内蒙古浩布高铅锌矿床闪锌矿微量元素特征及其地质意义*

曾庆文 戴香麟 董国臣 魏良民 秦季军 陈佳德 肖阳 舒启海

黄岗-甘珠尔庙多金属成矿带位于大兴安岭南段，广泛发育中生代岩浆岩及相关的热液矿床(Ouyangetal., 2013; Shuetal., 2013, 2016; Chenetal., 2017; Changetal., 2019; Dengetal., 2019; Maoetal., 2019)，典型的铅锌多金属矿床包括维拉斯托、拜仁达坝、白音诺尔、浩布高等(唐然坤等，2014; 于琪，2015; Liuetal., 2016; 翟德高等，2016; Shuetal., 2017, 2021; Wangetal., 2017)。其中，浩布高(又称“红岭”)矿床是一个以锌为主，铅、铁、铜、银伴生的大型多金属矿床。前人对浩布高矿床地球化学、成岩成矿年代学、流体包裹体、金属成矿潜力预测等方面进行了大量研究(Liuetal., 2017, 2018, 2021a, b; Wangetal., 2018a, b, 2019; Fanetal., 2019; Hongetal., 2021; Shuetal., 2021; Niuetal., 2022)，但对该矿床闪锌矿微量元素特征及其赋存机制尚不清晰。此外，浩布高矿床成矿类型目前尚存在争议：多数学者认为，浩布高矿体沿着大理岩与板岩层间分布，蚀变以矽卡岩化为主，为典型的矽卡岩型矿床(Liuetal., 2017, 2018, 2021a, b; Wangetal., 2018a, b; Shuetal., 2021; Niuetal., 2022)；但也有部分学者认为，浩布高与大兴安岭南段的白音诺尔铅锌矿、黄岗锡铁矿、大井锡多金属矿床等的形成与二叠纪火山沉积盆地有关的海底热液喷流沉积成矿作用相关，将其归类为喷流沉积(SEDEX)型矿床(刘建明等，2002; 叶杰等，2002; 曾庆栋等，2007; 王长明，2008)。

闪锌矿(ZnS)是铅锌矿床中最主要的金属矿物之一，常含有一定量的Fe、Mn、Cu、Cd、In、Sn、Ga、Ge、Sb、Tl、Bi、Pb、As等微量元素,不同矿床或同一矿床不同矿石之间闪锌矿微量元素含量变化大，有些元素甚至有几个数量级的变化范围(例如，Cu、Ag、In、Sn、Pb、Bi等)，这些元素特征常常蕴含着重要的成因信息(叶霖等，2012;郭飞等，2020)。自20世纪90年代以来，众多学者致力于研究闪锌矿的微量元素组成特征，并将其用于矿床成矿类型划分和成矿信息提取，取得了一定的进展(刘英俊等，1984; Hustonetal., 1995; Beaudoin,2000; 涂光炽等，2004; Monteiroetal., 2006; Gottesmann and Kampe, 2007; Ishihara and Endo, 2007; Wangetal., 2010; 叶霖等，2012; 高永宝等，2016; 吴越等, 2019; 郭飞等，2020)。然而，传统的二元图解通常只能展示两种或少量几种微量元素的特征，而闪锌矿常含十几或二十多种不同的微量元素信息。这使得众多微量元素组成特征在传统二元图解中无法体现，大量特征信息的缺失或舍弃导致判别效果不理想。

随着地质大数据以指数形式的增长，大数据和人工智能算法的应用正逐步改变地质学的面貌(周永章等，2018a，2021；马瑶和赵江南，2021)。机器学习作为人工智能的核心被广泛地应用于地质学的各个领域。例如，应用PCA、t-SNE和SVM判别岩浆和热液成因的高钛磁铁矿(Huetal., 2022)，应用迁移学习实现岩石岩性的自动识别与分类(张野等，2018)，应用AlexNet实现二维找矿预测(李诗等，2019)，应用多种机器学习算法揭示石英形成环境(Wangetal., 2021)等。机器学习中的支持向量机方法可集中展示闪锌矿多种微量元素特征，通过将样本空间映射到高维特征空间中，使得在低维样本空间中无法线性处理的数据集可以通过一个线性的超平面实现线性可分(周永章等，2018b)，适用于通过闪锌矿复杂微量元素组成特征来判别矿床成矿类型的问题。

