Le SIGÉOM en constante évolution depuis 30 ans : de l’intégration de données à l’apprentissage automatique

Grâce au système d’information géominière du Québec (SIGÉOM), un outil géoscientifique et minier novateur, accessible à tous, complètement gratuit et en constante évolution depuis plus de 30 ans, le ministère des Ressources naturelles et de la Faune (MRNF) reste une référence mondiale en matière de gestion de données géoscientifiques et spatiales.

Ce système regroupe les données provenant des levés géoscientifiques du MRNF (cartographie du socle rocheux et du couvert sédimentaire, géophysique, etc.), des travaux de recherche, des travaux d’exploration de l’industrie minière qui sont déposées pour le renouvellement de leurs droits exclusifs d’exploration et des activités minières divulguées par les compagnies.

Cette conférence mettra en lumière les 30 ans d’existence et d’innovation du SIGÉOM, en soulignant son rôle essentiel dans la connaissance du territoire québécois, la valorisation des données géologiques et la découverte de ressources minérales au Québec. On y présentera les grandes étapes de son développement, marquées par plusieurs avancées technologiques. La conférence abordera la valeur du système et son impact sur l’industrie de l’exploration minière au Québec.

Compiler et charger les données de géochimie dans le SIGÉOM est une tâche particulièrement fastidieuse et chronophage. Confier cette tâche à l’intelligence artificielle (IA) permet son automatisation, et donc un gain de temps, mais la qualité des résultats obtenus risque-t-elle d’en souffrir?

Quel processus doit-on mettre en place pour sortir de ce dilemme?

Cette présentation illustre une approche de l’IA guidée par l’humain qui permet cette automatisation tout en gardant un bon contrôle sur la qualité des données extraites des rapports d’exploration. Nous détaillerons comment, en 16 mois, 2000 rapports totalisant 200 000 pages ont pu être traités pour générer 500 000 analyses géolocalisées, autant d’analyses non géolocalisées et environ 200 000 descriptions d’échantillons sans analyse associée.

À partir de cette étude de cas, nous verrons comment l’IA peut aider à la mise à jour et à l’utilisation d’un SIG aussi riche que le SIGÉOM.

Cette présentation est basée sur un article publié dans EarthDoc : From Québec’s Assessment Reports to the SIGEOM GIS with a Human-in-the-Loop AI.

Les bases de données organisées et structurées sont essentielles au déploiement d’outils d’apprentissage automatique (AA). Le SIGÉOM a permis au Québec de se distinguer rapidement dans le développement de l’AA appliqué à l’exploration minérale. Dans cette présentation, nous allons exposer les progrès effectués depuis 2010 dans nos projets de recherche reliés à l’utilisation de l’AA en exploration grâce aux données du SIGÉOM. Ces avancées concernent autant la géologie prédictive que le ciblage, en passant par l’augmentation de la résolution des données géophysiques.

La géologie est avant tout une science naturaliste fondée sur l’observation et la description détaillée d’objets complexes. Avec la numérisation des données, ces descriptions ont souvent été simplifiées en catégories ou codes lithologiques, entraînant une perte d’information. Pourtant, une description précise et bien documentée demeure une source de données stable et riche, même lorsque les interprétations et les codes évoluent.

Les Grands Modèles de Langage (LLMs) représentent un maillon technologique permettant de reconnecter ces descriptions détaillées aux outils numériques modernes. Capables de traiter automatiquement de grands volumes de textes, ils permettent d’extraire, de structurer et d’analyser l’information contenue dans les descriptions géologiques de manière systématique.

Pour illustrer cette approche, nous présentons une application sur la propriété du Lac Menarik, au Québec. Plusieurs affleurements y ont été décrits et cartographiés. À partir de ces descriptions textuelles, un LLM permet d’extraire automatiquement des informations structurées, telles que la lithologie, l’altération ou la minéralisation. Ces informations peuvent ensuite être projetées spatialement afin de produire une carte interprétative fondée sur le contenu des descriptions initiales.

Cette technologie ouvre la voie à des applications variées, telles que la reclassification de données historiques, la recherche automatisée d’objets géologiques ou l’harmonisation de bases de données. En facilitant l’intégration des descriptions textuelles dans les flux de travail numériques, elle pourrait contribuer à revaloriser les observations de terrain comme source directe d’information géoscientifique.

Nous présentons un flux de travail entièrement automatisé et centré sur les données pour l’exploration des systèmes minéralisés, capable de transformer des jeux de données géoscientifiques hétérogènes en cartes de prospectivité probabilistes de haute résolution dans un cadre unifié. Les données d’entrée — géochimie, géophysique, modèles structuraux et 3D — sont intégrées grâce à des analyseurs guidés par schémas et soumises à un contrôle qualité rigoureux (détection des valeurs aberrantes, cohérence spatio-temporelle). L’augmentation des données, sensible au domaine, permet d’extraire les signaux pertinents pour l’exploration grâce à la décomposition IA appliquée aux champs de potentiels, de générer des cartes de fabrique structurale, d’automatiser la détection de linéaments et de produire des cartes lithologiques probabilistes dérivées des rapports géochimiques et des signatures spectrales. Des modèles génératifs reconstituent les données historiques clairsemées afin d’augmenter les zones sous-échantillonnées. Un modèle d’apprentissage profond multitâche, entraîné sur plus de 170 000 échantillons de référence couvrant les systèmes aurifères orogéniques, porphyriques Cu-Au-Mo et pegmatites LCT, prédit l’existence de systèmes minéralisés et reconstruit les propriétés au niveau du pixel. L’interprétabilité est assurée à l’aide des valeurs SHAP. L’application de cette méthode à la ceinture de roches vertes de l’Abitibi permet de valider la précision du modèle, révèle des cibles enfouies et apporte de nouveaux éclairages sur les contrôles multiéchelles des minéralisations. Exécutable en moins d’une heure sur des GPU dans le nuage, ce flux de travail reproductible et transparent fournit des informations rapides et évolutives sur le sous-sol permettant d’orienter l’exploration.

Depuis 2003, Azimut a fondé sa stratégie d’exploration sur l’exploitation et la valorisation systématique de la base de données numériques SIGÉOM du MRNF. Le traitement de ces données a pour objectif d’augmenter la probabilité de découverte en identifiant de nouvelles cibles majeures ayant des signatures comparables à celles de gisements connus.

Les données utilisées à l’échelle du Québec, par province ou par sous-province géologique, sont principalement la géochimie multiélémentaire des sédiments de fond de lac, les données géophysiques (magnétisme, gravimétrie) et les données sur les indices, gîtes et gisements. Le système expert AZtechMineTM permet d’extraire de façon innovatrice la signature statistique des minéralisations et, simultanément, d’identifier des signatures comparables, mais dans des contextes peu ou non explorés. L’approche s’applique par métal ou par type de gisement. Les cibles sont représentées cartographiquement avec leur signature statistique convertie en probabilité relative de découverte. Les résultats sont ensuite hiérarchisés de façon empirique en considérant les paramètres constitutifs des cibles, leur intensité, leur forme, leur dimension et l’historique d’exploration.

Sur 20 ans d’exploration, la mise en œuvre de cette approche prédictive à l’échelle de la province pour plusieurs métaux (or, cuivre, nickel, uranium, lithium) a permis d’apprécier la valeur considérable des données acquises et mises à disposition par le gouvernement du Québec. Les approches prédictives constituent un avantage compétitif pour autant qu’elles puissent être validées par des résultats tangibles sur le terrain où la prospection joue encore un rôle fondamental. Plusieurs exemples de la relation prédiction-validation seront passés en revue.