综述:利用黄铜矿微量元素判别全球矿床成因类型:来自可解释机器学习的启示

《Chemical Geology》:Discriminating global ore deposit genetic types using chalcopyrite trace elements: Insights from interpretable machine learning

【字体: 大 中 小 】 时间:2026年08月29日 来源:Chemical Geology 3.6

编辑推荐:

  黄铜矿是地壳中分布最广的含铜硫化物,也是主要的铜矿石矿物,同时是成矿过程的重要记录者。其微量元素组成可为矿床类型和成矿演化提供有价值的信息,但众多微量元素之间的多维关系难以用传统的二元图解解析。本研究基于黄铜矿微量元素化学建立了一个用于矿床类型分类的可解释机器

  
黄铜矿是地壳中分布最广的含铜硫化物,也是主要的铜矿石矿物,同时是成矿过程的重要记录者。其微量元素组成可为矿床类型和成矿演化提供有价值的信息,但众多微量元素之间的多维关系难以用传统的二元图解解析。本研究基于黄铜矿微量元素化学建立了一个用于矿床类型分类的可解释机器学习框架。研究人员汇编了一个包含来自232个矿床的5232个分析结果的全球数据集,涵盖了岩浆、热液和沉积背景下的9种成因类型。研究人员系统评估了结合数据转换、类别平衡策略和分类算法的工作流程。最终训练模型的平衡准确率达到0.96。特征归因分析识别出与已知成矿过程和分配行为一致的元素特异性模式。非线性降维也揭示了矿床类型之间具有地质意义的成因关系。从比较矿物化学的角度,该结果还约束了黄铜矿在不同物理化学条件下微量元素的赋存。将训练好的机器学习模型应用于中国甲乌拉大型铅锌银矿床,支持其属于浅成低温热液分类,同时表明其与南部斑岩岩株具有成因联系,共同定义了一个斑岩-浅成低温热液系统。总体而言,可解释机器学习为关联矿物化学、矿床分类和成矿解释提供了一个可迁移的框架。
  1. 1.
    引言
    矿床类型的分类及其成因关系的阐明是经济地质学的基本问题。矿床类型如浅成低温热液(epithermal)、火山块状硫化物(VMS)、矽卡岩(skarn)、沉积容矿层状铜矿(SSC)、岩浆-热液W-Sn(MH W-Sn)、岩浆Cu-Ni硫化物(MCNS)、斑岩(porphyry)、沉积喷流(SEDEX)和铁氧化物铜金(IOCG)记录了由岩浆演化、成矿流体来源与演化、构造背景和壳幔相互作用控制的独特成矿系统。可靠的矿床类型区分对于理解区域成矿过程和成矿动力学以及改进矿产资源评估与勘探靶区优选至关重要。然而,多阶段成矿、成矿系统间的过渡特征以及成矿后热液叠加常使成因信息模糊,导致矿床分类困难。在此背景下,矿物尺度的地球化学指标日益被用于捕捉成矿环境的细微变化。硫化物矿物直接从成矿流体或岩浆-热液系统中沉淀,是成矿期间物理化学条件的有效记录载体。其中,黄铜矿(CuFeS2)作为地壳中最丰富的含铜矿物,是多种成矿系统中铜的主要载体。其微量元素组成反映了成矿流体和岩浆的物理化学条件,包括温度、氧化还原状态、硫逸度和流体-岩石相互作用。因此,黄铜矿长期被视为成矿过程的敏感记录者和区分不同矿床类型的潜在指标。随着原位分析技术特别是激光剥蚀电感耦合等离子体质谱(LA-ICP-MS)的进步,来自全球不同矿床类型的黄铜矿微量元素大数据集已可获得。黄铜矿可容纳多种微量元素(如Co、Ni、As、Sb、Se、Te、Bi),其微量元素组成携带了丰富的成矿过程信息。然而,以往大多数研究局限于单个矿床或矿床类别,跨越多种矿床类型的系统对比方法仍然稀缺。此外,传统的地球化学解释通常依赖于单变量或二元地球化学判别,可能忽略微量元素数据集复杂的多维性质。先前研究尝试使用传统多元统计方法(如主成分分析(PCA)、线性判别分析或层次聚类)对矿床类型进行分类。尽管这些方法可提供初步分组模式,但它们通常假设类别间线性可分,且对异常值和缺失值敏感。在复杂的矿物系统中,微量元素之间的关系高度非线性,受耦合的热力学和动力学过程控制。因此,传统线性方法在揭示潜在地球化学控制和实现可靠分类精度方面存在局限。近年来,机器学习与地球化学的融合成为探索高维地球化学数据集的有力方法。已有研究应用机器学习方法对黄铜矿矿床成因类型进行分类,但类别不平衡和相关数据限制制约了模型的泛化能力和可解释性,使得难以将统计模式与控制黄铜矿组成的地球化学过程联系起来。可解释机器学习方法可将模型内部决策逻辑转化为人类可解释的视觉化、特征贡献等信息,为确定矿床成因提供可追溯的地球化学证据。本研究汇编了全球5232个黄铜矿微量元素分析数据,建立了区分9种矿床类型的可解释机器学习框架。该框架整合了数据预处理、类别不平衡校正、机器学习分类和模型决策行为解释,以实现稳健的矿床类型分类并保持对成矿过程的地质可解释性。此外,模型强调了微量元素赋存的地球化学有意义控制,并阐明了数据空间中矿床类型间的区分模式。最后,研究人员将该框架应用于成因有争议的矿床,以评估其解决成因分类问题和提供成矿系统新矿物化学约束的效用。
