铅锌矿床是世界范围内分布广泛且重要的矿种，是铅、锌有色金属资源和铟、锗等稀散金属资源的主要提供者。由于铅锌矿床本身成因的复杂性，对于矿床类型的划分往往会存在较大争议，这也直接影响了后续的找矿勘查工作。闪锌矿是铅锌矿床中最为重要的金属矿物之一，其微量元素的组成受控于矿物结晶过程中物理化学条件的变化（Cook et al., 2009; Ye et al., 2011; Bauer et al., 2019）。由于不同类型铅锌矿床成矿温度的不同及成矿流体和成矿物质来源的差异性，闪锌矿微量元素的组成被认为保存着与成矿有关的重要信息。已有不少研究尝试通过闪锌矿微量元素判断铅锌矿床类型，如二元经验图解或基于PCA（Principal Component Analysis）的二维投图等（e.g., Zhang, 1987; Yu et al., 2020），但是这些图解所依据的数据总量不足或数据维度不够，导致现有图解在实际应用中的效果并不理想。
       针对上述问题，本研究从前人已公开发表的论文中收集了约3600个闪锌矿LA-ICP-MS点分析，包含全球范围内的95个铅锌矿床，覆盖5种主要的铅锌矿床类型（SEDEX、MVT、VMS、矽卡岩型和浅成热液型）和12种微量元素（Mn、Fe、Co、Cu、Ga、Ge、Ag、Cd、In、Sn、Sb和Pb）。从机器学习的角度对闪锌矿微量元素和铅锌矿床类型之间的关系进行重新解译，通过监督学习的随机森林算法（Random Forests）和非监督学习的t-SNE算法（t-Distributed Stochastic Neighbor Embedding）证实了运用闪锌矿微量元素区分铅锌矿床类型的可行性。结果表明，除VMS型铅锌矿床难以与矽卡岩型和浅成热液型铅锌矿床区分外，余下4种矿床类型在上述两种算法的分类结果上均呈现出较好的区分度。本研究还进一步对分类结果进行解构，采用随机森林特征重要度和排列特征重要度以及t-SNE的特征分析方法衡量12种微量元素对于铅锌矿床分类的贡献程度。结果表明铅锌矿床类型的判别受到了闪锌矿中多种微量元素的共同影响，其中Mn、Co、Ge对于铅锌矿床分类影响较大，In、Ga、Sn、Cd、Fe次之，并且闪锌矿中Mn、Ge、In的含量对于区分矿床是否与岩浆作用相关有重要的指示意义，矽卡岩型铅锌矿床中的闪锌矿往往Co较为富集，Ga相对亏损。此外，在t-SNE算法的基础上，设计了运用闪锌矿微量元素对铅锌矿床进行分类的应用程序TsneSTED，可极大程度的提高鉴别铅锌矿床类型的准确性。

     
 

闪锌矿,机器学习,铅锌矿床