Information Management, 2015, 35: 137-144. doi: 10.1016/j.ijinfomgt.2014.10.007
Sagiroglu S, Sinanc D. Big data: A review[C]//San Diego, CA: 2013.
郑啸, 李景朝, 王翔, 等. 大数据背景下的国家地质信息服务系统建设[J]. 地质通报, 2015, 34(7): 1316-1322. doi: 10.3969/j.issn.1671-2552.2015.07.009 李婧, 陈建平, 王翔. 地质大数据存储技术[J]. 地质通报, 2015, 34(8): 1589-1594. doi: 10.3969/j.issn.1671-2552.2015.08.018 赵亚楠, 李朝奎, 肖克炎, 等. 基于Hadoop的地质矿产大数据分布式存储方法[J]. 地质通报, 2019, 38(2/3): 462-470. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=2019020327&flag=1 吴冲龙, 刘刚. 大数据与地质学的未来发展[J]. 地质通报, 2019, 38(7): 1081-1088. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20190701&flag=1 Cheng Q, Oberhänsli R, Zhao M. A new international initiative for facilitating data-driven Earth science transformation[J]. Geological Society, London, Special Publications, 2020, 499: 10-1144.
陈应军, 严加永. 澳大利亚三维地质填图进展与实例[J]. 地质与勘探, 2014, 50(5): 884-892. https://www.cnki.com.cn/Article/CJFDTOTAL-DZKT201405008.htm 刘凤山, 胡道功. 欧美国家地质填图的理念、管理与战略[J]. 地质通报, 2009, 28(10): 1405-1410. doi: 10.3969/j.issn.1671-2552.2009.10.006 石宏仁. 澳大利亚新一代地质填图工作模式[J]. 中国地质, 1998, 25(1): 34-35. https://www.cnki.com.cn/Article/CJFDTOTAL-DIZI199801011.htm 张凡. 加拿大国家地质填图计划[J]. 国土资源情报, 2012, 137: 34-36. https://www.cnki.com.cn/Article/CJFDTOTAL-GTZQ201205011.htm 李仰春, 王永志, 陈圆圆, 等. 智绘地质———新一代智能化地质编图模式及应用[J]. 地质通报, 2020, 39(6): 861-870. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20200606&flag=1 胡道功, 刘凤山, 吴珍汉, 等. 欧美地质填图方法: 经验、试点与建议——以东昆仑造山带填图试验为例[M]. 北京: 地质出版社, 2013: 1-334. 李建星, Chen S, 毛晓长, 等. 中(西)澳地质填图对比及对中国地质填图的启示[J]. 地质通报, 2015, 34(12): 2143-2149. doi: 10.3969/j.issn.1671-2552.2015.12.001 张颖慧, Morelli R, 郭磊, 等. 中加基岩地质填图与三维地质建模合作交流经验与启示[J]. 地质通报, 2018, 37(2/3): 314-324. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=2018020311&flag=1 胡健民, 陈虹. 覆盖区区域地质填图指导思想与方法体系的创新与探索——特殊地质地貌区填图试点项目成果概述[J]. 地质力学学报, 2019, 25(5): 1001-1002. https://www.cnki.com.cn/Article/CJFDTOTAL-DZLX201905027.htm 吴冲龙, 刘刚. "玻璃地球"建设的现状、问题、趋势与对策[J]. 