本研究采用激光剥蚀电感耦合等离子体质谱仪(LA-ICP-MS)分析浩布高铅锌矿床闪锌矿原位微量元素组成，结合机器学习的方法，探讨了浩布高闪锌矿中微量元素特征及其赋存机制，并判别了其成矿类型，为厘定浩布高矿床成因提供参考，同时也为利用闪锌矿微量元素特征来判别矿床类型提供新方案。

1 区域地质背景及矿床地质特征

中国东北地区位于中亚造山带东端(图1a)，显生宙以来主要经历了两期大地构造运动(engör and Natal’in, 1996; Xiaoetal., 2009)：一是古生代古亚洲洋板块的俯冲及其最终沿索伦-西拉木伦-长春缝合带闭合，这导致了多个微陆块(包括额尔古纳地块、兴安地体、松辽地体和辽源地体等)的最终拼合(Wuetal., 2011)；二是中生代以来古太平洋板块的俯冲和后撤，同时伴随大规模岩浆作用和金属成矿(Zhangetal., 2010; Wuetal., 2011; Shuetal., 2016)。在中国东北，大多数与侵入岩有关的热液矿床均发育于中生代(Shuetal., 2016, 2019; Chenetal., 2017; Dengetal., 2017, 2019; Changetal., 2019; Xingetal., 2020, 2021; Lietal., 2021, 2022; Shu and Chiaradia, 2021)。大兴安岭南段黄岗-甘珠尔庙多金属成矿带是中生代构造-岩浆-成矿事件的产物(图1b)，其包含了百余个铅锌多金属矿床，是我国重要的有色金属成矿带之一，主要产出铅、锌、银、铜、钼和锡等(陈衍景等，2009; Zengetal., 2011; Shuetal., 2013, 2017)。

图1 东北地区大地构造位置(a, 据Wu et al., 2011修改)及大兴安岭南段区域地质简图及主要的含铅锌矿床(b, 据Shu et al., 2013修改)

大兴安岭南段的浩布高矿床含有锌、铅以及少量的铁、铜和银(含有锌0.29Mt，平均品位4.24%; 铅0.15Mt，平均品位2.25%; 铁2.91Mt，平均品位28.7%; 铜小于0.01Mt，平均品位0.14%; Liuetal., 2018; 孙九达等, 2018)。矿区围岩包括下二叠统大石寨组和上侏罗统满克头鄂博组(图2a)。大石寨组下部由粉砂岩和页岩组成，含灰岩夹层，部分变质为角岩、板岩和大理岩；上部包括安山岩和安山质凝灰岩。满克头鄂博组流纹岩不整合覆盖在大石寨组之上。围岩被多期岩浆岩侵入，包括花岗斑岩、黑云母花岗岩以及闪长玢岩(图2b)。花岗斑岩锆石U-Pb年龄为140.85±0.75Ma(Hongetal., 2021)；黑云母花岗岩的锆石U-Pb年龄为140.9±0.8Ma(Niuetal., 2022)；闪长玢岩的锆石U-Pb年龄为134±2Ma(Wangetal., 2018a)。矽卡岩中石榴石U-Pb年龄为139.10±5.4Ma和140.70±1.89Ma(Hongetal., 2021)；矽卡岩矿体中发育少量辉钼矿和锡石，其中，辉钼矿Re-Os年龄为140.3±3.4Ma(万多等, 2014)，锡石U-Pb年龄为139.6±0.9Ma (Liuetal., 2018)。年代学结果显示岩浆活动和成矿作用具有同时性，这反映了二者可能具有同源性的特征(Shuetal., 2021)。

