《Journal of Geochemical Exploration》：Discriminating scheelite deposit types using interpretable ensemble learning: A case study from the Xuefengshan Au-Sb-W belt, South China
编辑推荐：
•雪峰西部白钨矿床的多阶段叠加成矿•筛选数据，整合模型，减少特征以提高预测并降低数据需求•通过地球化学分析验证白钨矿成因的机器学习关键元素•稀土元素、Sr、Mo、Eu、Nb、Ta 是识别白钨矿床类型的关键元素。引言作为主要的含钨矿物，白钨矿广泛存在于各种类型的钨矿床中。根据成
- •
雪峰西部白钨矿床的多阶段叠加成矿
- •
筛选数据，整合模型，减少特征以提高预测并降低数据需求
- •
通过地球化学分析验证白钨矿成因的机器学习关键元素
- •
稀土元素、Sr、Mo、Eu、Nb、Ta 是识别白钨矿床类型的关键元素。
引言
作为主要的含钨矿物，白钨矿广泛存在于各种类型的钨矿床中。根据成矿流体的来源和构造动力学背景，白钨矿可分为两类：造山型和岩浆热液型。前者产于造山带，其成矿流体主要来自岩浆热液或大气降水，受区域构造活动控制。后者与花岗岩岩浆作用直接相关，其中岩浆热液源于岩浆分异，可进一步分为矽卡岩型、石英脉型和斑岩型。白钨矿被广泛用于识别矿床类型、流体演化过程和流体源区，这种方法在澳大利亚西部、加拿大、印度和华南的钨 - 金带中取得了良好效果（Anglin 等人，1996；Brugger 等人，2000）。由于其独特的晶体系统，它富含包括稀土元素、锶和钼在内的微量元素。然而，在一些地区，多次造山事件和岩浆热液过程的空间叠加导致多种白钨矿群体无法通过常规方法区分，例如在中国江南造山带西段的雪峰山锑 - 金 - 钨成矿带。中国的雪峰山成矿带每年生产超过全球 20% 的锑金属、超过 50 吨黄金和大量钨精矿（Zhang 等人，2021）。钨主要以白钨矿形式产出，在空间上与金和锑叠加。长期以来，关于钨的成因是岩浆热液型还是造山型一直存在争议，这一争议阻碍了成矿规律研究和资源潜力评价。
受地质数据体积、速度和多样性激增的驱动（Zhang and Zhou, 2018），许多学者采用机器学习方法来研究和分析矿物的地球化学特征。例如，Zhong 采用了两种机器学习方法，支持向量机 (SVM) 和人工神经网络 (ANN)，基于黄铁矿中的微量元素构建分类算法，区分沉积岩、造山带和火山块状硫化物矿床中黄铁矿的成因，并正确揭示了嘉盛盘铅 - 锌矿床的成因特征（Zhong 等人，2021）。Sun 使用决策树 (DT) 和 K 近邻 (KNN) 等无监督分类器对变质型 SEDEX 和岩浆热液型铅 - 锌矿床进行分类，并证明了 DT 非线性分类器对黄铁矿微量元素数据的分类效果（Sun 等人，2022）。Zhong 应用 SVM、随机森林 (RF) 和多层感知机 (MLP) 模型来判别英云闪长岩 - 碱长花岗岩 - 花岗闪长岩沉积锆石的物源，从而为早期地球的构造体制提供了新的见解（Zhong 等人，2023）。众多机器学习方法在矿床成因判定领域的成功应用展示了机器学习与地理大数据相结合的潜力。然而，各种机器学习模型的限制或地理空间数据的特征也阻碍了这些方法的发展：
- (1)
数据标签不准确。ML 模型严重依赖训练数据。传统矿物学是一门基于经验的学科。矿床成因识别中的标签数据来自以往的实证判断（Zhang 等人，2021），具有主观性和模糊性。盲目信任这些数据将损害后续 ML 模型的建立和预测。
- (2)
单一模型的局限性显著。使用单一模型进行预测存在鲁棒性低（Yuan and Yang, 2005）、偏差大和泛化能力差等局限性。这使得模型选择成为一个主要问题。避免单一模型的局限性仍然是一个重大挑战。
