我校核资源与环境国家重点实验室邹少浩博士以第一作者身份在自然指数期刊Journal of Geophysical Research: Solid Earth上发表研究成果（https://doi.org/10.1029/2022JB024584, 2022）。
随着全球逐步迈向低碳社会，人类对矿产资源的需求将与日剧增。斑岩型矿床作为重要的矿床类型，提供了大量的铜、金、钼、铼等矿产资源。近年来，虽然矿业公司对矿产勘探的投入不断增加，但矿产资源的发现速度却在下降。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进一步寻找覆盖厚、埋藏深“盲”矿系统。为了迎接这些挑战，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。为了解决这一问题，本实验室的邹少浩博士等人在许德如和冷成彪教授的指导下，提出了两种新的机器学习技术方法，旨在通过表征岩浆成矿潜力指标来缩小找矿勘查的范围，进而提高找矿勘查效率、并降低失误率。
本文通过全球岩浆锆石的化学数据集建立了随机森林和深度神经网络两种算法模型，两种模型在区分成矿和不成矿岩浆系统上的准确率均达到90%以上，比传统指标具有更高的准确率和更低的假阳性率。同时，本文将该模型应用于加拿大不列颠哥伦比亚铜成矿省和中国冈底斯斑岩成矿带，结果发现机器学习模型预测的结果很好地匹配了地质事实。综上说明该方法可以很好的区分成矿和不成矿岩浆系统，助力找矿勘查，并且不受地质背景的影响。本研究结果表明，机器学习有望成为一种可靠、准确、有效的方法来识别和定位矿床。
本文的研究成果被美国地质联会（AGU）高度评价，并发表了题为“Machine Learning Could Revolutionize Mineral Exploration（机器学习将彻底改变矿产勘探）”的报道（https://eos.org/research-spotlights/machine-learning-could-revolutionize-mineral-exploration）。这一成果有助于提高我校地球科学学科的学术影响力，对扩大学校和学科声誉起到了积极的推动作用。（图/文 邹少浩）
审核：潘家永 编辑：秦欢欢