图2 浩布高矿床矿区地质图(a, 据李剑锋，2015修改)及代表性地质剖面图(b, 据Liu et al., 2018修改)

浩布高矿体少量出现在黑云母花岗岩和大理岩的接触带中，而大多分布在侵入体外围大石寨组的板岩和大理岩之间，顺层产出(图3a, b)。单个矿体的厚度多在1～100m之间，长度为350～1400m(Liuetal., 2018; 孙九达等，2018)，主要沿东北向展布。矽卡岩矿体主要由钙硅酸盐矿物、氧化物和硫化物组成，沿主矿体之下的黑云母花岗岩向上，这些矿物的分布显示出明显的分带性：在近岩体端，呈现出高的石榴石/辉石比和铁、铜矿化；在远离岩体部位，辉石和硅灰石为主要的矽卡岩矿物，并发育铅锌矿化(Shuetal., 2021)。时间上，热液演化和金属矿化可分为4个阶段，包括成矿前的高温石榴石-辉石-硅灰石干矽卡岩阶段(图3c)、黑柱石-角闪石-绿帘石-石英蚀变为主的磁铁矿化阶段(图3d)、绿泥石-石英-方解石蚀变为主的铜-铅-锌硫化物矿化阶段(图3e、图4)以及成矿后的贫矿碳酸盐(方解石)阶段(图3f)。

图3 浩布高矿床野外和手标本照片

图4 浩布高矿床矽卡岩和矿石显微照片

2 研究方法

本次测试的3个样品均来自浩布高矿床，其中H46和H08来自浩布高1号矿体1035中段，HBG51来自近地表位置(N44°36′38″、E119°13′1″)。闪锌矿成分LA-ICP-MS分析在合肥工业大学矿床成因与勘查技术研究中心矿物微区分析实验室完成。激光剥蚀系统为PhotonMachines Analyte HE(193-nm ArF准分子激光器)，ICP-MS为Agilent 7900。激光剥蚀过程中采用氦气(流量为0.9L/min)作载气、氩气(0.87L/min)为补偿气以调节灵敏度，二者在进入ICP之前通过一个T型接头混合。样品分析前，对ICP-MS系统进行优化以获得最佳灵敏度和最低氧化物产率(232Th16O/232Th<0.3%)。每个样品的分析信号包括20s的空白信号和50s的样品信号。仪器的相关参数如下: 激光剥蚀频率8Hz, 剥蚀束斑30μm，剥蚀点的能量密度为4J/cm2。闪锌矿微量元素含量利用NIST 610、NIST612、BCR-2G作为外标，微量元素测试精度优于10%，检出限为10-9。对分析数据的离线处理(包括对样品和空白信号的选择、灵敏度漂移校正和元素含量分析)采用软件 ICPMS DataCal完成。详细的仪器操作以及数据处理方法见宁思远等(2017)和汪方跃等(2017)。

闪锌矿元素组成可用于判断铅锌成矿类型。本文搜集了众多不同成因类型的闪锌矿微量元素数据，剔除了一些元素含量缺失、矿床类型不明或明显异常的数据后，剩余有效数据671组。为了量化评价且筛选出有效的地球化学图解，引入轮廓系数(Silhouette Coefficient)。轮廓系数是评价聚类好坏的一种指标，取值范围为[-1, 1]，值越大，表明聚类效果越好(Rousseeuw, 1987)。轮廓系数(s)结合了内聚度和分离度两种因素，其表达式为：

