运用机器学习和锆石微量元素构建花岗岩成矿潜力判别图解：以东昆仑祁漫塔格为例

由于锆石在中酸性岩中广泛存在且成分稳定、不易受到后期热液活动的扰动,因此锆石成分可以有效记录成矿岩浆信息。其中,锆石的Ce4+/Ce3+、Ce/Ce*、Eu/Eu*和Ce/Nd值可以反映岩浆氧逸度和含水量等成矿信息,已被广泛用于花岗岩类成矿潜力评价。然而,随着研究的深入发现,这些地球化学指标并不完全具有普适性。此外,以往研究均是根据对成矿岩体的“已知认识”提出成矿潜力判别方法,但考虑到成矿过程的复杂性,许多反映岩浆成矿能力的地球化学信息可能均尚未被揭露。
为此,笔者以东昆仑祁漫塔格成矿带为例,借助当前广泛应用的机器学习算法之一——支持向量机,对来自该成矿带斑岩−矽卡岩Cu−Fe−Pb−Zn多金属矿床成矿岩体和全球非成矿岩体的锆石数据开展机器学习训练,目的在于挖掘能够反映岩浆成矿能力的锆石微量元素特征,从而构建花岗岩成矿潜力判别图解。模型训练结果显示,在21个常见的锆石微量元素特征中,Gd、Dy、Yb、Y、Tm等5种元素特征对识别岩浆成矿能力最为重要。在此基础上,笔者新建立了10个二元判别图解,它们在识别成矿岩体和非成矿岩体时的准确率均接近1。研究表明,利用机器学习方法和地质大数据,可以挖掘传统研究方法难以发现的新的地球化学指标和图解,这对深入认识矿床成因、指导找矿勘查具有重要意义。