基于TPE⁃SVM模型和SHAP解释的闪锌矿微量元素特征识别铅锌矿床类型

TPE⁃SVM Model and SHAP Analysis to Identify Pb⁃Zn Deposit Types Based on Sphalerite Trace Elements

摘要

为了解闪锌矿微量元素特征对不同成因矿床类型是否能够进行有效判别，系统收集了全球典型的沉积喷流型（SEDEX）、密西西比河谷型（MVT）、火山块状硫化物型（VMS）、矽卡岩型（skarn）和浅成低温热液型（epithermal）铅锌矿床中3 117条闪锌矿的12种微量元素含量数据（Mn、Fe、Co、Cu、Ga、Ge、Ag、Cd、In、Sn、Sb、Pb），使用基于Tree-structured Parzen Estimator（TPE）优化的支持向量机机器学习算法建立了闪锌矿微量元素分类模型，并使用SHAP（SHapley Additive exPlanations）方法进行特征重要性分析.结果表明，经优化的TPE-SVM模型在测试集上展现出优异的分类能力，准确率、召回率和F1值均超过0.97.通过SHAP解释发现闪锌矿中Mn、Ge、Co为矿床成因类型判别三大关键元素.本文建立的闪锌矿微量元素判别指标体系，不仅为矿床成因鉴定提供了新的技术手段，更可为复合成矿系统解析、隐伏矿体预测等复杂地质问题提供创新解决方案.

Abstract

This study demonstrates the efficacy of machine learning algorithms in classifying genetic types of Pb-Zn deposits through trace elements in sphalerite. It compiled a comprehensive trace element dataset comprising 3 117 sphalerite samples from 109 globally representative Pb-Zn deposits including MVT, VMS, SEDEX, skarn, and epithermal deposits. Twelve trace elements（Mn, Fe, Co, Cu, Ga, Ge, Ag, Cd, In, Sn, Sb, Pb）were systematically analyzed to develop a Tree-structured Parzen Estimator（TPE）-optimized Support Vector Machine（SVM）classification model. The model demonstrated exceptional discriminative performance on test datasets, achieving accuracy, recall, and F1-score values exceeding 0.97. SHAP（SHapley Additive exPlanations）interpretability analysis revealed Mn, Ge, and Co as critical discriminators among deposit types, providing quantitative insights into elemental controls on genetic classification. The discriminant index system of trace elements in sphalerite established in this paper not only provides a new technical means for the identification of ore genesis, but also provides innovative solutions for complex geological problems such as the analysis of composite metallogenic system and the prediction of concealed ore bodies.

Graphical abstract

关键词

闪锌矿 / 微量元素 / 机器学习 / TPE优化算法 / SHAP算法 / 矿床地质.

Key words

sphalerite / trace elements / machine learning / TPE optimization algorithm / SHAP algorithm / ore deposits

0 引言

铅锌矿产资源在现代工业和经济发展中具有重要的战略意义（杨荣林，2018；董赛娜等，2024）.准确判别铅锌矿床类型不仅有助于提高探矿勘查效率、降低成本，而且对地下矿体的精准预测至关重要.从传统地质研究的角度来看，铅锌矿床类型的判别需要综合地质和地球化学资料，包括矿体形态、矿石结构、蚀变类型、成矿流体性质和金属来源等（Li et al.， 2023）.当地质证据不足时，确定铅锌矿床类型在探矿初期往往存在一定难度，此外，铅锌矿床在类型划分上也存在固有局限，如成矿物质来源、流体演化不确定等（Zhang et al.， 2015；Li et al.， 2023）.因此找矿勘查地质工作者一直期待着一种简便、有效的方法来确定铅锌矿床类型.

近年来矿物地球化学特征（闪锌矿、磁铁矿、磷灰石、绿泥石等）在找矿勘探中得到了广泛应用（陈钧渝等，2023；侯霖莉等，2024）.闪锌矿是铅锌矿床中普遍存在的硫化物之一，可以容纳大量的微量元素（如 Ga、In、Ge、Cd、Fe、Mn 和 Co 等），因此其元素特征可间接反映铅锌矿床的成矿信息（Reich et al.， 2013；金露英等，2015），如成矿流体来源、成矿温度、金属来源、氧逸度和成矿机制等（Cook et al.， 2009；Keith et al.， 2014；Bauer et al.， 2019）.众多学者基于闪锌矿微量元素含量或比值，开展了判别矿床成因类型分类方法的尝试（Wei et al.， 2021a；陈钧渝等，2023）.然而，以往的研究更多地侧重闪锌矿中有利用潜力的元素，由于闪锌矿中元素含量与矿床成因类型之间的关系并不唯一，存在多种可能的解释（Cook et al.， 2009），且不同研究者或地区可采用不同的元素和比值作为判别标准，缺乏统一且广泛接受的分类方法，使得基于单一或少数几个元素的判别方法不具备足够的可靠性，此外，当多个成矿事件发生在同一个矿床中，这种多阶段的成矿过程会导致闪锌矿内出现元素分带现象（Cook et al.， 2009），使得微量元素的含量和比值无法简单地与单一成因类型相对应.

