闪锌矿地球化学大数据与人工智能融合驱动矿床成因类型智能判别

摘要

闪锌矿的微量元素地球化学特征是判别铅锌矿床成因类型的核心依据。传统研究方法多依赖单元素含量的比值或图解，难以有效整合闪锌矿复杂的多元素信息，且常因维度有限和分类边界重叠而造成误判，导致无法捕捉元素间的非线性关系。随着地质大数据与人工智能技术的迅猛发展，机器学习算法为矿床成因类型的智能判别提供了新途径。本研究整合了全球85个典型矿床的6 839条闪锌矿微量元素数据，矿床成因类型包括密西西比河谷型（MVT型）、海底喷流沉积型（SEDEX型）、火山成因块状硫化物型（VMS型）、浅成低温热液型及矽卡岩型。经严格的数据清洗、特征选择和样本均衡化处理，分别采用支持向量机、随机森林和多层感知机算法构建了铅锌矿床成因类型的智能判别模型，并将数据集按8∶2划分为训练集与测试集进行模型验证。模型性能评估显示，3种算法的准确率、召回率及F1值的加权平均值均超过0.85。其中，随机森林算法分类性能最优，其泛化能力和分类精度均显著优于其他两种算法，成为开展闪锌矿微量元素的矿床成因分类的首选模型。进一步应用沙普利加和解释（SHAP）算法分析，识别出各类矿床的关键特征元素组合：MVT型矿床以显著贫Fe,Mn而富Ge,Cd为特征；SEDEX型表现为贫Mn, Ga而富Fe, In;VMS型以贫Fe富Pb, Ga为标志；浅成低温热液型具有贫Co, As而富Sn, Fe的特征；矽卡岩型则呈现贫Cu, Ge, Sb与富Mn, Co的特点。闪锌矿中特征元素的富集与贫化规律主要受成矿地质背景与元素地球化学行为共同控制。本研究不仅证实了随机森林算法在矿物地球化学数据分类中的优越性，更凸显了矿物地球化学大数据与人工智能技术相结合在矿床成因判别中的巨大潜力。

关键词

闪锌矿 / 铅锌矿床 / 微量元素 / 机器学习 / SHAP分析