Geosci. Front. | 黄铁矿地球化学的机器学习重建矿床的多阶段成矿历史

研究亮点

本研究中均衡的大数据应用随机森林和支持向量机两种机器学习方法能够确定矿物的成因。
本研究表明可可塔勒矿床的黄铁矿可划分为早期VMS型和晚期造山型。
本研究中机器学习方法揭示了可可塔勒矿床的两阶段成矿历史。
本研究揭示了机器学习方法能够重构复杂的矿床形成历史。

关键词

机器学习

随机森林

支持向量机

黄铁矿

多阶段矿床成因

可可塔勒矿床

文章摘要

机器学习在黄铁矿判别中的应用，为构建矿床的多阶段成矿历史奠定了坚实的基础。然而，已发表的机器学习模型面临着数据集有限、数据集不均衡以及数据处理不当等各种问题。作者使用随机森林（RF）和支持向量机（SVM）两类方法，将每种类型的数据集扩充至约500个样本，其中包括508个沉积型、573个造山型金矿、548个沉积喷流型（SEDEX）以及364个火山成因块状硫化物（VMS）型黄铁矿样本，提高了分类器模型的可靠性。随机森林分类器的准确率达99.8%，支持向量机分类器准确率达100%。作者采用五折交叉验证法对模型进行评估，评估结果显示随机森林分类器的准确率为93.8%，支持向量机分类器的准确率为94.9%。在较大且均衡的数据集以及高准确率分类模型的支持下，通过黄铁矿类型可以重构矿床成矿历史。

中国西北地区的可可塔勒铅锌矿床的成因存在喷流沉积型、火山成因块状硫化物型或喷流沉积-火山成因块状硫化物过渡型的争议。运用上述机器学习方法研究该矿床的黄铁矿，结果显示岩相学上的早期细粒层状黄铁矿（Py1）属火山成因块状硫化物（VMS）型，随机森林和支持向量机的准确率分别为72.2%和75%；晚期重结晶黄铁矿（Py2）属造山型，准确率分别为74.3%和77.1%。结果表明，可可塔勒矿床起源于海底火山成因块状硫化物型成矿系统，后期经历了造山作用的变质和变形叠加，这与地质观测和地球化学结果一致。本研究显示了机器学习方法（ML）在判别矿床类型和重建多阶段成矿历史方面的优势。

图1. 全球数据集采样点位图

结论

由于数据集以及矿床类型的限制，以往研究的可靠性遭到了质疑。本研究收集了来自全球范围内的沉积型及其他3类矿床（火山成因块状硫化物(VMS)型、沉积喷流型(SEDEX)和造山型矿床）中大量的黄铁矿微量元素数据。随后，运用随机森林（RF）和支持向量机（SVM）这两种机器学习方法，基于微量元素数据开发了用于区分黄铁矿类型的模型。结果表明，随机森林和支持向量机分类模型表现良好，在测试集上的准确率分别达到93.8%和94.9%。随机森林的特征重要性排序结果显示，钼（Mo）和镍（Ni）是确定黄铁矿成因的关键元素。这些分类器被用于梳理可可塔勒矿床备受争议的成矿历史。研究结果表明，可可塔勒矿床起源于海底火山成因块状硫化物矿化作用，随后经历了造山运动导致的变质和变形，这与地质观测和地球化学特征相符。本文研究表明，机器学习（ML）方法在应对矿床学领域的挑战方面具有巨大潜力。本研究凸显了机器学习方法在准确、直接区分矿床类型以及重构多阶段矿床形成历史方面的优势。

图2. 全球黄铁矿数据集微量元素箱线图（单位：ppm）

图3. 技术路线框架图

图4. 随机森林（RF）分类器特征重要性图

图5. 基于随机森林（RF）与支持向量机（SVM）分类器交叉验证结果的混淆矩阵

图6. (A) 中亚造山带构造纲要简图；(B) 中国新疆北部构造地质简图（据Chen et al., 2012修改）

图7. (A) 麦兹盆地地质图；(B) 可可塔勒铅锌（银）矿床地质图；(C) 可可塔勒 7 号勘探线地质剖面图（据 Yu et al., 2020 修改）

图8. 可可塔勒矿床黄铁矿产出特征反光显微镜照片

(A) 纹层状黄铁矿 - 闪锌矿矿石，含细粒半自形 - 他形黄铁矿（Py1）与闪锌矿；(B) 粗粒自形 - 半自形黄铁矿（Py2）脉切割纹层状黄铁矿；(C) 巨大自形黄铁矿（Py2）被磁黄铁矿和闪锌矿交代；(D) 与磁黄铁矿共生的闪锌矿交代他形黄铁矿（Py1），并充填于半自形黄铁矿（Py2）间隙。缩写：Py— 黄铁矿，Po— 磁黄铁矿，Gn— 方铅矿，Sp— 闪锌矿。