然而，人工智能与大数据时代的到来为资源勘探、地质灾害预测、矿床类型划分等地质领域带来了前所未有的机遇.借助不断积累的地球化学数据、遥感影像等地质信息，人工智能基于多种算法对这些数据的处理、提取、分类及深度挖掘能力，展现出在矿床类型判别和成矿预测中的巨大潜力.例如，前人通过磁铁矿地球化学数据，构建了能有效区分不同成因类型矿床的随机森林（RF）预测模型（Bédard et al.， 2022）；Wang et al.（2021）采用支持向量机（SVM）算法和石英地球化学数据构建了较传统标绘方法具有更高维度和精度的石英结晶环境图解；Qiu et al.（2024）基于磷灰石微量元素数据利用多种算法进行了矿床类型判别； Sihombing et al. （2024） 首次提出将空间邻接信息融入图神经网络进行矿化预测，在不平衡的铜、铁、锡矿床数据集上实现了高灵敏度与泛化能力的提升；Dong and Zhang（2024）对比了多层深度森林（Deep Forest）与传统机器学习模型，构建了一个兼具高精度和可解释性的区域级斑岩铜矿化潜力预测框架，识别出断层密度、岩脉距离和重力异常等关键预测因子；Cai et al.（2024）应用迁移学习识别常见矿床类型中的金属矿物显微图像，并评估了识别的准确性.机器学习模型已表明利用闪锌矿化学成分区分不同成因矿床类型的可行性（Sun and Zhou， 2022；Li et al.， 2023）.然而，尽管已有研究在矿床类型判别方面取得了较高的整体准确率（Li et al.， 2023；Tan et al.， 2024），这些模型通常侧重于全局性能指标，对微量元素与不同矿床类型之间潜在的非线性、多维关联机制的揭示不足，尤其在复杂或样本不平衡条件下容易导致特定类型识别性能下降.此外，现有模型在特征选择、类别区分能力以及对微量元素地球化学指示意义的解释性方面仍存在局限，仍有较大的优化空间.

基于此，本文提出将TPE优化方法引入SVM的超参数调节，不仅能够自动优化参数组合，提高整体判别准确率，同时通过SHAP方法实现对模型关键特征的解释，明确各微量元素在矿床类型判别中的具体贡献.这一方法既弥补了传统方法主观性较强、标准化不足和难以捕捉复杂非线性关系的短板，也为推动矿物地球化学特征在资源勘查与快速评价中的应用，实现更精准、客观的矿床类型判别，为未来相关研究提供理论和实践参考.

1 数据与方法

1.1　闪锌矿微量元素数据集

本文收集了世界范围内102个矿床的3 117条发表在国内外期刊上的闪锌矿LA⁃ICP⁃MS 微量元素数据（见附表A1），涵盖了主要Pb⁃Zn矿床类型，包括SEDEX（澳大利亚Hilton矿床）、MVT（伊朗Angouran矿床）、VMS（加拿大Eskay Creek矿床）、矽卡岩型（中国黄沙坪矿床）和浅成低温热液型矿床（美国Carlisle mine矿床、中国斯弄多矿床）.这些矿床的位置如图1所示.每条闪锌矿数据均包含了12种元素（Mn、Fe、Co、Cu、Ga、Ge、Ag、Cd、In、Sn、Sb、Pb），这些元素涵盖了几乎所有可能影响矿床类型判别的微量元素（Sun and Zhou， 2022；Li et al.， 2023；董赛娜等，2024）.大多数闪锌矿微量元素数据使用MASS⁃1进行校准，部分数据使用了STDGL 2b 2和STDGL 3.

1.2　总体框架

（1）整理了世界上102个不同铅锌矿床的

3 117个闪锌矿微量元素的综合数据集，涵盖了12种元素（Mn、Fe、Co、Cu、Ga、Ge、Ag、Cd、In、Sn、Sb、Pb）和5种最重要的原生铅锌矿床类型，即SEDEX、 MVT、VMS、矽卡岩型和浅成低温热液型矿床，并对数据进行预处理，包括缺失值处理、异常值处理、数据标准化和划分不同样本集（图2）.

（2）通过TPE优化算法优化支持向量机（SVM）中的超参数，建立了TPE⁃SVM预测模型，并使用统计分析方法、混淆矩阵和ROC曲线评估模型的性能.

（3）应用SHAP方法（Lundberg and Lee， 2017）对模型进行特征重要性解释分析，解释了闪锌矿中微量元素与铅锌矿床类型之间的联系.

（4）利用富乐铅锌矿床闪锌矿的微量元素数据来评估TPE⁃SVM模型的适用性.

1.3　数据预处理

由于本文的数据来源广泛，涵盖了全球不同地区、不同成因类型铅锌矿床中闪锌矿的微量元素数据，在建立模型之前，本研究对闪锌矿数据集进行了以下预处理.

（1）缺失值处理：由于数据来自不同的研究论文，其测试目的不同和检测元素不同，引起每组数据的缺失值不同.因此，需要对这些数据进行筛选和缺失值补全.首先，从数据集中剔除缺失比例大于40%的元素，因为数据大量缺失会影响模型的稳定性和预测能力.经过筛选，最终保留了12个缺失比例较低的元素（Cd、Mn、Ag、Cu、Pb、Sn、Ga、In、Sb、Co、Ge和Fe），这些元素在闪锌矿的元素置换过程中普遍发生（Cook et al.， 2009），不仅在已发表的研究中频繁被分析（Li et al.， 2023； Tan et al.， 2024；董赛娜等，2024），而且在地球化学研究中具有较高的代表性和分析价值，因此被保留用于后续建模分析.对于保留元素中存在的缺失值采用k最近邻法（KNN）进行补全，使用scikit⁃learn中的KNNImputer函数实现.该方法通过测量样本间的空间距离，识别与缺失样本相似的k个邻近样本，并利用这些邻居的平均值来估算缺失点的数值（董赛娜等，2024）.

（2）异常值检测与处理：异常值检测和处理是许多科学研究数据预处理的关键步骤，尤其是机器学习和统计学领域.异常值的处理应根据研究的性质和目的谨慎决定是否删除、替换或保留离群值.盲目地删除异常值可能会导致重要信息的丢失，甚至可能产生偏倚，因为异常值有时会突出数据中的重要部分或错误（Aggarwal， 2016）.如果不正确处理，异常值可能会扭曲模型参数，并对模型的性能产生不利影响.常见的异常值处理方法包括Z分数法、改进Z分数法和IQR法（四分位距法），三者均适用于中等样本量.Z分数法基于正态分布假设，在处理偏态数据（尤其是右尾拖长的数据）时鲁棒性不足，容易漏检高值异常值或误判正常值.对于尾部极重的分布，IQR法的经验性阈值设定可能不够合理，同样存在将边缘值误判为异常值的风险（Tan et al.， 2024）.相比之下，改进 Z分数法对偏态分布具有更强的鲁棒性，能更可靠地识别长尾分布中的高值异常值，且其阈值更具普适性.因此，本文采用改进Z分数法识别异常值，并将Z分数大于3.5的样本判定为异常样本.

