L’apprentissage automatique peut aider les sociétés minières à trier des décennies de données géologiques, géochimiques, géophysiques et satellitaires, et à décider où chercher ensuite. Mais, explique le scientifique iranien et ingénieur des mines Adel Shirazy, une carte de prospectivité produite par l’IA est une hypothèse sur l’endroit où chercher, pas la preuve d’un gisement, d’une teneur, d’un tonnage ou d’une valeur économique. À partir d’une étude récente sur le cuivre en Iran, il montre comment utiliser ces outils sans confondre une carte colorée avec une découverte.
La promesse et le piège
Les équipes d’exploration se retrouvent souvent face à des décennies d’échantillons de roche, de levés magnétiques, d’images satellitaires, d’interprétations structurales et d’archives d’anciens travaux miniers, dispersés entre de multiples sources. L’apprentissage automatique peut organiser ces indices et faire ressortir les zones qui ressemblent à des contextes minéralisés connus. Il aide ainsi les équipes à comparer les informations de manière cohérente et à hiérarchiser le travail de terrain. Les synthèses consacrées à l’IA en exploration minérale décrivent l’essor de ces méthodes, tout en soulignant que leur fiabilité dépend de la qualité des données, du contexte géologique et de l’évaluation des modèles [1].
Le piège consiste à prendre le résultat pour une carte au trésor. Une zone rouge vif sur une carte de prédiction peut sembler précise, mais cette couleur n’est que le produit d’un modèle et de ses hypothèses. Tant que le score n’a pas été correctement calibré, il ne doit pas être lu comme la probabilité littérale qu’un gisement existe. Un score élevé ne dit rien non plus de la teneur, de la taille, de la métallurgie, de la profondeur, de la difficulté d’obtenir les autorisations ou du coût d’extraction.
La question pratique n’est donc pas « L’IA peut-elle trouver une mine ? », mais « L’IA peut-elle nous aider à décider quelles cibles méritent le prochain dollar investi sur le terrain, et quel degré de confiance accorder à cette décision ? »
Ce que le modèle apprend réellement
La plupart des modèles d’exploration apprennent des relations statistiques entre des caractéristiques géologiques et des indices minéralisés connus. Selon le projet, les données d’entrée peuvent comprendre la lithologie, les failles, les altérations, les anomalies géochimiques, les réponses géophysiques, la topographie et des informations issues de la télédétection satellitaire. Le modèle s’appuie sur ces régularités pour classer les zones selon leur ressemblance avec des contextes minéralisés connus.
Ces modèles peuvent apprendre de véritables signaux de système minéralisateur, mais aussi des régularités trompeuses. Si les gisements connus se concentrent près des routes ou d’anciens travaux miniers, un modèle risque de refléter en partie les endroits où l’exploration s’est déjà concentrée. De même, une couverture inégale des levés peut faire passer la simple disponibilité des données pour un signal géologique.
Des travaux comparatifs ont montré que le choix de l’algorithme, la distribution des données d’entraînement, le réglage des paramètres et l’interprétabilité peuvent tous influer sur les résultats de prospectivité minérale [1], [2]. Il n’existe pas d’algorithme universellement meilleur pour chaque substance, chaque type de gisement ou chaque environnement de données.
Une approche de l’IA en exploration guidée par le terrain
Un modèle d’exploration fiable commence par une question géologique, pas par un algorithme. La substance recherchée, le système minéralisateur et l’échelle d’étude doivent déterminer quels indices comptent. La lithologie, les intersections structurales, les altérations et les anomalies géochimiques ou géophysiques peuvent toutes être informatives, mais leur pertinence dépend du type de gisement. Ajouter des jeux de données n’améliore pas forcément un modèle : des couches non pertinentes peuvent introduire du bruit et masquer des relations géologiques significatives.
La qualité des données doit être vérifiée avant de choisir un modèle. Les systèmes de coordonnées, les unités, les dates de levé, la résolution spatiale, les lacunes de couverture, la préparation des échantillons, les limites de détection et la fiabilité des inventaires historiques d’indices peuvent tous influer sur les résultats. Aucun algorithme ne peut compenser des échantillons mal localisés ou des jeux de données incompatibles. Documenter la source et les limites de chaque couche aide à distinguer les signaux géologiques des artefacts liés à la collecte des données et à l’inégale histoire de l’exploration.
Un modèle doit justifier sa complexité en faisant mieux qu’une interprétation géologique transparente et qu’un modèle de référence plus simple. Son évaluation doit aussi refléter les conditions réelles de l’exploration. Répartir au hasard des échantillons voisins entre apprentissage et test peut gonfler les performances, car des observations proches partagent souvent les mêmes caractéristiques géologiques et de levé. Des zones de test séparées dans l’espace, des prospects mis de côté ou un district indépendant constituent un test plus exigeant de la capacité du modèle à se généraliser à des terrains inconnus [3].
