The Gangdise metallogenic belt has been a popular mineral mine since it was discovered due to its various types of mineral elements, such as copper, iron, zinc, molybdenum, silver, gold, and bismuth, attracting millions of researchers. Moreover, the possible copper output that has been indicated here has already reached 3,000,000 tons. The deposit here is a typical skarn type ore rich in garnet. The article mainly introduces how the minerals in Gangdise metallogenic belt is distributed and investigates how the Gangdise metallogenic belt is formed. Some hypotheses in this article refer to previous investigations in the Gangdise metallogenic belt. This paper concludes that the reasons for the formation of the major ore deposit in Gangdise metallogenic can be regarded as the movement of the Eurasian Plate and India Plate, which can also be defined as the main collision phase, though other geologic changes altered the distribution of the ore body later.

The autonomous driving community is highly interested in 3D occupancy prediction due to its outstanding geometric perception and object recognition capabilities. However, previous methods are limited to existing semantic conversion mechanisms for solving sparse ground truths problem, causing excessive computational demands and sub-optimal voxels representation. To tackle the above limitations, we propose OTOcc, a novel 3D occupancy prediction framework that models semantic conversion from 2D pixels to 3D voxels as Optimal Transport (OT) problem, offering accurate semantic mapping to adapt to sparse scenarios without attention or depth estimation. Specifically, the unit transportation cost between each demander (voxel) and supplier (pixel) pair is defined as the weighted occupancy prediction loss. Then, we utilize the Sinkhorn-Knopp Iteration to find the best mapping matrices with minimal transportation costs. To reduce the computational cost, we propose a block reading technique with multi-perspective feature representation, which also brings fine-grained scene understanding. Extensive experiments show that OTOcc not only has the competitive prediction performance but also has about more than 4.58% reduction in computational overhead compared to state-of-the-art methods.

ABSTRACT Accurate photometric redshift (photo-z) estimation requires support from multiband observational data. However, in the actual process of astronomical observations and data processing, some sources may have missing observational data in certain bands for various reasons. This could greatly affect the accuracy and reliability of photo-z estimation for these sources, and even render some estimation methods unusable. The same situation may exist for the upcoming Chinese Space Station Telescope (CSST). In this study, we employ a deep learning method called generative adversarial imputation networks (GAIN) to impute the missing photometric data in CSST, aiming to reduce the impact of data missing on photo-z estimation and improve estimation accuracy. Our results demonstrate that using the GAIN technique can effectively fill in the missing photometric data in CSST. Particularly, when the data missing rate is below 30 per cent, the imputation of photometric data exhibits high accuracy, with higher accuracy in the g, r, i, z, and y bands compared to the NUV and u bands. After filling in the missing values, the quality of photo-z estimation obtained by the widely used easy and accurate Zphot from Yale (eazy) software is notably enhanced. Evaluation metrics for assessing the quality of photo-z estimation, including the catastrophic outlier fraction (fout), the normalized median absolute deviation ($\rm {\sigma _{NMAD}}$), and the bias of photometric redshift (bias), all show some degree of improvement. Our research will help maximize the utilization of observational data and provide a new method for handling sample missing values for applications that require complete photometry data to produce results.

Abstract We present a catalogue of photometric redshifts for galaxies from DESI Legacy Imaging Surveys, which includes ∼0.18 billion sources covering 14,000 $\deg ^2$. The photometric redshifts, along with their uncertainties, are estimated through galaxy images in three optical bands (g, r and z) from DESI and two near-infrared bands (W1 and W2) from WISE using a Bayesian Neural Network (BNN). The training of BNN is performed by above images and their corresponding spectroscopic redshifts given in DESI Early Data Release (EDR). Our results show that categorizing galaxies into individual groups based on their inherent characteristics and estimating their photo-zs within their group separately can effectively improve the performance. Specifically, the galaxies are categorized into four distinct groups based on DESI’s target selection criteria: Bright Galaxy Sample (BGS), Luminous Red Galaxies (LRG), Emission Line Galaxies (ELG) and a group comprising the remaining sources, referred to as NON. As measured by outliers of |Δz| > 0.15(1 + ztrue), accuracy σNMAD and mean uncertainty $\overline{E}$ for BNN, we achieve low outlier percentage, high accuracy and low uncertainty: 0.14%, 0.018 and 0.0212 for BGS and 0.45%, 0.026 and 0.0293 for LRG respectively, surpassing results without categorization. However, the photo-zs for ELG cannot be reliably estimated, showing result of $>15~\%$, ∼0.1 and ∼0.1 irrespective of training strategy. On the other hand, NON sources can reach 1.9%, 0.039 and 0.0445 when a magnitude cut of z < 21.3 is applied. Our findings demonstrate that estimating photo-zs directly from galaxy images is significantly potential, and to achieve high-quality photo-z measurement for ongoing and future large-scale imaging survey, it is sensible to implement categorization of sources based on their characteristics.