（3）数据标准化：微量元素数据通常存在量纲和取值范围差异较大，且常常呈现右偏分布（侯霖莉等，2024）.为了有效缓解这种偏态及量纲差异，需对数据进行适当的数学变换.常见的方法有Z⁃score标准化、Min⁃Max归一化、鲁棒标准化和对数转换，对数转换适用于呈现正偏分布或跨度较大的数据，不仅可以缩小不同元素之间的量纲差距，还能够使数据分布更加符合正态分布.因此本文采用如下对数变换：log₁₀1p（X）=log₁₀（X+1），X表示元素含量值，单位为10^-6，将经对数转化后的数据进行统计分析（图3），结果显示对数转换消除了数据中不同元素间量级差异和元素偏峰分布的情况，所有元素更加趋于服从正态分布，这有利于后期模型建立及分析.

（4）数据分割：经过异常值检测与处理后，将

3 054条符合标准的数据集（包含12种闪锌矿微量元素：Cd、Mn、Ag、Cu 、Pb、Sn、Ga、In、Sb、Co、Ge和Fe），按照每一类矿床的原始比例进行分层采样，将样本集细分为训练集（80%）和测试集（20%），从附表A1可知，不同矿床类型的样本数量是不平衡的，其中MVT、浅成低温热液型矿床的样本数量最多，为减轻不同矿床类型总体规模的自然异质性所引起的样本不平衡的影响，本文通过剔除MVT和浅成低温热液型矿床的部分训练集样本（分别随机剔除其中大样本量矿床的部分数据，数据删减比例为40%，删减情况见附表A2），进而减轻类别不平衡的影响，经处理后的训练集用于训练TPE⁃SVM分类模型，测试集用来评估模型的性能.

2 TPE⁃SVM分类预测模型建立

2.1　模型构建

TPE⁃SVM预测模型的思想是首先使用TPE优化算法，在给定搜索范围的基础上，寻找到最优解.然后根据TPE寻找的最优超参数来配置SVM分类器并进行训练，最后进行分类预测.算法流程如图4所示.

SVM模型调参的具体步骤如图5，根据SVM 模型的需求，确定需要优化的超参数及其搜索空间.对于SVM，我们主要优化以下4个关键超参数：惩罚系数C、核函数类型（RBF和Poly）、RBF函数参数g、Poly函数核d.当设置大范围的参数搜索空间时，TPE需进行大量的迭代，有可能会过于集中在某些已探索的区域，而忽略了其他潜在有利的区域，也有可能会过度拟合到某些局部最优解（查雯婷等，2022；魏寅孔等，2023），为了确保TPE能够搜寻到最优的超参数组合，本文综合前人基于矿物地球化学特征构建的SVM分类器参数配置以及TPE搜索迭代的多次尝试（董赛娜等，2024；Tan et al.， 2024），将C和g的搜索范围降低至log（100）~log（1 000）.核函数类型为‘RBF’和‘Poly’，由TPE进行二选一的优化，如果选择了Poly核函数，则加入Poly函数核d.

为了评估每组超参数组合的性能，我们定义了目标函数func，它接受一组超参数作为输入，使用这些超参数在训练数据上训练SVM模型，然后在测试数据上进行预测并计算准确率.由于fmin函数默认最小化目标函数，因此返回负的准确率以作为目标值进行优化.使用TPE算法的fmin函数进行优化，完成优化后，TPE返回最佳的超参数组合，包括C、核函数类型和g.优化后得到惩罚系数C为6.662 9，核函数类型为RBF，核参数g为0.378 1.

2.2　模型评价指标

为了评估模型性能，采用了一套统计学指标，包括混淆矩阵、准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1⁃score）和受试者工作特征（ROC）曲线，如图6所示.这些指标用于全面衡量分类器的表现.F1分数是精确度和召回率的调和平均，提供了对模型整体性能的平衡评估.F1分数较高表明模型在精确识别正样本和负样本方面都表现出色；ROC曲线展示了不同阈值下真阳性率（召回率）与假阳性率的变化，提供了分类器在不同决策阈值下的表现（黄鑫怀等，2023）.ROC曲线下面积（area under the ROC curve， AUC）的值始终在0~1，一个可靠的模型的AUC值应该高于0.5，较高的AUC值意味着模型的整体分类性能较好.这些统计指标共同提供了对模型在不同方面的评估，有助于全面理解模型的优缺点.

3 结果分析

3.1　模型预测及评价

经过预处理后，选取5种不同矿床类型共614个样本作为测试样本（具体包括220个MVT、62个SEDEX、180个浅成低温热液型、76个VMS和76个矽卡岩型样本），剩余数据作为训练集对TPE⁃SVM模型进行训练，测试集用于评估模型的性能和泛化能力.图7显示了SVM模型的学习曲线，可以看出测试集的结果随着样本量的增加而变化，当样本数增加到1 900以上时，精度曲线收敛在0.98附近，训练集训练得分均为1，但测试集得分随着训练样本的增加在不断提升，泛化性能逐渐变好，且产生的方差也较小，因此不存在过拟合或者欠拟合的问题.

TPE⁃SVM模型的混淆矩阵显示（图8），模型的整体分类性能出色，MVT样本没有错误，3个VMS样本、1个SEDEX样本、4个浅成低温热液型样本和5个矽卡岩型样本被错误分类.混淆矩阵中分类错误可分为两类：一类为MVT和SEDEX样本识别错误，另一类为VMS、矽卡岩型和浅成低温热液型样本识别错误.由于SEDEX和MVT矿床成矿流体的温度和成分（Li et al.， 2023）相似，因此SEDEX样本被错误分类为MVT.而VMS、矽卡岩型、浅成低温热液型矿床都与岩浆活动有关，因此矽卡岩型样本被错误划分为浅成低温热液型.