其中，内聚度a(i)为样本i与同一类别中的其他所有点的平均距离；分离度b(i)为样本i与下一个最近的簇中所有点的平均距离，max表示取集合{a(i),b(i)}中的最大值。内聚度反映了样本点与簇内元素的紧密程度，分离度反映了样本点与簇外元素的紧密程度。s(i)接近1，说明样本i聚类合理；s(i)接近-1，说明聚类错误，样本i应该分到另外簇中；s(i)为0，说明样本i在两簇边界上(王瑀等，2022)。总体聚类结果的轮廓系数s为所有样本点轮廓系数s(i)的平均值。通过穷举闪锌矿微量元素图解，基于轮廓系数排序，可筛选出不同类型闪锌矿具有最佳区分度的端元，以此构建有效端元图解。

支持向量机(SVM)是监督学习中一类重要的二元分类的广义线性分类器。它的基本原理是将样本的实际参数转化为高维空间中的点坐标，这样在低维空间中无法线性处理的数据集可以通过一个线性的超平面实现回归分析(周永章等，2018b)。SVM还可以通过核函数的方法实现非线性分类，将样本参数由原始特征空间映射到更高维的希尔伯特空间，从而转化为线性可分的问题(Chang and Lin, 2011; 王瑀等，2022)。常见的核函数有：线性核(Linear kernel)、多项式核(Polynomial kernel)、径向基核(又称高斯核，RBF kernel)、Sigmoid核(Sigmoid kernel)等。为提高结果的准确率，本次测试并对比了以上四种不同核函数的支持向量机模型。支持向量机模型采用10折交叉验证法，将数据集分割成10个子集，随机抽取其中9个作为训练集，剩下一个作为测试集，重复10次进行交叉验证，将10次测试结果取平均值得到一个最终的测试得分(Browne, 2000)。为了避免过拟合现象，结合网格搜索、学习曲线优化超参数，使用准确率作为评价指标(朱紫怡等，2022)。

3 结果

3.1 浩布高闪锌矿元素组成

闪锌矿LA-ICP-MS成分分析结果如表1所示，其中Fe含量为6.90%～14.0%，均值为9.88%。多数样品均大于10.0%，表明其属于铁闪锌矿。Zn含量为43.1%～48.6%，平均45.8%；Mn含量为0.19%～0.62%，平均0.36%；Cd含量为0.42%～0.58%，平均0.47%；Cu的含量为1.81×10-6～9615×10-6，均值为556×10-6；Co含量为51.4×10-6～300×10-6，平均149×10-6；Ag含量为1.57×10-6～100×10-6，均值为9.30×10-6；In含量为0.88×10-6～97.2×10-6，均值为40.5×10-6；Sn含量为0.26×10-6～43.3×10-6，均值为5.08×10-6。Ni、Ga、Ge、As、Mo、Sb、Au、Tl、Pb、Bi等元素含量相对较低。其中，Ni均值为1.49×10-6；Ga均值为0.32×10-6；Ge均值为1.16×10-6；Pb均值为1.12×10-6。总体而言，浩布高闪锌矿微量元素呈现出相对富集Fe、Mn、Co、Cu、Se、Ag、Cd、In和Sn，贫Ni、Ga、Ge、As、Mo、Sb、Au、Tl、Pb和Bi的特征。

表1 浩布高铅锌矿床闪锌矿元素组成(wt%)

3.2 基于机器学习的闪锌矿成矿类型判别

本文梳理了五种常见矿床类型闪锌矿微量元素数据来检测通过二元图解判别矿床类型的准确度，包括矽卡岩型(Cooketal., 2009; Yeetal., 2011; Leeetal., 2019)、浅成低温热液型(Cooketal., 2009; Yangetal., 2020)、MVT型(Pfaffetal., 2011; Yeetal., 2011;周云, 2017; Yuanetal., 2018; 吴越等，2019)、SEDEX型(Yeetal., 2011)以及VMS型(Cooketal., 2009; Yeetal., 2011; Lockingtonetal., 2014)。由于不同文献中，测试机构、测试仪器、测试方法的差异以及测试技术的不断改进，闪锌矿微量元素数据完整性参差不齐，且部分样品少量元素含量过低，低于检出限。为提高数据集质量，在原始数据中选择Ag、Bi、Cd、Co、Cu、Fe、Ga、Ge、In、Mn、Pb、Sb、Sn和Tl等数据较多的元素组成数据集，剔除未检测的空格值，而低于检出限的填充检出值。由于不同元素组成的数量级相差较大，将数据集进行对数变换有利于提高机器学习的准确率。将这14种元素对数变换后，两两组合，以穷举的方式生成91个二元图解并计算轮廓系数(表2；朱紫怡等，2022; 王瑀等，2022)。

