GEOSCIENTIFIC DATA FUSION AND MACHINE LEARNING FOR MINERAL PROSPECTIVITY MAPPING: A CASE STUDY OF BROKEN HILL-TYPE DEPOSITS

Abstract

La cartographie du potentiel minéral de Broken Hill (Australie) a été réalisée par l’intégration de données géologiques, géophysiques et géochimiques au sein d’un Système d’Information Géographique couplé à des méthodes de Machine Learning. Les données lithologiques, structurales, gravimétriques, radiométriques et géochimiques (zinc, plomb, argent, fer, manganèse, sodium et potassium) ont été harmonisées spatialement, rasterisées et fusionnées avec des indicateurs minéraux Pb–Zn–Ag servant de couche cible. Un maillage régulier a permis d’extraire des caractéristiques par cellule, notamment la distance aux failles, la densité de linéaments et la proportion de roches porteuses de minéraux. Deux modèles supervisés, Random Forest et XGBoost, ont été entraînés, comparés et évalués à l’aide de matrices de confusion et d’analyses d’importance des variables. Les résultats montrent une meilleure performance du Random Forest et mettent en évidence le rôle déterminant de la distance aux failles et des lithologies riches en gahnite et grenat. La carte finale de probabilité minérale identifie des zones prioritaires cohérentes avec le cadre métallogénique régional, démontrant l’intérêt de cette approche pour optimiser le ciblage minier.