锡石微量元素指纹揭示东南亚锡矿带构造背景：机器学习驱动的判别模型与应用

针对锡矿床构造背景判别难题，中国科学院研究人员通过XGBoost和SHAP机器学习技术，系统分析东南亚三大锡矿带（东、中、西带）锡石（SnO2 ）的Ti/Hf、Zr/Hf等关键元素比值，建立线性判别函数（准确率87%），首次揭示岩浆挥发分含量、氧逸度等特性如何通过构造背景控制锡石微量元素组成，为矿床成因研究提供新范式。

　　

东南亚作为全球最重要的锡矿产地，贡献了世界35%的锡储量和45%的产量，其三大锡矿带——东部带、中央带和西部带分别形成于大洋俯冲、大陆碰撞和后俯冲伸展构造环境。然而，长期以来缺乏有效的地球化学指标来判别锡矿床的构造背景。锡石（SnO₂
）作为锡矿床中最稳定的经济矿物，虽已知能承载Fe、W等微量元素信息，但其与构造背景的关联机制仍不明确。

中国科学院团队创新性地将机器学习技术引入矿床学研究，收集了543组锡石微量元素数据（含264组新测数据），应用XGBoost（极端梯度提升）算法构建分类模型，结合SHAP（沙普利加性解释）值分析，首次识别出Ti/Hf、Zr/Hf、Sc/Hf、Ti/Fe和W/U五组具有构造指示意义的元素比值。研究发现：西部带锡石因富氟花岗岩的极端分异作用，呈现最低的Ti/Hf（中值0.04）、Zr/Hf（0.31）比值；中央带锡石在还原性碰撞环境下形成，具有最高Ti/Fe比值（12.9）；东部带因成矿流体钨亏损较弱，W/U比值（5.7）显著偏高。通过建立线性判别函数，三大构造带的分类准确率达87%。

关键技术包括：1）LA-ICP-MS（激光剥蚀电感耦合等离子体质谱）分析锡石微量元素；2）XGBoost算法构建分类模型；3）SHAP值解析特征重要性；4）整合东南亚三大矿带（缅甸至印尼）的锡石地球化学数据库。

【地质背景】
研究区受古/新特提斯洋演化控制，三大锡矿带对应不同构造阶段：东部带与古特提斯洋俯冲相关，中央带形成于印支-巽他地块碰撞，西部带发育于新特提斯后俯冲伸展环境。

【锡石微量元素组成】
东部带锡石富集Sc（8.12-36.6 ppm）、Fe（691-1977 ppm）和W（18.2-1406 ppm）；中央带以最高Ti含量（1602-3851 ppm）和最低W（11.0-166 ppm）为特征；西部带则普遍贫Ti（中值4.3 ppm）但富集Nb、Ta等高场强元素。

【机器学习特征解析】
SHAP分析揭示Ti/Hf对西部带分类贡献最大（SHAP值-1.5至0.5），反映地幔脱气导致的花岗岩高分异特征；Ti/Fe（SHAP值>1.0）是区分中央带的关键指标，指示碰撞环境下二价铁富集流体的作用。

该研究建立了"构造背景-岩浆性质-锡石地球化学"的成因链条，证实锡石可作为重建古构造环境的有效指标。成果发表于《Journal of Asian Earth Sciences》，不仅为东南亚锡矿成因提供新认识，其机器学习驱动的研究范式更对矿床学领域具有方法论启示。特别值得注意的是，中央带碰撞型锡矿的高Ti/Fe特征可能成为寻找该类矿床的新勘探标志，而西部带极低Zr/Hf比值（<0.5）或可作为识别后俯冲伸展环境的普适性指标。