表1是测试分类模型综合性能的各项指标，包括了精确度、召回率和F1分数.由表1可知，MVT样本的准确率、召回率和F1值均达到了1；模型对SEDEX、浅成低温热液型和矽卡岩型样本的分类准确率、召回率和F1值均达到了0.97以上.相较之下，前人模型存在明显局限：Sun and Zhou（2022）构建的DT和RF模型对浅成低温热液型矿床识别性能较差（各项评价指标均低于0.85）；Li et al.（2023）构建的RF模型对VMS和矽卡岩型矿床的识别性能较差；Tan et al.（2024）构建的复合模型对SEDEX、VMS矿床的识别效果不佳，除MVT的召回率为0.96外，整体的指标均未超过0.90.因此，本文构建的模型在识别性能上具有更好的效果，对矿床类型划分具有更好的说服性.

通过ROC曲线进一步证实了模型分类性能的评估（图9）.MVT、浅成低温热液型、矽卡岩型、SEDEX和VMS的曲线下面积（AUC）值都达到理论最大值1，证实了所构建模型的稳健分类性能.

3.2　特征重要性分析

SHAP模型是一种先进的解释机器学习模型的工具（Lundberg and Lee， 2017），它基于博弈论中的Shapley值概念，为每个特征分配一个贡献值，帮助我们理解模型是如何得出某个预测结果的.SHAP模型的主要目标是提供对复杂机器学习模型（如随机森林、XGBoost、深度神经网络等）输出结果的透明解释，通过特征重要性分析，可以根据各特征在预测目标变量中的影响程度为其分配重要性得分，从而有效增强模型的可解释性（Nathwani et al.， 2022）.本文采用SHAP算法，对模型中的12个特征进行重要性分析，进一步揭示它们在模型分类目标中的判别作用.

基于闪锌矿微量元素的SHAP解释如图10a所示，其中Mn的绝对SHAP值最高，表明其对矿床类型划分的贡献最大；Ge和Co的绝对SHAP值次之；Sb、Ag和Cu的绝对SHAP值较低，且在整个数据集中未表现出稳定影响（图10b~10f），因此其分类贡献最小.

由图10b~10f可知，不同类型铅锌矿床的闪锌矿微量元素对模型输出的影响不同，浅成低温热液型矿床闪锌矿中较高浓度的Mn和Sn，与较低浓度的Ge和Co，指示了高SHAP值对浅成低温热液型矿床的判别起到正向推动作用；MVT矿床闪锌矿中低浓度Mn和高浓度Ge与高SHAP值相关，因此越低浓度的Mn和越高浓度的Ge对MVT的判别起到的推动作用越强；SEDEX矿床闪锌矿中较低浓度的Mn和Ge以及较高浓度的Fe含量指示了较高的SHAP值，对SEDEX矿床的判别起到正向推动作用；矽卡岩型矿床中的闪锌矿最容易被高Mn和Co含量所区分，高Mn和Co含量闪锌矿样本指示着高SHAP值，对矽卡岩型样本的判别起到正向推动作用；VMS矿床中高Mn和Cd，以及低Co和Sn浓度指示了高SHAP值，对VMS样本的判别起到正向推动作用.

3.3　模型实际应用

本文利用富乐铅锌矿矿床闪锌矿的微量元素数据来评估TPE⁃SVM模型的实际适用性.富乐铅锌矿床位于中国西南川滇黔铅锌多金属矿集区的东南部，该矿床铅锌金属资源量超过50万吨，铅锌平均品位大于15.6%（任涛等，2019），矿体呈层状、透镜状赋存于中二叠统阳新组白云岩中.

将富乐铅锌矿床闪锌矿的平均微量元素浓度输入到TPE⁃SVM模型中进行分类，并使用结合SHAP值和输入数据的预测力图来表达预测结果.结果如图11所示，模型预测富乐矿床为MVT矿床，f（x）（分类可能性）值为0.97，明显高于其他矿床类型（图11a~11e）.这一结果与前人通过矿床地质特征、硫化物微量元素、S⁃Pb同位素和流体包裹体显微测温数据得出该矿床为MVT铅锌矿的结果一致（任涛等，2019）.

4 讨论

MVT、矽卡岩型、浅成低温热液型、SEDEX和VMS矿床闪锌矿中Mn、Ge、Co、Sn和Cd的浓度具有显著差异，这些元素变化对应于其独特的形成条件和地球化学亲和力（Guilbert and Park， 2007）.利用 SHAP算法对模型进行预测，发现不同类型的矿床中特征因子不同，总体上Mn、Ge和Co元素在各个矿床中都表现出较高的重要性，其含量变化对矿床类型划分的影响最大.模型根据闪锌矿微量元素识别不同矿床类型的标准是：MVT矿床为低Mn、高Ge含量；SEDEX矿床为低Mn、Ge和高Fe含量；VMS矿床为高Mn、Cd和低Sn、Co含量；矽卡岩型矿床为高Co、Mn含量；浅成低温热液型矿床为高Mn、Sn含量和低Co、Ge含量.

模型结果表明与其他4种类型矿床相比，MVT矿床闪锌矿中Mn含量较低、Ge含量较高，成矿流体通常为高盐度（16%~30%）和富集H₂S、HS^-和S^2- 等还原性物质的卤水（Cook et al.， 2009；Bauer et al.， 2019；Wei et al.， 2021b），其形成温度低（100~200 ℃；Huang et al.， 2020；Song et al.， 2023）.通过广泛的流体循环从基底岩石中溶解并携带了Ge等微量元素（Zhang et al.， 2019；Niu et al.， 2024），流体低温高盐度特征提高了Ge（［GeCl₄］²⁻、［Ge（CO₃）₄］²⁻）的溶解度（Caleb et al.， 2023），使得溶液中Ge离子更稳定和利于迁移.低温和还原环境中大部分Ge以较低价态Ge²⁺存在，Ge²⁺和Zn²⁺的离子半径接近致使Ge更容易进入闪锌矿的晶格；少量Ge⁴⁺可以通过与单价阳离子（如Cu⁺、Ag⁺、Tl⁺）的耦合替代进入闪锌矿晶体，常见的替代机制是Ge⁴⁺+2Cu⁺↔3Zn²⁺、Ge⁴⁺+ 2Ag⁺↔ 3Zn²⁺和Ge⁴⁺+2（Cu+Ag+Tl）⁺ ↔3Zn²⁺（Belissont et al.， 2016；Wei et al.， 2019；Liu et al.， 2023）.以上两种替换机制促使了高Ge闪锌矿的形成（Zhang et al.， 2019；Niu et al.， 2024）.还原环境中Mn含量较低​（Tăma et al.， 2021；Torró et al.， 2023），且高盐度和低温条件限制了Mn²⁺离子的沉淀，因此MVT矿床闪锌矿中Mn含量低（Tăma et al.， 2021）.