地质通报, 2015, 34(7): 1280-1287. doi: 10.3969/j.issn.1671-2552.2015.07.005 李丰丹, 李超岭, 吴亮, 等. 大数据环境下数字填图数据集成服务技术[J]. 地质通报, 2015, 34(7): 1300-1308. doi: 10.3969/j.issn.1671-2552.2015.07.007 张野, 李明超, 韩帅. 基于岩石图像深度学习的岩性自动识别与分类方法[J]. 岩石学报, 2018, 34(2): 333-342. https://www.cnki.com.cn/Article/CJFDTOTAL-YSXB201802010.htm 彭伟航, 白林, 商世为, 等. 基于改进InceptionV3模型的常见矿物智能识别[J]. 地质通报, 2019, 38(12): 2059-2066. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20191214&flag=1 鱼眼看矿业. 智能地质调查新进展: 探索"地质大脑+人工智能"新模式[Z]. 2018, https://www.tinymind.net.cn/news/cd8a05bd967423. 邓震, 孟贵祥, 汤贺军, 等. 浅覆盖区1: 5万基岩地质填图实践探索——以准噶尔北缘克什克涅绍喀尔(L45E009020)图幅为例[J]. 地球学报, 2019, 40(5): 651-660. https://www.cnki.com.cn/Article/CJFDTOTAL-DQXB201905002.htm 李超岭, 张克信, 于庆文, 等. 数字地质填图PRB粒度理论框架研究[J]. 地质通报, 2008, 27(7): 945-955. doi: 10.3969/j.issn.1671-2552.2008.07.003 李超岭, 于庆文, 杨东来, 等. PRB数字地质填图技术研究[J]. 地球科学, 2003(4): 377-383. doi: 10.3321/j.issn:1000-2383.2003.04.003 张克信, 孙赜, 于庆文, 等. 基于数字填图系统的遥感等数据在构造-地层分区和地层单位识别中的应用——以1: 25万民和县幅、临夏市幅和定西市幅数字地质填图为例[J]. 地质通报, 2008(7): 965-973. doi: 10.3969/j.issn.1671-2552.2008.07.005 周铸. 地质云1.0, 开启地质工作智能化模式[Z]. 2017. http://www.zgkyb.com/yuqing/20171110_45932.htm. 吕霞, 李健强, 龚爱华, 等. 基于云架构的中国地质调查信息网格平台关键技术研究与实现[J]. 地质通报, 2015, 34(7): 1323-1332. doi: 10.3969/j.issn.1671-2552.2015.07.010 中国地调局基础部. 智能地质调查[Z]. 2019. http://www.cgs.gov.cn/ddztt/jqthd/qgqdh/cgzsqd/201911/t20191105_497053.html. 朱江. 国家地质大数据共享平台全面升级"地质云2.0"宣布上线服务[Z]. 2018, http://www.cgs.gov.cn/xwl/ddyw/201810/t20181019_469431.html. Wu X, Zhu X, Wu G, et al. Data mining with big data[J]. IEEE Transactions on Knowledge and Data Engineering, 2014, 26(1): 97-107. doi: 10.1109/TKDE.2013.109
Katal A, Wazid M, Goudar R H. Big data: Issues, challenges, tools and Good practices[C]//Noida, 2013.
刘智慧, 张泉灵. 大数据技术研究综述[J]. 浙江大学学报(工学版), 2014, 48(6): 957-972. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDZC201406001.htm Labrinidis A, Jagadish H V. Challenges and Opportunities with Big Data[J]. Proceedings of the VLDB Endowment, 2012, 12(5): 2032-2033.
