Apatite trace element composition as an indicator of ore deposit types: A machine learning approach
Notice bibliographique
Résumé
Abstract The diverse suite of trace elements incorporated into apatite in ore-forming systems has important applications in petrogenesis studies of mineral deposits. Trace element variations in apatite can be used to distinguish between fertile and barren environments, and thus have potential as mineral exploration tools. Such classification approaches commonly employ two-variable scatterplots of apatite trace element compositional data. While such diagrams offer accessible visualization of compositional trends, they often struggle to effectively distinguish ore deposit types because they do not employ all the high-dimensional (i.e., multi-element) information accessible from high-quality apatite trace element analysis. To address this issue, we use a supervised machine-learning-based approach (eXtreme Gradient Boosting, XGBoost) to correlate apatite compositions with ore deposit type, utilizing such high-dimensional information. We evaluated 8629 apatite trace element data from five ore deposit types (porphyry, skarn, orogenic Au, iron oxide copper gold, and iron oxide-apatite) along with unmineralized magmatic and metamorphic apatite to identify discriminating parameters for the individual deposit types, as well as for mineralized systems. According to feature selection, eight elements (Th, U, Sr, Eu, Dy, Y, Nd, and La) improve the model performance. We show that the XGBoost classifier efficiently and accurately classifies high-dimensional apatite trace element data according to the ore deposit type (overall accuracy: 94% and F1 score: 89%). Interpretation of the model using the SHAPley Additive exPlanations (SHAP) tool shows that Th, U, Eu, and Nd are the most indicative elements for classifying deposit types using apatite trace element chemistry. Our approach has broad implications for the better understanding of the sources, chemistry, and evolution of melts and hydrothermal fluids resulting in ore deposit formation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».