矽卡岩型矿床的成矿流体通常为高温，中、高硫逸度的岩浆流体，富含Mn、Co等金属元素（Sun and Zhou， 2022； He et al.， 2024）.闪锌矿晶格中的Zn²⁺通常通过直接或者耦合取代机制被Fe²⁺、Mn²⁺、Co²⁺和Cd²⁺取代（Cook et al.， 2009；Xu et al.， 2021；Wei et al.， 2021a；Torró et al.， 2022）.高温条件下闪锌矿晶格的活化能增加，替代效应增强，闪锌矿能够容纳更多Co和Mn（Rajabpour et al.， 2023；He et al.， 2024）.高硫逸度的条件也有利于高Co和Mn闪锌矿晶体的形成（Wang et al.， 2018）.

浅成低温热液型矿床形成温度通常低于300 ℃，成矿流体富含氟、氯等挥发性组分（Xin et al.， 2020）.Sn能与氟和氯等挥发性组分形成稳定的络合物（SnF₄和SnCl₄）以提高Sn在流体中的溶解度（Liu et al.， 2020；Xin and Whittingham， 2020）.这些卤素络合物能够有效降低Sn的沉淀温度，使得Sn可以在更广泛的温度区间内富集（Straumal et al.， 2021）.Sn²⁺或Sn⁴⁺可以代替Zn²⁺进入闪锌矿晶格，特别是在低温条件下，闪锌矿的晶格更容易容纳比Zn²⁺更大的Sn离子，促进Sn在闪锌矿中的富集（Tăma et al.， 2021）.Sn通常在与In 或者Ag的结合下进入到闪锌矿晶体：3Zn²⁺↔In³⁺+（Cu， Ag）⁺+Sn²⁺（Frenzel et al.， 2016；Xu et al.， 2021）、3Zn²⁺↔2（Cu， Ag）⁺+Sn⁴⁺（Frenzel et al.， 2016）、3Zn²⁺↔2Ag⁺+Sn⁴⁺（Cook et al.， 2009）.

SEDEX矿床通常形成于低温、中等还原性和低硫逸度环境（Sangster， 2018，2020），成矿流体中Ge和Mn元素含量低（Zheng et al.， 2023）不利于富Ge和Mn闪锌矿的大量形成（Sangster， 2018，2020）.成矿流体为低温和还原性流体，Mn以Mn²⁺离子形式存在，其迁移能力和沉淀受到限制，进而导致Mn难以在闪锌矿中富集​（Tăma et al.， 2021；Torró et al.， 2023）.

Cd²⁺、Mn²⁺与Zn²⁺的离子半径相似，可以通过Mn²⁺， Cd²⁺↔Zn²⁺替代机制进入闪锌矿晶格（Frenzel et al.， 2016）.VMS矿床的中温条件下，Cd和Mn的替代更为活跃，促使了高Cd和Mn闪锌矿的形成.VMS中Sn元素含量低可能与下列原因有关，①矿床多与基性或中基性火山岩有关，这些岩石中Sn的背景含量低（Gisbert et al.， 2021）；②VMS矿床中In含量低不能通过3Zn²⁺↔In³⁺+（Cu， Ag）⁺+ Sn²⁺耦联替换方式进入闪锌矿；③低硫逸度条件（Martin et al.， 2021；Yang et al.， 2024）.

5 问题与展望

（1）机器学习算法的评估和应用需要考虑到不同类型样本数据量的不平衡，大型数据样本集通常具有涵盖小型数据样本集分布规律的可能，类别不平衡可能导致少样本类别被误判为多样本类别，从而产生分类误差.本文通过剔除MVT、浅成低温热液型矿床中部分训练集样本及选择能够对类别不平衡的影响进行惩罚的精确率、召回率和F1值等指标对模型进行了综合性的评估.然而由于数据剔除会丢失部分信息，削弱统计效能；MVT和浅成低温热液型样本量未能降到与少类别（如SEDEX）相近，尚存在分类误差产生的可能.因此亟需持续探索平衡优化的方法.

（2）运用机器学习、深度学习模型开展矿床类型的判别已成为该领域的发展趋势和前沿.单一微量元素谱系虽能反映成矿环境，但若能进一步补充新的闪锌矿元素及同位素等地球化学数据，并采用更强的机器学习算法（如深度学习）建立矿床成因分类模型，开发相关软件，为地质人员提供一种便捷有效的矿床分类工具.展望未来，基于云端与边缘计算的智能化决策支持系统将成为趋势.通过将训练好的判别模型部署至移动终端，并与地球物理、遥感、气球测量等多源数据耦合，借鉴多模态深度学习框架，将化学、物理、地质信息在统一的融合网络中进行特征交互，对潜在铅锌矿化异常区开展高精度预测，全面揭示成矿系统的空间‒时间演化，推动地学大数据时代的矿产预测研究迈上新台阶.

6 结论

（1）本文构建的TPE⁃SVM分类预测模型具有良好的性能，模型对MVT、SEDEX、矽卡岩型和浅成低温热液型样本的分类准确率、召回率和F1值均达到了0.97以上，MVT样本的准确率、召回率和F1值均达到了1.

