造山型金礦床是指形成于匯聚板塊邊界、在時間和空間上與增生造山或碰撞造山密切相關的、常受韌-脆性斷裂控制，主要呈脈狀和彌散狀礦化的金礦床系列，為全球提供了30%以上的金資源量。盡管造山型金礦床是全球十分重要的金礦床勘查類型，但是由于造山型金礦床可以產出于各個深度、不同的巖性中，使得傳統的勘查方法很難給出穩定的勘查標識，勘查難度較大。磷灰石作為熱液礦床中一種重要的副礦物，其微量元素對于揭示成礦流體物理化學條件和成礦過程有著顯著作用。近些年來，越來越多的研究發現造山型金礦床中磷灰石與金礦化有著密切聯系，然而有關磷灰石是如何形成以及磷灰石的微量元素含量受控于何種因素，目前還缺乏深入的研究，磷灰石能否發展為勘查指示礦物還需要進一步的研究。
針對上述科學問題，中國科學院廣州地球化學研究所曹根深博士生在陳華勇研究員的指導下，從已發表的文獻中匯編了566組造山型金礦床磷灰石的微量元素數據，通過傳統統計分析以及分層聚類法（HCA）、隨機森林（RF）和深層神經網絡（DNN）等機器學習方法，分析了磷灰石微量元素對于造山型金礦化的識別能力，并通過Shapley分析揭示了磷灰石中各種微量元素對于機器學習模型的貢獻度。研究取得的具體認知如下：1）造山型金礦床磷灰石在石英脈和蝕變帶中均有產出，且兩種類型磷灰石的稀土配分模式存在明顯差異，石英脈型以虧損輕稀土元素為主要特征，而蝕變帶型則表現出明顯的負Eu異常（圖1）；2）利用分層聚類（HCA）對中心對數比（CLR）轉化后的磷灰石微量元素進行分析，將造山型金礦床磷灰石以4種元素組合分為成5類（圖2），分類結果與實際情況基本吻合；3）隨機森林（RF）和深度學習網絡（DNN）能夠有效地識別出石英脈和蝕變帶中與金礦化相關的磷灰石，表明磷灰石具有發展為勘查指示礦物的潛力，特征值分析結果顯示微量元素Pb對于模型的貢獻度最高，其次為As、U、Eu、Fe、Mn等變價元素；4）Pb的高貢獻度可能為Au是以Pb-(Bi)-Au熔體的形式運移，Pb在磷灰石中的含量同時受到熔體中Pb的含量、流體氧逸度以及硫逸度共同控制，從而表現出對模型較高的貢獻度；5）通過線性判別分析（LDA）給出新的磷灰石微量元素判別圖解，用于判別造山型金礦床石英脈和蝕變帶的含礦性（圖3）。
相關成果近期發表于國際地學刊物《Geochemistry,Geophysics,Geosystems》，該項研究成果獲得了國家自然科學基金和科技部重點研發項目等項目的聯合資助。
論文信息：Cao,G.S. (曹根深),Chen,H.Y*. (陳華勇),Zhang,Y. (張宇),Sun,W.P. (孫唯品),Zhao,J.F. (趙駿峰),Zhao,H.T. (趙紅濤),Wang,H. (汪浩). 2024. Primary controlling factors of apatite trace element composition and implications for exploration in orogenic gold deposits. Geochemistry,Geophysics,Geosystems,25,e2024GC011574.
論文鏈接：https://doi.org/10.1029/2024GC011574
圖1 造山型金礦床磷灰石稀土配分模式圖
圖2 磷灰石微量元素分層聚類分析結果
圖3 線性判別分析（LDA）給出的磷灰石微量元素判別圖解
附件下載：