表2 不同类型矿床闪锌矿微量元素轮廓系数汇总

将所有组合图解按轮廓系数排序，轮廓系数越大，表明各类型矿床闪锌矿区分度越好。结果显示，仅有Mn、Co、Ag、Sn四种元素组成图解对应的部分轮廓系数大于0，表明其余10种元素无法区分各类型矿床闪锌矿，故简单地将其应用于成矿类型判别可能导致准确率降低，甚至判别错误。计算以上四种元素中任意两元素比值，得到Mn/Co、Mn/Ag、Mn/Sn、Co/Ag、Co/Sn、Ag/Sn六种组合。再将四种元素与两两组合的六种元素比结合，得到10个构建图解的端元，以穷举法生成45个新二元图解并计算其轮廓系数。结果表明，闪锌矿二元图解中轮廓系数得分最高的组合为Co/Ag-Mn，其轮廓系数为0.14(图5)。通过穷举闪锌矿微量元素图解发现，即使得分最高的lg(Co/Ag)-lgMn图解依然有很大重叠区域，只有MVT型闪锌矿分布较为孤立，矽卡岩型、SEDEX型和VMS型闪锌矿难以完全区分，而浅成低温热液型闪锌矿分布范围较广。单独将Co/Ag、Mn这两列数据作为训练集输入高斯内核的支持向量机中进行训练，最终模型的准确率得分仅有72.8%，这表明二元判别图解无法反映闪锌矿微量元素的高维地球化学特征，无法作为闪锌矿微量元素判别其矿床类型的可靠依据。

图5 闪锌矿微量元素区分不同矿床类型的lg(Co/Ag)-lgMn二元图解(轮廓系数得分为0.14)

机器学习的方法可以提取闪锌矿微量元素的高维空间特征，利用多个元素特征参数，建立判别矿床类型的新方法。通过网格搜索，10折交叉验证，以准确率为评价模型的标准，寻找四种不同内核的支持向量机对闪锌矿分类的最优超参数。其最优超参数分别为：线性内核(C=1)；多项式内核(C=40, coef0=1, degree=3)；高斯内核(C=5, gamma=0.2)；Sigmoid内核(C=20, coef0=0, gamma=0.001)。

将最优超参数输入到支持向量机中，通过10折交叉验证，以准确率为评价模型的标准，得出四种模型的最终得分，并作学习曲线图(图6)。结果表明，高斯内核的支持向量机准确率得分最高，整体交叉验证得分为91.5%。其次为三项式内核的支持向量机，整体准确率得分87.0%。线性内核和Sigmoid内核的支持向量机准确率得分较差，整体交叉验证得分仅为75.1%和74.8%。总体上四种算法的训练集得分曲线和交叉验证集曲线均已收敛，未出现“过拟合”现象(图6)。学习曲线结果表明：相较于其他算法，高斯内核的支持向量机具有较高的准确率(91.5%)，且并无“过拟合”现象，推荐使用高斯内核的支持向量机判别闪锌矿所属的成矿类型。