D’une carte à trois permis : un exemple iranien
Un exemple concret vient d’une étude de 2026, menée sous ma direction, sur la prospectivité du cuivre porphyrique dans le district de Shahr-e-Babak, en Iran. Elle combinait des données géologiques, géochimiques et de télédétection avec une méthode non supervisée de sélection de variables fondée sur un autoencodeur. En prenant 14 indices minéralisés connus comme points de référence, le modèle construit sur les variables sélectionnées a atteint un taux de prédiction de 80 %, contre 72 % lorsque toutes les variables disponibles étaient utilisées [4]. La carte obtenue a fait ressortir des zones prioritaires pour des investigations complémentaires. Après la publication, nous avons étudié les cibles identifiées sur le terrain, enregistré les zones concernées dans le cadastre minier iranien et obtenu des permis d’exploitation pour trois zones hautement prioritaires. Cette expérience montre comment l’IA peut aider à hiérarchiser les cibles d’exploration, tandis que le travail de terrain et les procédures réglementaires qui suivent transforment des prédictions prometteuses en résultats concrets.
Une carte de prospectivité doit donc guider l’investigation de terrain, et non la remplacer. Les cibles les mieux classées doivent être examinées par la cartographie géologique, la reconnaissance, un échantillonnage approprié et, lorsque c’est justifié, des levés géophysiques ou des sondages. La couverture des données et l’incertitude doivent être prises en compte en même temps que la prospectivité prédite : un score faible dans une zone mal couverte par les levés ne constitue pas un argument solide contre la présence d’une minéralisation. Les observations de terrain, y compris les résultats négatifs, doivent être documentées et servir à améliorer les modèles suivants, sans compromettre une validation indépendante.
Les signaux d’alerte dans une offre d’exploration par IA
Méfiez-vous lorsqu’un prestataire promet « 100 % de précision », affirme qu’une carte produite par l’IA prouve l’existence d’un gisement ou présente des résultats sans expliquer les données ni la validation. Avant d’engager des fonds, demandez si les couches d’entrée sont adaptées au type de gisement, si les inventaires historiques ont été vérifiés pour détecter les erreurs et les biais de déclaration, et si les performances ont été testées sur des terrains indépendants dans l’espace. Une évaluation crédible doit signaler les lacunes des données, expliquer ce que signifient les scores, comparer les résultats à un modèle de référence plus simple et à une interprétation géologique, et proposer un test de terrain réaliste capable de confirmer ou d’écarter la cible. Si l’on ne peut expliquer ni ses hypothèses, ni ses limites, ni les critères qui conduiraient à réviser la recommandation, la carte est peut-être plus persuasive qu’informative.
Le juge de paix reste géologique
Un bon modèle de prospectivité doit rendre l’exploration plus rigoureuse, en mettant au jour les hypothèses, en confrontant les indices et en indiquant où des informations supplémentaires seraient les plus utiles. Il doit aussi avoir le droit de se tromper. La confiance accordée à un logiciel ne remplace pas des observations géologiques indépendantes, l’échantillonnage, les analyses chimiques, la géophysique ou, lorsque c’est justifié, les sondages.
L’IA est la plus utile lorsqu’elle réduit un vaste espace de recherche à un ensemble maîtrisable d’idées vérifiables. Au géologue de juger si ces idées ont un sens géologique ; à l’équipe de terrain de les tester. L’objectif n’est pas une plus jolie carte, mais une meilleure décision d’exploration.
Références
[1] Yang, F., Zuo, R. & Kreuzer, O. P. (2024). Artificial intelligence for mineral exploration: A review and perspectives on future directions from data science. Earth-Science Reviews, 258, 104941. https://doi.org/10.1016/j.earscirev.2024.104941
[2] Rodriguez-Galiano, V. F., Sanchez-Castillo, M., Chica-Olmo, M. & Chica-Rivas, M. (2015). Machine learning predictive models for mineral prospectivity: An evaluation of neural networks, random forest, regression trees and support vector machines. Ore Geology Reviews, 71, 804–818. https://doi.org/10.1016/j.oregeorev.2015.01.001
[3] Roberts, D. R., Bahn, V., Ciuti, S. et al. (2017). Cross-validation strategies for data with temporal, spatial, hierarchical, or phylogenetic structure. Ecography, 40(8), 913–929. https://doi.org/10.1111/ecog.02881
[4] Saremi, M., Hoseinzade, Z., Shirazy, A., Shirazi, A. & Beiranvand Pour, A. (2026). Unsupervised autoencoder-based feature ranking and anomaly detection for porphyry copper prospectivity mapping from multi-source geospatial datasets. Minerals, 16(6), 660. https://doi.org/10.3390/min16060660
À propos de l’auteur
Le Dr Adel Shirazy, scientifique iranien, est ingénieur des mines et chercheur. Ses travaux portent sur les applications de l’intelligence artificielle et de l’apprentissage automatique à l’exploration minérale, à l’interprétation des données géophysiques et à la modélisation géologique. Il a mené des recherches postdoctorales à l’université de technologie Amirkabir, à Téhéran. ORCID · Google Scholar
This post is also available in: EN