Highlighting mineralized geological environments through a new Data-driven predictive mapping approach - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Highlighting mineralized geological environments through a new Data-driven predictive mapping approach

Mise en évidence des environnements géologiques minéralisés par une nouvelle approche de cartographie prédictive Data-driven

Résumé

Mineral Prospectivity Mapping (MPM) aims at outlining areas with the highest likelihood for hosting mineralization. In that frame, Data-driven MPM approaches aims at identifying such favorable areas based on features associated to known or studied mineral deposits. Meanwhile, machine learning clustering methods are able to perform a generalization of complex geological environments and features. By combining those methods, with the use of Geographic Information System (GIS) based on spatial and statistical processes, it should be possible to highlight the relationships between known mineralization and the geological surrounding features. However, the input cartographic datasets of Data-driven MPM approach requires pre-processing and homogenization, as they can be of various spatial resolutions and precision, while the use of geological maps can also lead to a misestimation of the relative proportion of geological features, depending on their structural configurations, as maps display 3D structures on a 2D surface. As such, a Data-driven approach, based on the application of a pre-processing method combined with machine learning predictive modeling and clustering methods is developed in this thesis to automate the identification of the relationships between mineralization occurrences and geological features s.l. This method, referred to as the DBA / RF / HCPC method, allows (i) identifying spatial associations of features from the input dataset with the Disc-Based Association (DBA), (ii) quantifying the likelihood of each local association to contain the targeted commodity based on a Random Forest (RF) predictive model and (iii) discretizing the area with the highest likelihood depending on the associations it contains using the Hierarchical Clustering on Principal Component (HCPC). The focus on a Data-driven method allows avoiding as far as possible the influence of known and established metallogenic models to test the effectiveness of “fully” automated processes. Indeed, this approach allows the identification of one or several specific geological environments associated to mineralization within a study area which can easily be interpreted as one or several distinct metallotects for the deposits. In well studied areas, the spatial and statistical relationships found by the model can be compared to the known metallotects and metallogenic models and be used to (i) precise those metallotects (i.e. quantifying weights for its constituting features) and (ii) eventually highlight new metallotects even. Such approach also promises to be very effective for exploration within less studied geological domains giving keys on one to several geological environments to explore, in addition to the delineation of favorable areas. This newly developed methodology is applied as benchmark to the Ibero-Armorican Arc (IAA, Western European Variscan Range) and the relationships between the Variscan structures s.l. and antimony mineralization. We infer this new Data-driven approach applied to natural cases will improve prospectivity mapping and automatic recognition of new metallotects while giving new insights on the genetic processes forming deposits.
Les différentes approches de cartographie prédictive minérale ont pour objectif commun de délimiter des zones susceptibles d'abriter des minéralisations à travers un domaine d'étude donné. Dans ce cadre, les approches de prédictivité minérale dites « Data-driven » visent à identifier ces zones favorables en utilisant des caractéristiques communément associées aux gisements connus. D'un autre côté, les méthodes de clustering par apprentissage automatique sont capables de généraliser des environnements et des caractéristiques géologiques complexes. En combinant ces méthodes, avec l'utilisation d'un système d'information géographique (SIG) basé sur des analyses spatiales et statistiques, il est alors possible de mettre en évidence les relations entre les minéralisations connues et les caractéristiques géologiques environnantes. Cependant, les données cartographiques utilisées pour la cartographie prédictive Data-driven nécessitent systématiquement un pré-traitement et une homogénéisation, leurs résolutions spatiales et leurs précisions pouvant varier. L'utilisation de cartes géologiques peut également conduire à une mauvaise estimation de la proportion relative d'objets géologiques en fonction de leurs configurations cartographiques, les cartes affichant par exemple des structures 3D sur une surface 2D. Ainsi, une approche basée sur l'application d'une méthode de pré-traitement, combinée à des méthodes d'apprentissage automatique pour la modélisation prédictive et le clustering est développée dans cette thèse, afin d'automatiser l'identification des relations entre minéralisation s et objets géologiques s.l. Cette méthode, appelée méthode DBA / RF / HCPC, permet (i) d'identifier des associations spatiales locales d'entités cartographiques au sein de la base de données et en utilisant la Disc-Based Association (DBA), (ii) de quantifier les chances que chaque association locale soit potentiellement minéralisée, aussi qualifiées de favorabilité, en se basant sur un modèle prédictif de Forêt Aléatoire (Random Forest - RF) et (iii) de discrétiser les zones les plus favorables en fonction des associations contenues, en utilisant la Classification Hiérarchique sur Composantes Principales (HCPC). L'utilisation d'une approche Data-driven permet de se libérer autant que possible de l'influence des modèles métallogéniques déjà établis pour tester l'efficacité de processus automatisés et également pouvoir mettre de nouveaux modèles ou des modèles alternatifs en évidence. En effet, cette approche statistique permet d'identifier un ou plusieurs environnements géologiques spécifiques associés à la minéralisation dans une zone d'étude, pouvant être interprétée comme des métallotectes distincts des gisements. Dans les zones bien étudiées, les relations spatiales statistiques trouvées par le modèle peuvent être comparées aux métallotectes et modèles métallogéniques connus et être utilisées pour (i) préciser ces métallotectes (i.e. pondérer leurs caractéristiques constitutives) et (ii) éventuellement même mettre en évidence de nouveaux métallotectes. Cette approche promet également d'être très efficace pour l'exploration de domaines géologiques moins étudiés, délimitant des zones favorables et donnant des indices sur les environnements géologiques à explorer. Cette nouvelle méthodologie est ici appliquée dans un cas d'étude sur l'Arc Ibéro-Armoricain (IAA, chaîne Varisque d'Europe occidentale) et les relations entre les structures Varisques s.l. et les minéralisations d'antimoine. Cette nouvelle approche Data-driven, appliquée à des cas naturels, devrait permettre d'améliorer la cartographie prédictive minérale ainsi que la reconnaissance automatique de nouveaux métallotectes, en fournissant de nouvelles informations sur les processus génétiques à l'origine des gisements.
Fichier principal
Vignette du fichier
2022ORLE1069_va.pdf (114.06 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04508859 , version 1 (18-03-2024)

Identifiants

  • HAL Id : tel-04508859 , version 1

Citer

Alex Vella. Highlighting mineralized geological environments through a new Data-driven predictive mapping approach. Earth Sciences. Université d'Orléans, 2022. English. ⟨NNT : 2022ORLE1069⟩. ⟨tel-04508859⟩
27 Consultations
5 Téléchargements

Partager

Gmail Facebook X LinkedIn More