图6 四种常见的核函数支持向量机算法在不同矿床类型的闪锌矿分类中的学习曲线比较

4 讨论

4.1 闪锌矿中微量元素替代机制

稀散金属已成为全球争夺的战略性矿产资源，讨论稀散金属元素在闪锌矿中的替代机制，对理解其富集矿化潜力和资源评价具有重要的指导意义。研究表明，闪锌矿中Zn2+容易被一些二价金属阳离子如Fe2+、Cd2+、Co2+、Mn2+、Sn2+等替代(Cooketal., 2009, 2015; Belissontetal., 2014, 2016; Frenzeletal., 2016; Georgeetal., 2016)。在LA-ICP-MS激光剥蚀信号图中，Fe、Cd、Co、Mn等元素呈现出平缓的直线，与Zn、S的信号分配形式一致(图7a)，这表明这些二价元素以类质同象形式进入闪锌矿。浩布高闪锌矿的Fe与Zn、Fe+Mn+Cd与Zn均呈现明显的负相关性，进一步证实了这种观点(图8a, b)。相较于其它元素，Cu、Ag、Sn等元素含量变化范围较大(2～5个数量级不等)，且这三种元素往往出现较明显的峰形信号(图7b)，说明这些元素除以类质同象方式外，部分还以矿物包裹体形式赋存于闪锌矿中(郭飞等，2020)。

图7 浩布高铅锌矿床闪锌矿激光剥蚀信号强度图谱

研究表明，闪锌矿中常见的稀散金属元素包括Ga、In、Cd、Ge等(Cooketal., 2009; Murakami and Ishihara, 2013; Belissontetal., 2016; 叶霖等，2019；李云刚和朱传威，2020；李晓峰等，2020；温汉捷等，2020；周涛发等，2020)。还原条件下，Ga呈6配位时的离子半径与硫化物矿床中的Zn、Sn、Cu、Fe、Sb等元素的离子半径接近，尤其与Zn近似，导致硫化物矿床中的闪锌矿成为Ga的主要富集载体。Cooketal. (2009)研究表明，Ga与(Cu+Ag)含量有正相关性，推测Ga主要与Cu、Ag协同进入闪锌矿中，替代方式为2Zn2+↔Ga3++(Ag, Cu)+。李云刚和朱传威(2020)研究发现，会泽铅锌矿床中闪锌矿Ga与In含量几乎一致，推测Ga还能与In替代Zn协同进入闪锌矿，即3Zn2+↔Ga3++In3+。浩布高闪锌矿Ga并不富集，均值只有0.32×10-6，与Zn、Cu、Ag、In也没有明显的相关性(图8f-i)，表明只有少量Ga元素进入闪锌矿中。

图8 浩布高铅锌矿床闪锌矿微量元素图解

李晓峰等(2020)总结了闪锌矿中In替代Zn的三种方式：(1)Cu++In3+↔2Zn2+；(2)Cu+/Ag++In3+↔2Zn2+；(3)In3++Sn3++(空位)↔3Zn2+。In除了以类质同象的形式富集于硫化物中，还可以In独立矿物形式存在。主要的含In矿物有硫铟铜矿、铟石以及羟铟石，多以显微出溶物形式赋存在闪锌矿、斑铜矿中。在In/Zn>50时，In相对Zn过饱和，使硫铟铜矿在高温时从闪锌矿中出溶；In/Zn<50时，In多以类质同象赋存于闪锌矿和黄铜矿晶格中(李晓峰等，2020)。此外，学者在都龙矿床中还发现存在Ag+与In3+协同替代Zn2+的现象(Murakami and Ishihara, 2013)；同时，上文已提到In和Ga可能协同进入闪锌矿中。实际上，除Ga外，李云刚和朱传威(2020)对会泽矿床研究发现In也可能与Sn协同进入闪锌矿中。浩布高闪锌矿中Cu、In相对富集(Cu均值为556×10-6; In均值为40.5×10-6)，但Cu与In含量相关性不太显著，可能具有一定的正相关性(图8c)，结合前人的研究与激光剥蚀信号强度图谱，推测浩布高矿床中In可能以Cu++In3+↔2Zn2+的方式配合Cu+替代闪锌矿中的Zn。