（2）利用SHAP算法对模型预测的结果作出解释，发现为Mn、Co和Ge元素含量对铅锌矿床分类影响较大.MVT矿床中的闪锌矿具Ge富集和Mn亏损的特征；矽卡岩型矿床中的闪锌矿具有富集Co和Mn的特征；浅成低温热液型矿床中闪锌矿Sn含量较高，而Co、Ge含量低；SEDEX矿床闪锌矿Ge和Mn含量低；VMS矿床中的闪锌矿富集Mn和Cd，但亏损Sn.因此闪锌矿作为勘查指示矿物，其微量元素特征结合机器学习方法能够实现对矿床类型的判别.

（3）输入富乐铅锌矿床闪锌矿微量元素平均浓度数据，模型分类显示其最可能为MVT矿床，f（x）值达0.97，远高于其他类型，与前人认识一致，进一步证实了模型适用性.

参考文献

[1] Aggarwal, C. C., 2016. An Introduction to Outlier Analysis. Springer International Publishing, Cham, 1-34. https://doi.org/10.1007/978⁃3⁃319⁃47578⁃3_1

[2] Bauer, M. E., Burisch, M., Ostendorf, J., et al., 2019. Trace Element Geochemistry of Sphalerite in Contrasting Hydrothermal Fluid Systems of the Freiberg District, Germany: Insights from LA⁃ICP⁃MS Analysis, Near⁃Infrared Light Microthermometry of Sphalerite⁃Hosted Fluid Inclusions, and Sulfur Isotope Geochemistry. Mineralium Deposita, 54(2): 237-262. https://doi.org/10.1007/s00126⁃018⁃0850⁃0

[3] Bédard, É., De Bronac de Vazelhes, V., Beaudoin, G., 2022. Performance of Predictive Supervised Classification Models of Trace Elements in Magnetite for Mineral Exploration. Journal of Geochemical Exploration, 236: 106959. https://doi.org/10.1016/j.gexplo.2022.106959

[4] Belissont, R., Muñoz, M., Boiron, M. C., et al., 2016. Distribution and Oxidation State of Ge, Cu and Fe in Sphalerite by μ⁃XRF and K⁃Edge μ⁃XANES: Insights into Ge Incorporation, Partitioning and Isotopic Fractionation. Geochimica et Cosmochimica Acta, 177: 298-314. https://doi.org/10.1016/j.gca.2016.01.001

[5] Cai, Y. W., Qiu, K. F., Petrelli, M., et al., 2024. The Application of “Transfer Learning” in Optical Microscopy: The Petrographic Classification of Opaque Minerals. American Mineralogist, 109(12): 2060-2072. https://doi.org/10.2138/am⁃2023⁃9092

[6] Caleb, C. J., Gysi, A. P., Monecke, T., et al., 2023. Experimental Study of Apatite⁃Fluid Interaction and Partitioning of Rare Earth Elements at 150 and 250 °C. American Mineralogist, 108(8):1409-1420. https://doi.org/10.2138/am⁃2022⁃8589

[7] Chen, J. Y., Shen, H. J., Yan, W. Y., 2023. LA⁃ICP⁃MS Trace Element Geochemistry of Sphalerite: Metallogenic Constraints on the Langyaquan Pb⁃Zn Deposit in the Middle Tianshan Metallogenic Belt. Mineral Exploration, 14(3): 377-391 (in Chinese with English abstract).

[8] Cook, N. J., Ciobanu, C. L., Pring, A., et al., 2009. Trace and Minor Elements in Sphalerite: A LA⁃ICPMS Study. Geochimica et Cosmochimica Acta, 73(16): 4761-4791. https://doi.org/10.1016/j.gca.2009.05.045

[9] Dong, S. N., Wang, D., Ma, G. T., et al., 2024. Application of Machine Learning to Predict Types of Pb⁃Zn Deposits by Using Trace Elemental Characteristics of Sphalerite. Journal of Chengdu University of Technology (Science & Technology Edition), 51(4): 614-629 (in Chinese with English abstract).

[10] Dong, Y. L., Zhang, Z. J., 2024. Deep Forest Modeling: An Interpretable Deep Learning Method for Mineral Prospectivity Mapping. Journal of Geophysical Research: Machine Learning and Computation, 1(4): e2024JH000311. https://doi.org/10.1029/2024JH000311

[11] Frenzel, M., Hirsch, T., Gutzmer, J., 2016. Gallium, Germanium, Indium, and Other Trace and Minor Elements in Sphalerite as a Function of Deposit Type—A Meta⁃Analysis. Ore Geology Reviews, 76: 52-78. https://doi.org/10.1016/j.oregeorev.2015.12.017

[12] Gisbert, G., Tornos, F., Losantos, E., et al., 2021. Vectors to Ore in Replacive Volcanogenic Massive Sulfide (VMS) Deposits of the Northern Iberian Pyrite Belt: Mineral Zoning, Whole Rock Geochemistry, and Application of Portable X⁃Ray Fluorescence. Solid Earth, 12(8): 1931-1966. https://doi.org/10.5194/se⁃12⁃1931⁃2021

[13] Guilbert, J. M., Park, C. F., 1986. The Geology of Ore Deposits. Freeman, New York.

[14] He, L., Liang, T., Wang, D. H., et al., 2024. Skarn Formation and Zn⁃Cu Mineralization in the Dachang Sn Polymetallic Ore Field, Guangxi: Insights from Skarn Rock Assemblage and Geochemistry. Minerals, 14(2): 193. https://doi.org/10.3390/min14020193

[15] Hou, L. L., Wu, S., Yi, J. Z., et al., 2024. Discriminating Deposit Types Using Chlorite Trace Elements Based on Machine Learning. Earth Science, 49(12): 4303-4317 (in Chinese with English abstract).

[16] Huang, H. X., Li, R. X., Xiong, F. Y., et al., 2020. A Method to Probe the Pore⁃Throat Structure of Tight Reservoirs Based on Low⁃Field NMR: Insights from a Cylindrical Pore Model. Marine and Petroleum Geology, 117: 104344. https://doi.org/10.1016/j.marpetgeo.2020.104344

[17] Huang, X. H., Li, Z. H., Deng, T., et al., 2023. Uranium Potential Evaluation of Zhuguangshan Granitic Pluton in South China Based on Machine Learning. Earth Science, 48(12): 4427-4440 (in Chinese with English abstract).

