Probabilistic Machine Learning for Mineral Prospectivity Modelling: Applications to Magmatic Nickel Sulphide Systems in Canada

«La demande de minéraux critiques augmente rapidement. Cette hausse résulte de la transition vers des systèmes énergétiques à faible émission de carbone et de l’épuisement progressif des gisements proches de la surface terrestre. Elle accroît le besoin de méthodes quantitatives et interprétables capables de réduire l’espace de recherche des gisements, car ceux-ci se situent souvent dans des régions éloignées, à plus grande profondeur et dans des contextes géologiques complexes. Pour répondre à ce besoin, la modélisation de la prospectivité minérale (MPM) combine des ensembles de données géologiques et géophysiques avec des méthodes d’apprentissage automatique afin de cartographier le potentiel minéral à grande échelle. Les approches conventionnelles de MPM ont toutefois plusieurs limites. Notamment, les données d’entraînement sont fortement déséquilibrés en raison de la rareté intrinsèque des gisements, ce qui réduit le pouvoir prédictif des modèles. De plus, les prédictions sont souvent difficilement interprétables et incluent rarement une quantification de l’incertitude. Cette thèse répond à ces limites en développant des cadres et des outils probabilistes d’apprentissage automatique pour la MPM à l’échelle nationale des systèmes minéralisés de sulfures magmatiques de nickel (Ni) au Canada. Le Ni est reconnu comme l’un des principaux minéraux critiques. Guidée par le cadre conceptuel des systèmes minéralisés, l’approche proposée intègre des données géologiques et géophysiques comme variables indicatrices spatiales des composantes source, cheminement et piège de ces systèmes.»