Qu'est-ce que la cartographie de prospectivité minérale?

Le problème central de l'exploration minérale

Trouver un gisement minéral est avant tout un problème de prédiction de lieu. Un géologue et un modèle informatique se posent la même question. À partir de tout ce que nous savons sur la géologie d'une zone, où la minéralisation est-elle la plus probable?

La réponse n'est jamais évidente. Les gisements minéraux sont rares. Ils ne se forment que lorsque plusieurs éléments s'alignent de la bonne façon sur des millions d'années : une source de chaleur, des chemins pour les fluides, la bonne chimie et des structures qui piègent les métaux. Ce mélange laisse des indices dans de nombreux types de données, comme les mesures géophysiques, la chimie des sols, les structures des roches et les zones d'altération. Lire ces indices à la main, une couche à la fois, est lent. Cela dépend du savoir-faire d'experts, et une personne ne peut tenir qu'un nombre limité de variables en tête à la fois.

La cartographie de prospectivité est la réponse organisée du secteur à ce problème. Au lieu de regarder un ensemble de données à la fois, elle réunit toutes les preuves sur une seule carte. Cette carte montre la probabilité de minéralisation en chaque point de la zone.

Comment fonctionne la cartographie de prospectivité traditionnelle

Dans la méthode traditionnelle, un géoscientifique construit d'abord un modèle du gisement recherché. Le modèle énumère les signes géologiques attendus près de ce type de gisement, comme la proximité d'intrusions, la bonne roche hôte, certains minéraux d'altération et une réponse géophysique particulière. Le géologue note ensuite chaque signe sur la carte et additionne les notes. Cela se fait à la main ou avec un logiciel de cartographie (SIG), et le résultat est une carte de prospectivité.

Cette méthode fonctionne, et elle renferme des décennies de connaissances géologiques. Mais elle a des limites. Elle ne vaut que le modèle de départ choisi par le géologue. Elle est difficile à utiliser sur de grandes zones ou avec de nombreuses couches de données. Et elle traite chaque signe isolément, alors qu'en géologie réelle les signes s'influencent les uns les autres. Parfois, trois indices moyens répartis sur trois ensembles de données comptent plus qu'un seul indice fort. Ce genre de lien est difficile à repérer quand on combine les couches à la main.

Ce que la cartographie de prospectivité par IA fait différemment

La cartographie de prospectivité par IA renverse cette logique. Le géologue ne décide pas quels signes comptent. C'est le modèle qui les apprend à partir des données. Il étudie le mélange de caractéristiques qui apparaît près des gisements connus, ou près des forages qui ont recoupé de la minéralisation.

Le modèle est entraîné sur les endroits où des gisements sont déjà connus. Il apprend quels motifs ont tendance à apparaître avec la minéralisation, en regardant en même temps la géophysique, la chimie des sols, la structure des roches, le type de roche et les données satellites. Il examine ensuite chaque autre point de la carte et attribue à chacun un score de probabilité.

Le résultat n'est pas un simple oui ou non. C'est une carte continue de scores, où un score plus élevé signifie que l'endroit ressemble davantage aux abords des gisements connus. Un géologue peut regarder la carte, repérer des groupes de points à score élevé, voir quelles couches de données ont causé chaque groupe, puis décider si la géologie justifie vraiment un forage à cet endroit.

Le problème du déséquilibre des classes

Le problème technique le plus difficile ici porte un nom : le déséquilibre des classes. Les gisements connus sont rares, souvent seulement un à trois dans tout un district, alors que presque tout le terrain ne contient rien. Un modèle simple entraîné sur ces données apprendrait juste à dire « aucun gisement » partout. Il afficherait une très bonne précision tout en restant inutile.

Le secteur a mis au point quelques façons de gérer cela. La première est l'apprentissage positif-non étiqueté. Il traite le terrain vide comme « inconnu » plutôt que « aucun gisement », car une partie peut cacher des gisements non encore trouvés. Une autre consiste à entraîner de nombreux modèles sur différents échantillons des données et à combiner leurs réponses, ce qui rend le résultat plus stable quand les gisements connus sont peu nombreux. Une troisième est la validation croisée spatiale. Ici, le modèle est testé sur des zones distinctes de la carte, et non sur des points aléatoires. Des points aléatoires seraient trop proches des points d'entraînement, ce qui ferait paraître le modèle meilleur qu'il ne l'est.

Ces étapes ne sont pas des options en plus. Sans elles, un modèle de prospectivité peut sembler solide sur papier et échouer sur le terrain.

À quoi ressemble une carte de prospectivité en pratique

Une carte de prospectivité terminée est un fichier image, en général un GeoTIFF. Chaque pixel porte un score entre 0 et 1 qui donne la probabilité de minéralisation à cet endroit. La carte est continue, sans frontières nettes entre les zones fortes et faibles. Les pixels à score élevé ont tendance à se regrouper et à former des corridors de cibles. Un géologue peut alors comparer ces corridors aux structures connues et aux travaux géologiques antérieurs.

La carte est accompagnée d'une carte d'incertitude qui montre à quel point le modèle est sûr de lui en chaque point. L'incertitude est élevée là où les données d'entraînement sont rares, ou là où différentes exécutions du modèle ne s'accordent pas. Les deux cartes vont de pair. Un point à score élevé et à faible incertitude est une cible de forage solide, facile à défendre. Un point à score élevé mais à forte incertitude est un signal qu'il faut d'abord collecter plus de données, comme une autre ligne géophysique ou plus d'échantillons de sol, avant de dépenser pour un forage.

Ce que la cartographie de prospectivité ne peut pas faire

La cartographie de prospectivité par IA trouve des motifs statistiques. Elle pointe les endroits où le mélange de caractéristiques ressemble aux abords des gisements connus. Elle ne comprend pas comment fonctionne la géologie. Elle ne peut pas raisonner sur les structures des roches comme le ferait un géologue chevronné. Elle ne sait pas qu'une mesure géophysique provient d'une intrusion cartographiée plutôt que d'un corps de sulfures. Et dans des zones différentes de tout ce qu'elle a vu à l'entraînement, elle fonctionne moins bien.

La carte est un outil pour fixer des priorités, pas une décision de forer. Un géoscientifique qualifié devrait toujours l'examiner avant qu'elle n'oriente un programme de forage. Le modèle montre ce que disent les données, et le géologue décide de ce que cela signifie. Bien utilisée, la cartographie de prospectivité par IA donne plus de portée au géologue. Elle couvre plus de terrain, compare plus de données et trouve des motifs trop subtils pour être vus à la main. Le jugement final reste entre les mains de l'expert qui comprend la géologie.