- (3)
模型可解释性差。由于“黑箱效应”（Azodi 等人，2020），许多研究缺乏对模型预测机制的解释和分析。这导致了数据驱动的 ML 预测与传统基于经验的矿物学分析之间的脱节。
本研究汇编了全球典型的造山型和岩浆热液型白钨矿床数据集。对这两种白钨矿进行地球化学元素分析，并使用机器学习方法确定雪峰山西段 Sb-Au-W 矿床的成因类型。本研究还从矿物学角度解释了用于判定的元素因子组合的实际地球化学意义。为进一步解决上述机器学习方法的各种问题，本研究提出一个主要由三部分组成的框架：基于深度聚类的数据筛选、基于集成模型的预测模型以及基于可解释模型的模型分析。我们将该方法应用于雪峰山 Sb-Au-W 矿床，以解决其白钨矿床成因争议。此外，本研究构建了基于可解释集成学习的可重用钨矿类型识别 ML 范例，为大数据驱动的矿产勘查提供了新的视角。
章节摘要
地质背景
雪峰山矿带位于华南板块中部。它是一个北北东 - 南南西走向的锑 - 金 - 钨成矿带，长超过 200 公里，宽 80-120 公里，西侧钨矿富集（HBGMR, 1988; Wang 等人，2005）。在过去的二十年里，雪峰山造山带 (XFSO) 内已确认了多期变形和相关的花岗岩岩浆作用（Chu 等人，2012a, Chu 等人，2012b, Chu 等人，
数据集收集
本研究收集了国内外学术期刊发表的典型造山型和岩浆热液型矿床的 2479 个地球化学数据点，其中包括 482 个造山型数据点和 1997 个岩浆热液型数据点，共同构成了白钨矿床成因类型数据库。造山型数据来自 Otago Schist、Hutti（Hazarika 等人，2016）、Meliadine、Dome、Hollinger、Young Davidson、加拿大 Malartic、Beaufor、Sigma、Lamaque、Cuiaba、Essakane，
初步地球化学分析
本研究首先使用传统地球化学方法，基于矿点在元素统计图上的分布总结不同成因类型白钨矿床的特征，从而确定研究区矿床的成因类型。
雪峰山钨矿床的成因类型
本研究表明，雪峰山带西部的白钨矿床并非仅由造山运动或岩浆热液过程形成，而是多期次、多类型和多来源的复杂叠加结果。为了阐明这一复杂的成矿框架，我们依次从时间演化和空间地球化学角度解构这些叠加成矿事件。
从时间角度来看，基于
结论
- (1)
雪峰山西部的白钨矿床是多期叠加成矿事件的结果，主要以岩浆热液型为主，叠加造山型。具体而言，扎西溪、沃溪、宝山和黄金洞矿床主要由造山事件形成；而大龙溪、木盖园和曹家坝矿床主要由岩浆热液活动形成；杨家山和兴峰山矿床成因更为复杂，具有
CRediT 作者贡献声明
Xiao-Ran Zhou: 写作 - 初稿，方法论，调查，形式分析。Qi-Liang Liu: 监督，方法论，资金获取，构思。Biao Liu: 写作 - 审阅与编辑，监督，方法论，资金获取，构思。Jing-Hua Wu: 验证，数据管理。Safiyanu Muhammad Elatikpo: 软件，资源。Fei Deng: 资源，数据管理。Shiwei Cui: 可视化，验证。
竞争利益声明
作者声明他们没有任何已知的竞争财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了 国家自然科学基金（批准号 42303073）和 湖南省自然科学基金（批准号 2026JJ30010）的资金支持。
Xiao-Ran Zhou|Qi-Liang Liu|Biao Liu|Jing-Hua Wu|Safiyanu Muhammad Elatikpo|Fei Deng|Shiwei Cui
