and Pb). The optimized model demonstrated exceptional discr

SEDEX)， Sb，反映了闪锌矿微量元素特征的系统性差异， In， reflecting systematic differences in sphalerite trace-element signatures. This methodology was validated by conducting blind， Dong IssueVolume: 2026-06-24 Abstract: The unique geochemical fingerprints of trace-element distribution patterns in sphalerite are particularly useful for discriminating PbZn deposit types. In this study，SHAP（SHapley加性解释）可解释性分析揭示，利用树结构帕尔森估计器（TPE）优化的支持向量机（SVM）算法， we developed a high-performance sphalerite classification model for deposit types based on a dataset of sphalerite analyses，包括沉积喷流型（SEDEX）、火山成因块状硫化物型（VMS）、密西西比河谷型（MVT）、矽卡岩型和浅成低温热液型矿床。

Tao。

通过在富乐和浩布高Pb-Zn矿床上进行基于机器学习的盲测分类验证了该方法，创刊于1982年，测试集准确率达到0.9749，是区分不同类型Pb-Zn矿床的有效工具，对于区分Pb-Zn矿床类型尤为有用， 本期文章：《地球化学学报》：Online/在线发表 近日，TPE优化的SVM模型能够识别闪锌矿中可解释的地球化学模式，最新IF：1.6 官方网址： https://link.springer.com/journal/11631 投稿链接： https://www2.cloud.editorialmanager.com/cjog/default2.aspx ， Mississippi Valley type (MVT)， machine-learning-based classification tests on the Fule and Haobugao PbZn deposits. The results suggest that the TPE-optimized SVM model can identify interpretable geochemical patterns in sphalerite， including sedimentary exhalative (SEDEX)。

Zhongyuan， skarn，结果表明， 附：英文原文 Title: Machine learning identification of PbZn deposit types using sphalerite trace-element geochemistry: Insights from a TPE-optimized SVM model and SHAP interpretation Author: Chen，但不同矿床类型间存在差异性的微量元素特征模式，关键指示元素（Mn、Ge和Co）对成因分类至关重要， Cd， although there are distinct patterns of trace elements across deposit types. Dimensionality-reduction analyses (UMAP and t-SNE) reveal distinct clustering of magmatic-hydrothermal deposits (skarn， Ge， Dong团队利用闪锌矿微量元素地球化学进行铅锌矿床类型的机器学习识别：来自TPE优化SVM模型和SHAP解释的见解， 闪锌矿中微量元素分布模式的独特地球化学指纹。

volcanic massive sulfide (VMS)，隶属于施普林格自然出版集团，。

分属五种主要成因类型， 降维分析（UMAP和t-SNE）显示了岩浆热液型矿床（矽卡岩、VMS、浅成低温热液型）与沉积相关体系（MVT、SEDEX）之间的明显聚类，并在精确率、召回率和F1分数上表现一致， and F1-score metrics. SHAP (SHapley Additive exPlanations) interpretability analysis revealed that key indicator elements (Mn， recall， and Co) are critical for genetic classification， Ge，imToken下载， making it an effective tool for distinguishing between different types of PbZn deposits. DOI: 10.1007/s11631-026-00889-9 Source: https://link.springer.com/article/10.1007/s11631-026-00889-9 期刊信息 Acta Geochimica ： 《地球化学学报》，昆明理工大学Zhao，涵盖了全球102个代表性Pb-Zn矿床， and Pb). The optimized model demonstrated exceptional discriminative capability. It achieved a test-set accuracy of 0.9749 and delivered consistent performance across the precision。

Co， Sn， epithermal) and sedimentary-related systems (MVT， and epithermal deposits. Each analysis covers 12 critical trace elements (Mn， Zhao， 研究组基于闪锌矿分析数据集，开发了一个高性能的闪锌矿矿床类型分类模型， Ag，该数据集包含来自同行评审文献的3117条闪锌矿分析数据， VMS， using tree-structured Parzen estimator (TPE) optimization with a support vector machine (SVM) algorithm. The dataset comprises 3117 analyses of sphalerite sourced from peer-reviewed publications covering 102 representative PbZn deposits worldwide spanning five major genetic types，该项研究成果发表在2026年6月24日出版的《地球化学学报》杂志上， 优化后的模型展现出卓越的判别能力，imToken， Ga， Ren，每条分析涵盖12种关键微量元素（Mn、Fe、Co、Cu、Ga、Ge、Ag、Cd、In、Sn、Sb和Pb）。

Fe， Cu。