Cd和Zn同族且均为亲硫元素，二者具有相近的离子半径和相似的四面体共价半径及构造类型，因此Cd与Zn地球化学行为类似，导致Cd主要赋存在富Zn矿床中(温汉捷等，2019)。在铅锌矿床中，Cd主要以类质同象的方式取代Zn赋存在闪锌矿或闪锌矿的氧化产物(如锌华、菱锌矿)中(温汉捷等，2020)。但也有学者提出不同观点：刘铁庚等(2010)在研究贵州牛角塘镉锌矿、河南破山银铅锌矿和江西虎墟金铅锌多金属矿的闪锌矿成分时，发现其中Cd与Zn基本都呈正相关关系，而与Fe呈较好的负相关关系，据此认为闪锌矿中Cd主要类质同象置换了Fe而非Zn。浩布高矿床中的Cd较为富集(平均0.47%)，但Cd与Zn、Fe的相关性总体不太显著。不过，除个别样品外，Cd与Fe存在一定的正相关性(图8d)，而与Zn存在一定的负相关性(图8e)，这表明在闪锌矿中Cd可能以类质同象的方式置换了Zn而非Fe。

闪锌矿亦是一种富Ge矿物，但Ge在闪锌矿中的赋存状态和替代机制仍存在较大争议，原因是Ge和其它微量元素在闪锌矿中的价态尚不清晰(叶霖等，2019)。部分学者认为，Ge主要以+2价的离子替代Zn2+进入闪锌矿(Cooketal., 2009)。然而有研究表明，闪锌矿中的Ge和Cu、Ag等一价元素有较强的相关性，可以与Cu、Ag通过Ge4++2(Cu+, Ag+)↔3Zn2+协同进入闪锌矿(Belissontetal., 2016)；对于Ge与Cu、Ag无相关关系的闪锌矿，其替代机制可能为：Ge4++ (空位) ↔2Zn2+。在浩布高铅锌矿床中，闪锌矿的Ge含量并不富集(0.23×10-6～1.86×10-6, 平均1.16×10-6)，与Zn、Cu、Ag等元素相关性均不强(图8j-l)，无法判断Ge的替代机制。

4.2 矿床成因

不同成因类型矿床由于成矿物质来源、成矿物理化学条件(如元素浓度、温度、压力、pH值等)、流体运移与矿物沉淀机制等方面的差异，矿物微量元素特征不同。因此，可以利用微量元素组成来判别矿床成因类型(刘英俊等，1984; Cooketal., 2009; 郭飞等，2020)。

研究表明，不同类型矿床闪锌矿微量元素组成具有明显差异，如矽卡岩矿床闪锌矿一般富集Fe、Co、Mn、In，贫Ga、Ge、Cd、Sn；MVT铅锌矿床富集Cd、Ga、Ge、As、Tl，贫Fe、Mn、In、Sn、Co；热液脉型铅锌矿富集Mn、Sn、Ga、Ge、In，以较高Fe、Cu、Pb、Sb和较低的Ni含量为特征；SEDEX型铅锌矿床富集Fe、Mn、In，贫Ga、Cd、Ge；VMS型铅锌矿床以富集Fe、Mn、Co、Sn、In，贫Cd、Ga、Ge为特征(Cooketal., 2009; Yeetal., 2011; 叶霖等，2012; Belissontetal., 2014; Georgeetal., 2016; Yuanetal., 2018; 郭飞等，2020; 王皓宇等，2021)。