[18] Jin, L. Y., Qin, K. Z., Li, G. M., et al., 2015. Trace Element Distribution in Sulfides from the Chalukou Porphyry Mo⁃Vein⁃Type Zn⁃Pb System, Northern Great Xing’an Range, China: Implications for Metal Source and Ore Exploration. Acta Petrologica Sinica, 31(8): 2417-2434 (in Chinese with English abstract).

[19] Keith, M., Haase, K. M., Schwarz⁃Schampera, U., et al., 2014. Effects of Temperature, Sulfur, and Oxygen Fugacity on the Composition of Sphalerite from Submarine Hydrothermal Vents. Geology, 42(8): 699-702. https://doi.org/10.1130/g35655.1

[20] Li, X. M., Zhang, Y. X., Li, Z. K., et al., 2023. Discrimination of Pb⁃Zn Deposit Types Using Sphalerite Geochemistry: New Insights from Machine Learning Algorithm. Geoscience Frontiers, 14(4): 101580. https://doi.org/10.1016/j.gsf.2023.101580

[21] Liu, P., Mao, J. W., Jian, W., et al., 2020. Fluid Mixing Leads to Main⁃Stage Cassiterite Precipitation at the Xiling Sn Polymetallic Deposit, SE China: Evidence from Fluid Inclusions and Multiple Stable Isotopes (H⁃O⁃S). Mineralium Deposita, 55(6): 1233-1246. https://doi.org/10.1007/s00126⁃019⁃00933⁃0

[22] Liu, W. H., Mei, Y., Etschmann, B., et al., 2023. Germanium Speciation in Experimental and Natural Sphalerite: Implications for Critical Metal Enrichment in Hydrothermal Zn⁃Pb Ores. Geochimica et Cosmochimica Acta, 342: 198-214. https://doi.org/10.1016/j.gca.2022.11.031

[23] Lundberg, S., Lee, S. I., 2017. A Unified Approach to Interpreting Model Predictions. Computer Science, 1-10. https://doi.org/10.48550/arXiv.1705.07874

[24] Martin, A. J., McDonald, I., McFall, K. A., et al., 2021. Low⁃Temperature Silica⁃Rich Gold Mineralization in Mafic VMS Systems: Evidence from the Troodos Ophiolite, Cyprus. Mineralium Deposita, 56(4): 805-822. https://doi.org/10.1007/s00126⁃020⁃01007⁃2

[25] Nathwani, C. L., Wilkinson, J. J., Fry, G., et al., 2022. Machine Learning for Geochemical Exploration: Classifying Metallogenic Fertility in Arc Magmas and Insights into Porphyry Copper Deposit Formation. Mineralium Deposita, 57(7): 1143-1166. https://doi.org/10.1007/s00126⁃021⁃01086⁃9

[26] Niu, P. P., Muñoz, M., Mathon, O., et al., 2024. Mechanism of Germanium Enrichment in the World⁃Class Huize MVT Pb⁃Zn Deposit, Southwestern China. Mineralium Deposita, 59(5): 995-1016. https://doi.org/10.1007/s00126⁃023⁃01242⁃3

[27] Qiu, K.F., Zhou, T., Chew, D., et al., 2024. Apatite Trace Element Composition as an Indicator of Ore Deposit Types: A Machine Learning Approach. American Mineralogist, 109(2): 303-314. https://doi.org/10.2138/am⁃2022⁃8805

[28] Rajabpour, S., Hassanpour, S., Jiang, S.Y., 2023. Physicochemical Evolution and Mechanism of a Skarn System: Insights from the World⁃Class Mazraeh Cu Deposit, NW Iran. GSA Bulletin, 136(1-2): 351-370. https://doi.org/10.1130/B36854.1

[29] Reich, M., Deditius, A., Chryssoulis, S., et al., 2013. Pyrite as a Record of Hydrothermal Fluid Evolution in a Porphyry Copper System: A SIMS/EMPA Trace Element Study. Geochimica et Cosmochimica Acta, 104: 42-62. https://doi.org/10.1016/j.gca.2012.11.006

[30] Ren, T., Zhou, J. X., Wang, D., et al., 2019. Trace Elemental and S⁃Pb Isotopic Geochemistry of the Fule Pb⁃Zn Deposit, NE Yunnan Province. Acta Petrologica Sinica, 35(11): 3493-3505 (in Chinese with English abstract).

[31] Sangster, D. F., 2018. Toward an Integrated Genetic Model for Vent⁃Distal SEDEX Deposits. Mineralium Deposita, 53(4): 509-527. https://doi.org/10.1007/s00126⁃017⁃0755⁃3

[32] Sangster, D. F., 2020. Evidence for Lateral Fluid Flow in Vent⁃Distal SEDEX Zn⁃Pb Deposits and Districts. Mineralium Deposita, 55(3): 399-407. https://doi.org/10.1007/s00126⁃019⁃00931⁃2

[33] Sihombing, F. M. H., Palin, R. M., Hughes, H. S. R., et al., 2024. Improved Mineral Prospectivity Mapping Using Graph Neural Networks. Ore Geology Reviews, 172: 106215. https://doi.org/10.1016/j.oregeorev.2024.106215

[34] Song, Y. C., Yang, Z. M., Zhuang, L. L., 2023. Enrichment of Mississippi Valley⁃Type (MVT) Deposits in the Tethyan Domain Linked to Organic Matter⁃Rich Sediments. Science China Earth Sciences, 66(12): 2853-2870. https://doi.org/10.1007/s11430⁃023⁃1195⁃5

[35] Straumal, B., Kilmametov, A., Korneva, A., et al., 2021. The Enrichment of (Cu, Sn) Solid Solution Driven by High⁃Pressure Torsion. Crystals, 11(7): 766. https://doi.org/10.3390/cryst11070766

[36] Sun, G. T., Zhou, J. X., 2022. Application of Machine Learning Algorithms to Classification of Pb⁃Zn Deposit Types Using LA⁃ICP⁃MS Data of Sphalerite. Minerals, 12(10): 1293. https://doi.org/10.3390/min12101293

