编辑推荐：
岩浆热液活动对成矿至关重要，石英化学是识别矿床类型和成因的关键。传统二元 / 三元微量元素图分析方法不足以阐明其复杂性。研究人员应用机器学习分析高维石英化学数据，开发 XGBoost-RFE-SHAP 和 PCA-UMAP 方法，提升了识别精度，为矿床勘探提供新工具。
在地球科学的探索版图中，岩浆热液系统宛如隐藏的地下工厂，源源不断地制造着各类富含经济价值的矿床。然而，要精准解码这些矿床的 “身世”—— 它们源自何种岩浆、经历了怎样的演化过程，却并非易事。传统的石英微量元素分析方法，如二元 / 三元图解（如 Li–Al、Ti–Al 二元图和 Ti–Al–Ge 三元图），如同透过狭窄的窗户观察世界，只能捕捉到有限的信息，难以全面揭示石英化学组成的复杂性和多变性，导致对不同岩浆来源（如 I 型、S 型、A 型岩浆）及相关矿床的识别精度不足。随着高维数据时代的来临，如何突破传统方法的瓶颈，成为地质学家和矿床学家亟待解决的问题。
为了攻克这一难题，研究人员开启了一场将前沿机器学习技术与地质科学深度融合的探索之旅。来自多所研究机构的科研团队，聚焦于石英微量元素这一关键 “密码”，开展了一项极具创新性的研究。他们的目标清晰而明确：利用机器学习的强大算力，解析石英中蕴含的高维微量元素数据，建立更精准的矿床成因识别模型，为矿产资源勘探提供更有效的工具。这项研究成果发表在《Applied Geochemistry》上，为该领域的发展注入了新的活力。
研究人员采用了两种核心的机器学习方法：监督学习算法 XGBoost（极端梯度提升树）结合递归特征消除（RFE）和 SHAP 值分析（SHapley Additive exPlanations），以及无监督学习的主成分分析（PCA）联合均匀流形近似与投影（UMAP）。首先，他们收集了来自全球不同地质环境的 8710 个石英样品数据，涵盖 I 型（2973 个）、S 型（2849 个）和 A 型（2888 个）岩浆相关的宿主岩石和矿床，分析了 18 种微量元素（Li、B、Na、Mg、Al、P、K、Ti、Mn、Fe、Ge、As、Rb、Sr、Sn、Sb、Ba、Pb）。在数据预处理阶段，采用 k 近邻（kNN）算法填充缺失值，通过对数比变换和标准化处理确保数据分布的合理性。
模型构建与关键元素识别
通过构建四个 XGBoost 模型（区分岩浆类型的 Model I 和识别不同岩浆相关矿床类型的 Model II、III、IV），研究发现 XGBoost-RFE-SHAP 方法在判别地质环境时表现出极高的准确性。SHAP 分析揭示了关键微量元素的重要性：B、Ti、P、Li、Ge 和 Al 是识别 I、S、A 型母岩浆的核心元素。具体而言，I 型岩浆相关岩石和矿床的关键判别元素为 Ti、Ge、Al、Li、Sb、P；S 型岩浆对应 Ge、P、Ti、Al、Li、B；A 型岩浆则以 Ti、P、K、Al、Rb、As 为特征。特征选择结果显示，保留前 7 个关键元素即可使模型保持高性能（F1 分数均超过 0.9），进一步验证了这些元素的核心地位。
数据可视化与分类效果
PCA-UMAP 方法通过降维和可视化，生成了不同岩浆类型及矿床的分类图谱。结果表明，该方法能有效区分 I 型岩浆相关矿床，且多数矿床类型可清晰聚类，但 S 型和 A 型岩浆的花岗岩与伟晶岩之间因微量元素模式相似存在部分重叠。与传统 Ti–Al–Ge 三元图相比，UMAP 在揭示矿床演化路径和流体动态方面更具优势，例如直观展示了 I 型岩浆系统从高温岩浆阶段到低温热液阶段的演化过程。
模型性能与对比分析
四个 XGBoost 模型的测试结果均表现优异，F1 分数分别为 Model I（0.978）、Model II（0.974）、Model III（0.955）、Model IV（0.957），部分矿床类型（如 I 型热液阶段斑岩矿床、S 型浅成低温热液矿床）的识别准确率达 100%。尽管 Model III 和 Model IV 在个别矿床类型（如 S 型 Sn–W 稀有金属矿床、A 型热液阶段斑岩矿床）中存在一定误判，但其整体性能显著优于传统二元 / 三元图解法。UMAP 的无监督聚类特性则为岩浆热液系统的演化研究提供了补充视角，揭示了不同矿床间的潜在成因联系。
这项研究通过机器学习与石英微量元素分析的跨界融合，构建了一套高效的岩浆热液矿床识别体系。XGBoost 的高精度判别能力与 UMAP 的可视化优势相辅相成，不仅精准识别了关键微量元素指标，还揭示了岩浆演化过程中微量元素的迁移规律。这一成果为矿床成因研究提供了全新的方法论，有望显著提升矿产资源勘探的效率和准确性，尤其在复杂地质环境中具有广泛的应用前景。随着数据集的不断扩展和算法的优化，机器学习技术或将成为未来地质科学与资源勘探领域的核心工具，引领 “数据驱动型” 地质研究的新潮流。
