稀土元素（REE）是戰略性新興產業（包括新能源、先進設備制造和下一代信息技術）的關鍵原材料（Goodenough等人，2017；Lima和Ottosen，2019）。特別是輕稀土元素（LREE）在石油催化裂化、汽車尾氣凈化、拋光和氫儲存中不可或缺。除了推動傳統產業的技術轉型外，LREE還為下一代信息技術和航空航天等先進領域提供了必要的材料基礎（Behrsing等人，2024）。因此，確保稀土元素的穩定可控供應鏈已成為各國保障工業安全和在技術競爭中占據主導地位的戰略重點（Girtan等人，2021）。例如，美國內政部在2018年的《關鍵礦產清單》中將稀土元素列為對國家安全和經濟穩定至關重要的資源。歐盟也在2020年的《關鍵原材料清單》中指出了其供應鏈的脆弱性（歐盟委員會，2020）。稀土資源的不均勻地理分布使得供應鏈容易受到地緣政治和貿易政策沖擊的影響，導致全球市場周期性波動（Sanematsu和Kon，2013；Bishop和Robbins，2024）。這種供需失衡加劇了多樣化稀土來源的必要性，識別和開發非常規稀土資源成為保障供應鏈安全的重要策略。

鋁土礦作為世界最重要的礦產資源之一，國內外研究均證實其礦石基質和最終產生的紅泥中富含稀土元素。這種礦物在稀土元素的回收和利用方面已取得初步成果（Long等人，2019；Alkan等人，2018），因此成為非常規稀土資源的一個重要候選者。鋁土礦主要分布在17個國家，包括幾內亞、澳大利亞、越南、巴西、牙買加、印度和中國，主要集中在北半球的40°N至40°S緯度之間（Bogatyrev等人，2009；Gao等人，2015；Long等人，2019）。中國鋁土礦儲量位居全球第八，資源豐富。這些資源主要集中在四個省份（地區）：山西、河南、貴州和廣西。這四個省份（地區）的儲量約占全國總量的91.4%，其中貴州占比17.8%，排名第四（Gao等人，2015；Tang等人，2021）。據統計，多米尼加共和國的Las Mercedes鋁土礦床平均稀土元素濃度為1530 ppm，屬于全球稀土元素富集度最高的鋁土礦床之一（Torró等人，2017）。中國各地鋁土礦床的稀土元素總濃度差異很大，范圍從4.02 ppm到10,372.5 ppm（平均614.47 ppm）。其中，輕稀土元素（ΣLREE）占主導地位，濃度范圍為3.45 ppm到10,274.43 ppm（Tang等人，2021）。山西的Xingxian礦床和貴州北部的Xinmin礦床的稀土元素富集程度最高，分別達到1.07%（相當于約1.26%的REO）和1.04%（相當于1.18%的REO）。這些數值超過了初級稀土礦床的最低要求（Xie等人，2024）。貴州北部的Xinmin礦床估計含有208,000公噸的稀土元素，顯示出巨大的資源潛力（Su等人，2021）。現有研究表明，鋁礦石系列中稀土元素的存在形式可分為三類：（1）吸附在鋁礦物（如針鐵礦、三水鋁石）和粘土礦物（如伊利石、蒙脫石等）表面的離子（Zhu等人，2019；Gu等人，2021；Wang等人，2024）；（2）作為磷灰石和氟石等礦物中離子的同質替代（Tang等人，2021；Su等人，2024）；（3）作為獨立的稀土礦物（Wang等人，2013；Jin等人，2018）。Wang等人（2013）通過EDX光譜在Xinmo向斜鋁土礦富集區底部發現了獨立的稀土礦物帕里斯石。Jin等人（2018）在Wachangping礦床稀土富集層的底部發現了兩種稀土礦物：稀散分布的synchysite和與鋯石共存的細粒xenotime。Gu等人（2021）對Xinmu-Yanxi鋁土礦樣本中的主要元素和稀土元素進行了系統分析，得出稀土元素的分布主要受鐵礦物（如針鐵礦）、含鈣礦物和粘土礦物（基于化學成分和統計數據）的影響。Su等人（2024）對Xinmin鋁土礦鉆芯樣本進行了掃描電子顯微鏡（SEM）研究，發現重礦物金紅石中均勻分布著稀土元素，表明稀土元素可能通過同質替代存在于金紅石中。盡管現有研究取得了重要成果，但在統計特性方面仍存在局限性。主要體現在兩個方面：首先，現有研究主要集中在個別礦床的重復分析上，忽略了系統性區域比較，從而影響了統計代表性；其次，傳統的統計方法（如線性分析）往往無法充分捕捉地球化學數據中的復雜非線性關系。這些限制阻礙了可靠預測模型的開發，也影響了關鍵因素的定量分析。機器學習通過特征提取、回歸預測和因子分析提供了強大的解決方案，有助于從復雜數據集中識別關鍵控制因素，量化存在概率，并闡明多因素相互作用。

一些研究探索了隨機森林（RF）和決策樹（DT）等算法在稀土元素預測中的應用（Zaremotlagh和Hezarkhani，2017；Zhou等人，2023；Song等人，2024；Buccione等人，2024；Abedini等人，2024）。例如，Buccione等人（2024）利用多種關鍵元素組合和XGBoost、ANN、SVR和RF模型預測了意大利南部喀斯特鋁土礦中的重稀土元素（HREE）濃度，強調了氧化鐵（Fe₂O₃）對HREE富集的顯著影響。Tahar-Belkacem等人（2024）也使用XGBoost、隨機森林、支持向量回歸和決策樹預測了特提斯帶高品位磷酸鹽巖（P₂O₅ ≥ 18 wt%）中的稀土元素。他們的研究表明，在氧化環境中Fe₂O₃和K₂O是重要預測因子，而在亞氧化環境中MnO和SiO₂起關鍵作用。盡管取得了這些進展，但基于機器學習的稀土元素預測仍主要依賴數據驅動。與微觀尺度實驗分析的深度整合潛力尚未得到充分探索。

為解決這一問題，本研究系統整合了貴州北部多個礦床的地球化學數據，開發了稀土元素含量的預測和分類模型。通過特征工程，我們識別并排序了控制富集的主要元素，并使用最優模型量化了這些元素的富集閾值，同時通過分類模型輔助解釋了沉積環境。最后，采用掃描電子顯微鏡和電子探針顯微分析等微觀分析技術，在微觀尺度上驗證了模型識別的高貢獻元素與稀土元素富集之間的直接相關性。通過整合多尺度證據，本研究系統闡明了稀土元素的完整富集路徑——從地球化學指標和礦物載體到沉積環境控制因素，從而建立了從預測建模到機制驗證的閉環研究體系。這種綜合方法也為類似非常規稀土礦床的研究提供了系統框架。