Han J, Kamber M. 数据挖掘概念与技术[M]. 北京: 机械工业出版社, 2007: 1-488. 王东明, 田世攀, 张昱, 等. 森林－沼泽浅覆盖区地质填图方法试验——以黑龙江1: 5万望峰公社幅为例[J]. 地质通报, 2021, 40(5): 782-797. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20210513&flag=1 Feng Z Q, Liu Y J, Liu B Q, et al. Timing and nature of the Xinlin-Xiguitu Ocean: constraints from ophiolitic gabbros in the northern Great Xing'an Range, eastern Central Asian Orogenic Belt[J]. International Journal of Earth Science, 2016, 105: 491-505. doi: 10.1007/s00531-015-1185-z
吴福元, 孙德有. 东北地区显生宙花岗岩的成因与地壳增生[J]. 岩石学报, 1999, 15(2): 181-189. https://www.cnki.com.cn/Article/CJFDTOTAL-YSXB902.003.htm 郝立波, 陆继龙, 马力. 浅覆盖区土壤化学成分与基岩化学成分的关系及其意义——以大兴安岭北部地区为例[J]. 中国地质, 2005, 32(3): 139-144. doi: 10.3969/j.issn.1006-9372.2005.03.043 郝立波, 陆继龙, 李龙, 等. 区域化探数据在浅覆盖区地质填图中的应用方法研究[J]. 中国地质, 2007, 34(4): 710-715. doi: 10.3969/j.issn.1000-3657.2007.04.022 何鹏, 滕学建, 刘洋, 等. 遥感解译在内蒙古狼山戈壁荒漠地区1: 50 000地质填图中的应用[J]. 地质力学学报, 2016, 22(4): 882-892. doi: 10.3969/j.issn.1006-6616.2016.04.007 辜平阳, 陈锐明, 胡健民, 等. 高山峡谷区1: 50 000填图方法指南[M]. 北京: 科学出版社, 2018: 1-136. 山克强, 潘明, 林宇. 无人机航空遥感地质解译在岩石地层单元识别中的应用——以1: 50 000西南岩溶区填图试点为例[J]. 地质力学学报, 2016, 22(4): 933-942. doi: 10.3969/j.issn.1006-6616.2016.04.011 房立民, 杨振升, 李勤, 等. 变质岩区1: 5万区域地质填图方法指南[M]. 武汉: 中国地质大学出版社, 1991. 高秉璋, 洪大卫, 郑基俭, 等. 花岗岩类区1: 5万区域地质填图方法指南[M]. 武汉: 中国地质大学出版社, 1991. 魏家庸, 卢重明, 徐怀艾, 等. 沉积岩区1: 5万区域地质填图方法指南[M]. 武汉: 中国地质大学出版社, 1991. 陈志. 1: 5万区调地质填图新方法介绍[J]. 西北地质, 1996, (1): 49-55. https://www.cnki.com.cn/Article/CJFDTOTAL-XBDI601.009.htm 王涛, 计文化, 胡健民, 等. 专题地质填图及有关问题讨论[J]. 地质通报, 2016, 35(5): 633-641. doi: 10.3969/j.issn.1671-2552.2016.05.001 王国灿, 陈超, 胡健民, 等. 戈壁荒漠覆盖区1: 50 000填图方法指南[M]. 北京: 科学出版社, 2018: 1-240. 李朝柱, 傅建利, 王书兵, 等. 黄土覆盖区1: 50 000填图方法指南[M]. 北京: 科学出版社, 2020: 1-104. 罗照华, 苏尚国, 刘翠. 结构可控的地质解释——侵入岩专题地质填图构想[J]. 地质通报, 2017, 36(11): 2012-2029. doi: 10.3969/j.issn.1671-2552.2017.11.011 潘峰, 李向民, 校培喜, 等. 海相火山岩区地质填图方法——以北祁连山东段白银矿田古火山机构厘定为例[J]. 地质通报, 2017, 36(11): 2045-2053. doi: 10.3969/j.issn.1671-2552.2017.11.014 闫臻, 王宗起, 付长垒, 等. 混杂岩基本特征与专题地质填图[J]. 地质通报, 2018, 37(2/3): 167-191. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=2018020301&flag=1 张进, 曲军峰, 张庆龙, 等. 基岩区构造地质填图方法思考、实践、探索[J]. 地质通报, 2018, 37(2/3): 192-221. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=2018020302&flag=1 毛晓长, 王根厚, 梁晓, 等. 增生杂岩带1: 5万地质填图的实践与探索: 以西藏羌塘中部角木日地区为例[J]. 地学前缘, 2015, 22(3): 382-393. https://www.cnki.com.cn/Article/CJFDTOTAL-DXQY201503036.htm 卢占武, 李文辉, 张新彦, 等. 用于专题地质填图的地球物理技术——短周期密集台阵[J]. 地质通报, 2021, 40(1): 1-12. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20210101&flag=1 赵汀, 王安建, 刘超. 基于国情调查大数据的矿产资源保障程度动态分析系统设计与实现[J]. 地质通报, 2020, 39(2/3): 400-405. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=2020020320&flag=1
计量
- 文章访问数: 3084
- HTML全文浏览量: 355
- PDF下载量: 1745