浩布高闪锌矿中Fe的含量明显高于湖南栗山热液填充交代型铅锌矿床、云南金顶砂岩型铅锌矿床和四川大梁子MVT型铅锌矿床，与矽卡岩型(如云南核桃坪)、SEDEX型(如广东大宝山)和VMS型(如云南澜沧老厂)闪锌矿接近(叶霖等，2012; Yuanetal., 2018; 郭飞等, 2020)。浩布高闪锌矿Mn元素含量高于栗山热液填充交代型铅锌矿床、金顶砂岩型铅锌矿床和MVT铅锌矿床(如扬子板块周缘的会泽、大梁子、金沙厂和马元铅锌矿床; 高永宝等，2016; 吴越等，2019)。浩布高闪锌矿Co含量高于金顶砂岩型、MVT型、SEDEX和VMS型铅锌矿床，与矽卡岩型铅锌矿床接近(郭飞等, 2020)。Se含量高于会泽、大梁子、金沙厂和马元等MVT型和SEDEX型(如云南白牛厂、广东大宝山)铅锌矿床(Yeetal., 2011; 叶霖等，2012; 高永宝等，2016; 吴越等，2019)，与云南核桃坪、鲁子园等矽卡岩型铅锌矿床接近(Yeetal., 2011)。Cd含量低于MVT型铅锌矿床和沉积喷流型铅锌矿床闪锌矿(郭飞等，2020)。总体而言，浩布高铅锌矿床闪锌矿以富集Fe、Mn、Co、Se、Cd、In，贫Ni、Ga、Ge、As、Mo、Sb、Au、Tl、Pb、Bi为特点，其微量元素特征明显不同于MVT型、SEDEX型、VMS型铅锌矿床，与矽卡岩型矿床特征接近。

传统的二维图解对铅锌矿床成因类型判别并不理想，如在Ag-(Ga+Ge)-(In+Se+Te)三角图解中，SEDEX型、VMS型和矽卡岩型铅锌矿难以完全区分，只有MVT型铅锌矿床差异较明显(郭飞等，2020)，其特点与lg(Co/Ag)-lgMn图解所显示的结果类似(图5)。本文利用机器学习方法，将浩布高闪锌矿微量元素数据输入前文训练好的高斯核支持向量机中进行预测。最终结果表明，总计42组数据中仅有H08-2、H08-3、H08-8、H08-9、H08-12这五组数据被分类为VMS型铅锌矿床，其余37组数据均被分类为矽卡岩型铅锌矿床，即浩布高矿床有88%的概率为矽卡岩型。浩布高矿体主要沿二叠系大石寨组地层中的大理岩层位分布，且部分矿体直接分布于黑云母花岗岩和大理岩的接触带中(Shuetal., 2021; Niuetal., 2022)。浩布高广泛发育石榴石、辉石和硅灰石等高温蚀变矿物，与典型的矽卡岩型矿床相符，而不同于VMS型矿床(Meinertetal., 2005)。此外，浩布高石榴石U-Pb年龄为139.10±5.4Ma和140.70±1.89Ma，辉钼矿Re-Os年龄为140.3±3.4Ma，锡石U-Pb年龄为139.6±0.9Ma(万多等, 2014; Liuetal., 2018; Hongetal., 2021)，与黑云母花岗岩结晶年龄(140.9±0.8Ma, Niuetal., 2022)一致，也反映了岩浆活动和成矿作用具有同时性，符合矽卡岩成矿的一般规律(Meinertetal., 2005)。综合以上矿物学、年代学以及本研究获得的闪锌矿地球化学证据表明，浩布高矿床应当是一个典型的矽卡岩型铅锌矿床。

5 结论

(1)浩布高矿床闪锌矿相对富集Fe、Mn、Co、Cu、Se、Ag、Cd、In、Sn等，贫Ni、Ga、Ge、As、Mo、Sb、Au、Tl、Pb、Bi等元素，其中Fe、Mn、In、Cd等元素主要以类质同象的方式替代Zn。闪锌矿中Ga、Ge含量较低，与Zn、Cu、Ag等元素相关性不强。

(2)通过穷举闪锌矿微量元素图解发现，即使轮廓系数得分最高的Co/Ag-Mn图解依然有很大部分重叠区域，因此不能简单地利用闪锌矿微量元素二元图解来有效判别矿床类型。机器学习中支持向量机算法判别结果表明浩布高大概率可归为矽卡岩型矿床，这与其矿床地质特征及年代学数据所显示的结果一致，证实浩布高是一个典型的矽卡岩型铅锌矿床。