  2. 2.
    数据汇编与处理
    2.1 数据汇编
    研究人员基于已发表文献收集了来自全球232个矿床的5232个LA-ICP-MS黄铜矿微量元素数据点。矿床类型包括浅成低温热液(n=406)、VMS(n=1154)、矽卡岩(n=290)、SSC(n=338)、MH W-Sn(n=181)、MCNS(n=608)、斑岩(n=875)、SEDEX(n=873)和IOCG(n=507)。收集了18种元素的微量元素数据:Mn、Co、Ni、Zn、Ga、As、Se、Mo、Ag、Cd、In、Sn、Sb、Te、Au、Tl、Pb和Bi。为确保数据质量和一致性,按以下标准过滤数据集:(1)未报告缺失值超过总数30%的元素被排除(如Ti和Ge);(2)具有争议成因分类的矿床数据被移除(如Yundukala);(3)无明确定义成因类型的矿床数据被排除(如Churchill Province)。绘制了每种矿床类型的微量元素浓度箱线图。总体而言,Zn、Se、Cd和Te在单个矿床类型内显示出一致的狭窄四分位距,而在不同矿床类型间分布相对 distinct。相反,Pb在矿床类别间变化最小,是分类中信息量最少的元素。从矿床类型角度看,MH W-Sn矿床显示多种元素(包括Mn、Sn、In、Cd、Ag和Zn)的升高浓度,同时保持相对稳定的Te丰度,共同形成独特的地球化学特征。MCNS矿床包含最高的Ni浓度。SEDEX矿床显示稳定的Mo含量。IOCG矿床具有最低的Cd浓度并出现偶发的Au极高值。斑岩矿床显示最低的Zn浓度中位数并包含许多Ga异常。矽卡岩矿床以Zn的极窄四分位距为特征,而其他元素模式较不明显。SSC矿床具有最高的As、Mo、Pb、Tl和Sb含量。VMS矿床显示最高的Se浓度和多个极端Mo值,其中位数Mo水平仅次于SSC矿床。
2.2 数据处理
低于检测限的值在每个标记矿床类型内使用左删失数据分位数回归插补法分别插补。未报告的缺失值在每个标记矿床类型内使用Spearman权重k近邻(SW-KNN)方法分别插补。在传统KNN方法中,基于距离选择k个最近样本并进行跨元素的等权插补,这对地球化学数据集有些粗糙。因此,引入Spearman权重进行相关加权插补,使算法能够更“信任”具有更强相关性的元素,同时减弱弱相关或不相关元素的影响。通过交叉掩码验证评估该插补策略,表明所提方法提高了后续建模的可靠性和泛化能力。研究人员对数据进行log10转换以减少偏度并提高模型稳定性。对于本研究使用的基于树的模型,这种简单转换可能比复杂方法更有效。
  1. 3.
    方法
    3.1 无监督学习
    研究人员首先使用相关矩阵、主成分分析(PCA)和均匀流形近似与投影(UMAP)对黄铜矿硫化物的微量元素特征进行探索性分析。与PCA通过线性正交变换识别最大方差方向不同,UMAP通过流形学习方法保留高维和低维空间之间的拓扑结构。UMAP将相似数据点作为近邻放置,同时将不相似数据点尽可能分离,从而构建映射。作为非线性技术,UMAP适用于数据可视化、揭示复杂数据结构和指导预聚类探索。与传统非线性降维方法t-SNE相比,UMAP在保持更连贯和可解释的全局结构的同时,提供更清晰的局部聚类可视化。
3.2 有监督学习
在训练分类模型之前,研究人员处理了数据集中的类别不平衡问题。一些矿床类型的研究程度远高于其他类型,导致可用分析数量差异很大。在此类数据上训练的模型可能偏向常见类别而在罕见类别上表现不佳。因此,研究人员使用合成少数类过采样技术(SMOTE),在模型训练期间增加代表性不足的类别的表示。SMOTE不是简单复制现有观测,而是通过插值同一少数类别的邻近观测来创建合成样本。这些合成样本是真实测量的数值组合,而非新的地球化学分析。具体而言,研究人员应用了Borderline-SMOTE,这是一种在类别边界附近生成大多数合成样本的变体,这些区域是不同矿床类型最可能被混淆的区域。该设计使模型获得更多困难案例的示例,而不复制原始观测。仅对训练数据过采样;保留的测试集用于最终评估。XGBoost是一种基于梯度提升决策树的方法。XGBoost利用梯度提升,涉及创建新模型来预测先前模型的残差或误差,然后将其聚合以产生最终预测。该方法称为梯度提升是因为它采用梯度下降算法来最小化添加新模型时的损失。实际上,它持续添加树以拟合先前预测的残差,预测计算为所有树效果的总和。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号