随着全球社会迈向低碳未来，过去十年对矿物和金属的需求逐年激增。尽管矿业公司在矿产勘探方面的投资有所增加，但是，矿藏的发现率却稳步下降。其中一个主要原因是大型、浅层和高品位矿床已被大量识别和开采，这要求勘探地质学家识别覆盖在数十至数百米贫瘠覆盖层上的可变矿化“盲”系统。为了应对这些挑战，迫切需要新的勘探方法和技术来帮助地质学家发现新的矿床。斑岩铜矿提供了世界上大部分的铜，以及大量的金、钼和铼，使其成为采矿业的主要勘探目标。这些矿床由富水和高氧逸度的岩浆经历流体出溶作用形成的，其特征是具有高的Sr/Y，V/Sc、Sr/MnO、Ta/Nb和Eu异常。因此，这些全岩地球化学特征通常被用作岩浆成矿潜力的指标，以评估岩浆区的成矿潜力。然而，这些全岩的地球化学特征很容易受到风化、热液蚀变和变质作用的影响，当它们被用作矿产勘探期间的远景指标时，会导致模糊的结论，尤其是当地球化学数据分散在分类边界附近时。锆石是火成岩中普遍存在且地球化学性质稳定的副矿物。它含有高浓度的稀土元素(REEs)和其他元素，如th、U、Hf、Ti和Y，记录了母岩浆的成分特征和物理化学条件(如温度、氧化状态和水含量)。因此，锆石中的微量元素化学和微量元素比值(如Eu/Eu*、Ce/Ce*、Ce/Nd和Eu/Eu*/Y)也常用作岩浆生殖力指标，以诊断源岩浆的成矿潜力。然而，一些研究表明，不同地区斑岩铜矿床的这些一维锆石微量元素比率或二元分类图与预先存在的分类范围不匹配；这可能是因为记录岩浆成矿信息的一些其他锆石微量元素信号没有包括在分类中，导致假阳性。在数学上，锆石化学可以被视为高维向量，使用传统的数据可视化技术来完全表示和理解是具有挑战性的。
基于此，本文设计了两个机器学习模型，随机森林和深度神经网络，以评估与斑岩铜矿床有关的岩浆成矿潜力。随机森林和深度神经网络模型首先使用来自世界各地的贫瘠和斑岩铜矿化岩石的锆石颗粒的微量元素化学进行训练。性能评估后，使用这些训练好的模型评估了高地谷斑岩铜矿区(加拿大不列颠哥伦比亚省中南部)和南冈底斯带(中国西藏)的岩浆成矿潜力。结果表明，我们的模型能够以较高的精度区分与斑岩铜矿有关的火成岩和不成矿系统中的锆石，并且不受地质背景的影响，表明这种新方法有潜力应用于其他未知地区。
 

机器学习，,随机森林,深度神经网络,斑岩型矿床,成矿潜力