闪锌矿（ZnS）不仅是锌多金属矿床中主要的硫化物矿物，也是铟、镓、锗和镉等战略金属的主要载体（Cook et al., 2009, 2011; Fougerouse et al., 2023; Cugerone et al., 2020, Cugerone et al., 2024; Frenzel and Thiele, 2024）。不同矿床类型（包括火山成因块状硫化物型（VMS）、密西西比河谷型（MVT）、沉积喷流型（SEDEX）、浅成低温热液型和矽卡岩型矿床）中闪锌矿的微量元素特征表现出系统性的差异。因此，这些特征可作为区分矿床成因和指导找矿的重要地球化学指标（Belissont et al., 2014; Frenzel et al., 2016）。例如，与倾向于富集于中低温沉积环境（如 MVT 和 SEDEX 型）中的 Ga 和 Ge 不同（Li et al., 2023a; Meng et al., 2024），In 通常富集于高温岩浆-热液系统中，如矽卡岩型矿床（Werner et al., 2017; Xu et al., 2021a; Zhang et al., 2022a; Mejías et al., 2023）。这种富集行为不仅依赖于温度，还与流体的氧化还原状态等物理化学条件密切相关（Frenzel et al., 2016; Bauer et al., 2019）。然而，现有研究尚未定量解释多个物理化学变量如何协同控制 In 的异常富集。这一缺口的存在主要是因为传统线性统计方法难以解构地球化学数据中高维度的交互作用和复杂的非线性关系（Zuo and Xiong, 2018），从而限制了人们对复杂成矿系统中 In 的运移与沉淀机制的深入理解。
随着大数据时代的到来，机器学习（ML）已成为地质科学领域处理复杂高维数据的有力工具（Bergen et al., 2019）。近年来的研究表明，机器学习能够成功基于闪锌矿的微量元素特征来判别矿床类型，展现出卓越的分类能力（Li et al., 2023b; Meng et al., 2024; Zeng et al., 2025; Zhang et al., 2022b; Zhao et al., 2023; Zou et al., 2025）。然而，现有的机器学习应用大多局限于相关性识别，往往无法区分真正的因果关系与虚假的统计关联（Reichstein et al., 2019; Sch?lkopf et al., 2021）。这种"黑箱"特性阻碍了为成矿机制研究所需的实质性地质洞察的提取（Karpatne et al., 2017; Zuo and Xiong, 2018），构成了数据驱动方法从简单的"分类预测"向深入"机制分析"推进的关键瓶颈。
为克服这一局限，本研究构建了从相关性识别到因果推断的综合分析框架。以战略金属铟为例，我们首先利用可解释的机器学习模型，从全球大规模闪锌矿数据集中定量识别控制 In 富集的关键地球化学变量及其非线性交互模式。在此基础上，为进一步验证这些关键变量与 In 之间是否存在稳健的物理化学驱动路径，本研究引入了结合核条件独立性（KCI）检验与因果森林的多算法因果推断策略。通过这种逐步"解释-验证"的思路，本研究旨在回答数据驱动方法能否定量刻画控制 In 富集的关键因素这一科学问题。此外，我们力求阐明源区丰度与沉淀过程（例如温度和氧化还原条件）在驱动 In 异常富集方面各自所扮演的角色及其机制。尽管本研究主要聚焦于 In，所建立的框架本身具有普适性，为研究其他关键元素（例如 Ga、Ge）在不同矿床系统中富集机制提供了稳健的范式。该框架不仅深化了对分散元素地球化学行为的理解，也为战略金属资源的勘查与评价提供了严格、定量的范式。
