沉积物粒度及其空间分布格局是解析海岸地貌演化的重要依据。然而，受潮汐条件、人工采样效率及空间覆盖能力限制，传统方法难以获取高分辨率、空间连续的沉积物数据，进而制约了沉积物输运方向与地貌动力过程的精细判读。围绕“沉积物特征参数空间连续化与输运方向高分辨率判读”这一核心问题，全重室研究团队构建了“无人机多源数据—机器学习反演—沉积动力分析”一体化技术体系，在沙滩与砾石海滩环境中开展了系统验证。

 

　　基于无人机获取的高分辨率地形、光谱与激光点云等多源数据，结合机器学习算法，实现了沉积物粒度参数、含水率及砾石形态参数的空间连续反演。在此基础上，将空间连续粒度参数引入Gao-Collins沉积物粒度趋势分析模型，显著提高了沙滩与砾石海滩沉积物输运方向判读的空间分辨率与可靠性，并有效降低了传统离散采样条件下存在的边界效应与信息失真问题。此外，基于质量守恒原理，提出了一种利用地表高程变化反演沉积物净输运方向的“高程方法”。该方法可独立推演沉积物输运趋势，并与粒度趋势分析结果形成交叉验证，为复杂海岸环境中的沉积动力判读提供了新的技术路径。

 

　　上述研究不仅建立了无人机驱动的海岸沉积物参数快速获取与输运分析方法体系，也拓展了机器学习与遥感技术在沉积动力学研究中的应用边界，为海岸侵蚀演化、海岸带保护及地貌动力过程研究提供了新的方法与认知参照。相关成果已经发表于Sedimentology（Using machine learning to analyse coastal sediment characteristics from unmanned aerial vehicle data: A case study of the Dasha sandy beach, China; doi: 10.1111/sed.70019）和Geological Society of America Bulletin（Quantifying gravel beach morphodynamics: UAV-based machine learning for determining texture and sediment transport; doi: 10.1130/B38895.1），全重室海洋地质专业博士研究生张阳为第一作者，贾建军研究员为通讯作者，国内合作作者包括李为华高级工程师、谭凯副研究员、汪亚平教授及研究生陈奇、宗羿冰和何方婷。