图9. 可可塔勒矿床两类黄铁矿微量元素含量箱线图（单位：ppm）

图10. 基于随机森林（RF）与支持向量机（SVM）分类模型的可可塔勒矿床 Py1 和 Py2 黄铁矿类型判别图

原文信息

Machine learning of pyrite geochemistry reconstructs the multi-stage history of mineral deposits

Pengpeng Yu^a,b, Yuan Liu^a, Hanyu Wang^a, Xi Chen^*^,a, Yi Zheng^a,c,d, Wei Cao^a, Yiqu Xiong^e, Hongxiang Shan^a

虞鹏鹏^a,b, 柳渊^a, 王汉雨^a, 陈西 *^,a, 郑义^a,c,d, 曹伟^a, 熊伊曲^e, 单宏祥^a

^a 中山大学地球科学与工程学院地质过程与矿产资源调查广东省重点实验室，珠海519080

^b 中国地质大学地质过程与矿产资源国家重点实验室，武汉430074

^c 广东省地球动力学与地质灾害重点实验室，珠海519080

^d 南方海洋科学与工程广东实验室（珠海），珠海519080

^e 中南大学地球科学与信息物理学院，长沙410083

https://doi.org/10.1016/j.gsf.2025.102011

The application of machine learning for pyrite discrimination establishes a robust foundation for constructing the ore-forming history of multi-stage deposits; however, published models face challenges related to limited, imbalanced datasets and oversampling. In this study, the dataset was expanded to approximately 500 samples for each type, including 508 sedimentary, 573 orogenic gold, 548 sedimentary exhalative (SEDEX) deposits, and 364 volcanogenic massive sulfides (VMS) pyrites, utilizing random forest (RF) and support vector machine (SVM) methodologies to enhance the reliability of the classifier models. The RF classifier achieved an overall accuracy of 99.8%, and the SVM classifier attained an overall accuracy of 100%. The model was evaluated by five-fold cross-validation approach with 93.8% accuracy for the RF and 94.9% accuracy for the SVM classifier. These results demonstrate the strong feasibility of pyrite classification, supported by a relatively large, balanced dataset and high accuracy rates. The classifier was employed to reveal the genesis of the controversial Keketale Pb-Zn deposit in NW China, which has been inconclusive among SEDEX, VMS or a SEDEX-VMS transition. Petrographic investigations indicated that the deposit comprises early fine-grained layered pyrite (Py1) and late recrystallized pyrite (Py2). The majority voting classified Py1 as the VMS type, with an accuracy of RF and SVM being 72.2% and 75%, respectively, and confirmed Py2 as an orogenic type with 74.3% and 77.1% accuracy, respectively. The new findings indicated that the Keketale deposit originated from a submarine VMS mineralization system, followed by late orogenic-type overprinting of metamorphism and deformation, which is consistent with the geological and geochemical observations. This study further emphasizes the advantages of Machine learning (ML) methods in accurately and directly discriminating the deposit types and reconstructing the formation history of multi-stage deposits.

引用本文：Yu, P.P., Liu, Y., Wang, H.Y., Chen, X.,Zheng, Y., Cao, W., Xiong, Y.Q., Shan, H.X., 2025. Machine learning of pyrite geochemistry reconstructs the multi-stage history of mineral deposits. Geosci. Front. 16(3), 102011. doi: 10.1016/j.gsf.2025.102011

主办/《地学前缘（英文）》编辑部

文字/陈西作者团队

版式编排/张培

校审/王丽丽

END

往期回顾

2024年第15卷第1期

2024年第15卷第2期

2024年第15卷第3期

2024年第15卷第4期

2024年第15卷第5期

2024年第15卷第6期

2025年第16卷第1期

2025年第16卷第2期

2025年第16卷第3期

2025年第16卷第4期

2025年第16卷第5期

2025年第16卷第6期

2026年第17卷第1期

2026年第17卷第2期

2026年第17卷第3期

2026年第17卷第4期

诚邀Geoscience Frontiers广大作者

和读者向期刊公众号供稿！

请联系邮箱geofrontier@cugb.edu.cn。

About Geoscience Frontiers

地学前缘（英文）（Geoscience Frontiers，简称GSF）是由中国地质大学（北京）与北京大学共同主办的高水平英文学术期刊，与Elsevier出版集团合作出版，采用钻石开放获取模式。期刊主编是中国科学院院士、中国地质大学（北京）莫宣学教授。期刊主要刊载地球与行星科学领域 的高质量综述和原创研究成果，包括矿物学、岩石学、矿床学、地球化学、构造地质学、地球物理学、地层与古生物学、环境与工程地质、天体地质等。科睿唯安JCR2025影响因子：12.7，位于地球科学及交叉学科领域一区（第6/259）。2025 年中科院期刊分区：位于地球科学大类一区（Top期刊），地球科学综合 GEOSCIENCES, MULTIDISCIPLINARY 小类一区。入选“中国科技期刊卓越行动计划二期”英文领军期刊项目（2024-2028）。入选中国科技期刊卓越行动计划重点类期刊（2019-2023）。

点击下方“阅读原文”查看文章原文

点击“在看 ”，助力传播