Apport des techniques d’intelligence artificielle à la cartographie géologique de la région de Yanfolila, Sud-Ouest du Mali

Cette étude analyse l’apport des techniques d’intelligence artificielle (IA) à la cartographie géologique de la région de Yanfolila, située au sud-ouest du Mali, au sein du Craton Ouest-Africain, une province aurifère caractérisée par une forte hétérogénéité lithologique et structurale.

L’objectif principal est d’améliorer la précision cartographique par l’intégration et la fusion de données multi-sources, notamment des images satellitaires Landsat 8 OLI et Sentinel-2 MSI, des données géophysiques (magnétométrie, gravimétrie), des modèles numériques d’élévation et des observations de terrain géoréférencées.

La méthodologie repose sur une approche intégrée combinant apprentissage supervisé (Random Forest, réseaux neuronaux convolutifs – CNN), apprentissage non supervisé (K-means, DBSCAN) et techniques de fusion de données multi-modales. Les modèles ont été entraînés à partir de plus de 120 sites d’échantillonnage validés sur le terrain et évalués par validation croisée à l’aide d’indicateurs statistiques (précision globale, indice Kappa, matrice de confusion).

Les résultats montrent une amélioration significative de la discrimination des unités lithologiques, avec une précision globale atteignant 91,2 % pour le modèle CNN (Kappa = 0,89). Les formations granitiques, gneissiques et schisteuses ont été cartographiées avec une résolution détaillée, démontrant l’efficacité des techniques d’IA pour la géoscience appliquée.

Mots-clés : Intelligence artificielle, cartographie géologique, télédétection, géomatique, Mali, Craton Ouest-Africain.

1. Introduction

La cartographie géologique constitue un outil fondamental pour la gestion durable des ressources minérales, la planification des projets miniers et la protection de l’environnement. La région de Yanfolila, située dans le Craton Ouest-Africain, se caractérise par une forte complexité lithologique et structurale, rendant les approches classiques parfois limitées.

L’intégration des techniques d’intelligence artificielle permet aujourd’hui de traiter efficacement de grandes quantités de données multi-sources, d’améliorer la précision des classifications lithologiques et d’optimiser la production de cartes géologiques à haute résolution.

2. Objectifs de l’étude

L’étude vise à :

Évaluer l’apport des techniques d’intelligence artificielle à la cartographie géologique de la région de Yanfolila ;

Intégrer des données satellitaires, géophysiques et de terrain dans une approche unifiée ;

Comparer les performances des méthodes d’apprentissage supervisé et non supervisé ;

Produire des cartes fiables pour la planification minière et la gestion environnementale.

3. Matériel et méthodes
Données utilisées

Images satellitaires Landsat 8 OLI et Sentinel-2 MSI

Données géophysiques : magnétométrie et gravimétrie

Modèles numériques d’élévation

Observations de terrain géoréférencées (plus de 120 sites d’échantillonnage)

Méthodologie

L’approche adoptée repose sur :

Apprentissage supervisé : Random Forest et réseaux neuronaux convolutifs (CNN)

Apprentissage non supervisé : K-means et DBSCAN

Fusion de données multi-modales afin d’optimiser l’intégration des différentes sources d’information

Les modèles ont été évalués par validation croisée à l’aide d’indicateurs statistiques : précision globale, indice Kappa et matrice de confusion.

4. Résultats

Les résultats démontrent une amélioration notable de la discrimination des unités lithologiques :

Le modèle CNN atteint une précision globale de 91,2 % ;

L’indice Kappa obtenu est de 0,89, indiquant une forte concordance ;

Les formations granitiques, gneissiques et schisteuses ont été cartographiées avec une résolution élevée et une fiabilité accrue.

L’intégration des données multi-sources combinée aux algorithmes d’intelligence artificielle permet une meilleure performance comparativement aux méthodes traditionnelles.

5. Discussion

L’étude met en évidence :

La pertinence des techniques d’IA dans l’analyse géospatiale complexe ;

L’intérêt de la fusion multi-modale pour réduire les erreurs de classification ;

Le potentiel de reproductibilité de cette approche dans d’autres zones aurifères du Mali et d’Afrique de l’Ouest.

Ces résultats ouvrent des perspectives importantes pour la planification minière durable, la gestion environnementale et l’optimisation de l’exploration géologique.

6. Conclusion

L’application des techniques d’intelligence artificielle à la cartographie géologique de la région de Yanfolila représente une avancée significative pour les géosciences appliquées.

Cette approche intégrée améliore considérablement la précision cartographique et constitue un outil stratégique pour une exploitation responsable et durable des ressources naturelles.

Portrait de l’auteure

Dr Awa KONÉ est une géologue et experte multidisciplinaire reconnue pour son parcours académique d’excellence et son engagement professionnel dans les domaines de la géologie appliquée, de l’environnement et des sciences minières.

Issue de la première promotion du système LMD à la Faculté des Sciences et Techniques en Géologie appliquée, elle fait également partie de la première promotion de l’École Doctorale des Sciences, Techniques et Technologies de Bamako à l’Université des Sciences, des Techniques et des Technologies de Bamako (USTTB), où elle a obtenu un Doctorat en Géologie, avec une spécialisation en télédétection, géomatique et intelligence artificielle appliquées aux géosciences.

Domaines d’expertise

Dr Awa KONÉ dispose d’une expertise transversale couvrant :

Études d’Impact Environnemental et Social (EIES)

Gestion des résidus miniers et durabilité environnementale

Gestion et planification des projets miniers

Gestion des ressources humaines en contexte minier

Supervision Qualité – Hygiène – Sécurité – Environnement (QHSE)

Planification de l’exploitation minière

Gestion administrative et organisationnelle

Eau, Hygiène et Assainissement (EHA)

Mise en œuvre et gestion de projets WASH

Suivi, Évaluation, Redevabilité et Apprentissage (SERA/MEAL)

Son profil allie rigueur scientifique, vision stratégique et forte capacité opérationnelle sur le terrain.

Carrière académique

Intégrée à la Fonction Publique en 2024, elle exerce en qualité d’Enseignante-Chercheure, Maître Assistante à l’École Nationale d’Enseignement Technique et Professionnel (ENETP), où elle contribue activement à la formation des étudiants et à l’encadrement scientifique.

Kalanko