[37] Tăma, C. G., Andrii, M. P., Kovács, R., et al., 2021. Sphalerite Composition in Low⁃ and Intermediate⁃Sulfidation Epithermal Ore Bodies from the Roia Montană Au⁃Ag Ore Deposit, Apuseni Mountains, Romania. Minerals, 11(6): 634. https://doi.org/10.3390/min11060634

[38] Tan, R. C., Shao, Y. J., Brzozowski, M. J., et al., 2024. Development of a Machine Learning Model to Classify Mineral Deposits Using Sphalerite Chemistry and Mineral Assemblages. Ore Geology Reviews, 169: 106076. https://doi.org/10.1016/j.oregeorev.2024.106076

[39] Torró, L., Millán⁃Nuñez, A. J., Benites, D., et al., 2023. Germanium⁃ and Gallium⁃Rich Sphalerite in Mississippi Valley⁃Type Deposits: The San Vicente District and the Shalipayco Deposit, Peru. Mineralium Deposita, 58(5): 853-880. https://doi.org/10.1007/s00126⁃023⁃01160⁃4

[40] Wang, C. Y., Li, J. F., Wang, K. Y., et al., 2018. Geology, Fluid Inclusion, and Stable Isotope Study of the Skarn⁃Related Pb⁃Zn (Cu⁃Fe⁃Sn) Polymetallic Deposits in the Southern Great Xing’an Range, China: Implications for Deposit Type and Metallogenesis. Arabian Journal of Geosciences, 11(5): 88. https://doi.org/10.1007/s12517⁃018⁃3417⁃6

[41] Wang, Y., Qiu, K. F., Müller, A., et al., 2021. Machine Learning Prediction of Quartz Forming⁃Environments. Journal of Geophysical Research: Solid Earth, 126(8): e2021JB021925. https://doi.org/10.1029/2021JB021925

[42] Wei, C., Ye, L., Hu, Y. S., et al., 2019. Distribution and Occurrence of Ge and Related Trace Elements in Sphalerite from the Lehong Carbonate⁃Hosted Zn⁃Pb Deposit, Northeastern Yunnan, China: Insights from SEM and LA⁃ICP⁃MS Studies. Ore Geology Reviews, 115: 103175. https://doi.org/10.1016/j.oregeorev.2019.103175

[43] Wei, C., Ye, L., Hu, Y. S., et al., 2021a. LA⁃ICP⁃MS Analyses of Trace Elements in Base Metal Sulfides from Carbonate⁃Hosted Zn⁃Pb Deposits, South China: A Case Study of the Maoping Deposit. Ore Geology Reviews, 130: 103945. https://doi.org/10.1016/j.oregeorev.2020.103945

[44] Wei, C., Ye, L., Huang, Z. L., et al., 2021b. In SituTrace Elements and S Isotope Systematics for Growth Zoning in Sphalerite from MVT Deposits: A Case Study of Nayongzhi, South China. Mineralogical Magazine, 85(3): 364-378. https://doi.org/10.1180/mgm.2021.29

[45] Wei, Y. K., Li, Z. H., Li, Z. X., et al., 2023. Weather Factors and Prediction Model of Synthetic Electric Field of Ultra⁃High Voltage Direct⁃Current Transmission Line. Science Technology and Engineering, 23(9): 3769-3778 (in Chinese with English abstract).

[46] Xin, F. X., Whittingham, M. S., 2020. Challenges and Development of Tin⁃Based Anode with High Volumetric Capacity for Li⁃Ion Batteries. Electrochemical Energy Reviews, 3(4): 643-655. https://doi.org/10.1007/s41918⁃020⁃00082⁃3

[47] Xu, J., Cook, N. J., Ciobanu, C. L., et al., 2021. Indium Distribution in Sphalerite from Sulfide⁃Oxide⁃Silicate Skarn Assemblages: A Case Study of the Dulong Zn⁃Sn⁃In Deposit, Southwest China. Mineralium Deposita, 56(2): 307-324. https://doi.org/10.1007/s00126⁃020⁃00972⁃y

[48] Yang, R. L., 2018. Analysis of Current Situation of Lead and Zinc Mine Resources Development and Suggestions for Sustainable Development in China. World Nonferrous Metals, (1): 148, 150 (in Chinese with English abstract).

[49] Yang, Y., Zhang, H. S., Yang, X. Y., et al., 2024. Evolution of the Hydrothermal Ore⁃Forming System of Ashele VMS⁃Type Cu⁃Zn Deposit in Xinjiang, NW China: Insights from Mineralogy and Geochemistry of Sulfides. Ore Geology Reviews, 167: 105977. https://doi.org/10.1016/j.oregeorev.2024.105977

[50] Zha, W. T., Yan, L. C., Chen, B., et al., 2022. Regional Ultra⁃Short⁃Term Wind Power Forecasting Method Based on TPE⁃LSTM. Computer Applications and Software, 39(11): 25-30, 111 (in Chinese with English abstract).

[51] Zhang, C. Q., Liu, H., Wang, D. H., et al., 2015. A Preliminary Review on the Metallogeny of Pb⁃Zn Deposits in China. Acta Geologica Sinica, 89(4): 1333-1358. https://doi.org/10.1111/1755⁃6724.12532

[52] Zhang, Y., Han, R. S., Ding, X., et al., 2019. An Experimental Study on Metal Precipitation Driven by Fluid Mixing: Implications for Genesis of Carbonate⁃Hosted Lead⁃Zinc Ore Deposits. Acta Geochimica, 38(2): 202-215. https://doi.org/10.1007/s11631⁃019⁃00314⁃4

[53] Zheng, Y., Yu, P. P., Li, Z. K., et al., 2023. Critical Metals Ga, Ge and In in the Global Pb⁃Zn Deposits: Current Understanding, Challenges and Perspectives. Journal of Earth Science, 34(4): 1308-1311. https://doi.org/10.1007/s12583⁃023⁃1909⁃0

基金资助

国家自然科学基金项目(42163005)

云南省基础研究计划重点项目(202501AS070050)