Blog – Analysis and expert opinion 5 MIN. READ SHARE Résultats du Projet GEMA – Génération de Cartes à Haute Résolution et Interprétation Avancée de Données Géologiques grâce à l’Intelligence Artificielle Au cours de ses 18 mois d’exécution (août 2023 – février 2025), le projet GEMA a réalisé des avancées significatives dans l’intégration de l’intelligence artificielle appliquée à la géophysique, atteignant des jalons techniques qui apportent de la valeur à la fois à la recherche et à l’exploration appliquée. Développement d’une base de données internationale Comme point de départ, une base de données géophysique internationale a été construite, intégrant des données radiométriques, magnétiques, hyperspectrales, satellitaires et des modèles numériques de terrain. Cette collecte de données, obtenue dans différentes régions et sous diverses conditions opérationnelles, a permis de disposer d’un référentiel robuste pour l’entraînement et la validation des modèles d’intelligence artificielle, garantissant leur capacité de généralisation. Méthodologies avancées de traitement Le projet a mis en place un pipeline reproductible de traitement et de normalisation des données, incluant l’homogénéisation des systèmes de référence spatiale (CRS) et la correction des artefacts fréquents dans les données magnétiques. Ces méthodologies ont réduit de manière substantielle les temps de préparation des données, tout en améliorant la qualité et la traçabilité des informations utilisées dans la modélisation. Modèles d’intelligence artificielle développés Correction des artefacts magnétiques (Levelling) : Une approche basée sur des modèles bayésiens et l’interpolation spatiale a été mise en œuvre, donnant naissance à un algorithme capable de réduire significativement la nécessité d’ajustements manuels. Cet outil, également déployé sous forme de plugin, a démontré son utilité pour homogénéiser les levés aérogéophysiques de manière plus rapide et cohérente. Segmentation automatique des linéaments : Des réseaux neuronaux convolutifs (CNN, architecture U-Net) ont été entraînés pour détecter et tracer des structures géologiques sur des cartes magnétiques. Les résultats ont atteint des valeurs de précision élevées (avec un coefficient de Dice proche de 0,8 sur les ensembles d’entraînement), démontrant la capacité de ces techniques à automatiser des tâches qui nécessitaient traditionnellement des mois d’interprétation manuelle. Prévision géomagnétique pour le forage directionnel (IFR2) : Un modèle spatio-temporel (INLA-SPDE) a été développé pour prédire avec une haute résolution les variations du champ magnétique dans les zones de forage. Cela a permis d’optimiser l’orientation des forages et de réduire les erreurs de trajectoire, avec une validation effectuée même lors d’événements géomagnétiques spécifiques observés durant la campagne de validation. Validation et résultats quantitatifs Les progrès ont été vérifiés par des processus de validation rigoureux : Les algorithmes de levelling ont été comparés à des données de vols corrigés manuellement, montrant une forte cohérence spatiale et une amélioration des coefficients de corrélation (R²). Les modèles de linéaments ont été évalués avec des métriques standards (précision, rappel, F1 et Dice), confirmant leur capacité de généralisation dans des régions non incluses dans l’entraînement. Le modèle de prévision géomagnétique a été validé par comparaison minute par minute des composantes Fx, Fy et Fz avec des stations indépendantes, atteignant de faibles erreurs absolues moyennes (MAE) et anticipant avec succès des épisodes de variabilité magnétique. Portée géographique de validation Les méthodologies ont été testées dans divers contextes géologiques internationaux, renforçant leur polyvalence. Les zones pilotes incluent : Afrique : Ouganda, République Démocratique du Congo (Katanga), Nigéria. Europe : France, Finlande et Russie. Asie : Kazakhstan, Mongolie et Turquie. Amérique du Nord : Canada. Cette portée géographique illustre l’ambition globale du projet et garantit que les outils développés soient applicables dans différents contextes géologiques. Financement Le projet GEMA dispose d’un budget total de 1.418.908 €, dont 1.206.071,80 € correspondent au soutien de l’Union européenne (Subvention Brute Équivalente). Ce soutien a été essentiel pour le développement de solutions innovantes en intelligence artificielle et leur application à l’exploration géophysique. < SEE PREVIOUS NEW SEE NEXT NEW > < > Related news Blog – Analysis and expert opinion Conference on financing for development VOIR PLUS> Blog – Analysis and expert opinion The demand for critical minerals is expected to quadruple by 2040 VOIR PLUS> Blog – Analysis and expert opinion GEMA – Geração de Mapas de Alta Resolução e Interpretação Avançada de Dados Geológicos mediante Inteligência Artificial VOIR PLUS> Blog – Analysis and expert opinion GEMA – Integration of Artificial Intelligence in Geophysical Data Interpretation VOIR PLUS> Blog – Analysis and expert opinion Startup Of The Week: Xcalibur Smart Mapping VOIR PLUS> Blog – Analysis and expert opinion Low-Level Flights to Image Geology Over Parts of Louisiana, Mississippi, and Illinois | U.S. Geological Survey VOIR PLUS> Blog – Analysis and expert opinion GEMA – Generación de Mapas de alta resolución e Interpretación Avanzada de datos geológicos mediante Inteligencia Artificial VOIR PLUS> Blog – Analysis and expert opinion Reducing CO2 emissions from deforestation and forest degradation: understanding REDD+ VOIR PLUS> Announcements Blog – Analysis and expert opinion The power of remote sensing in monitoring land use changes VOIR PLUS> Contact us. FILL THE FORM
SHARE Résultats du Projet GEMA – Génération de Cartes à Haute Résolution et Interprétation Avancée de Données Géologiques grâce à l’Intelligence Artificielle Au cours de ses 18 mois d’exécution (août 2023 – février 2025), le projet GEMA a réalisé des avancées significatives dans l’intégration de l’intelligence artificielle appliquée à la géophysique, atteignant des jalons techniques qui apportent de la valeur à la fois à la recherche et à l’exploration appliquée. Développement d’une base de données internationale Comme point de départ, une base de données géophysique internationale a été construite, intégrant des données radiométriques, magnétiques, hyperspectrales, satellitaires et des modèles numériques de terrain. Cette collecte de données, obtenue dans différentes régions et sous diverses conditions opérationnelles, a permis de disposer d’un référentiel robuste pour l’entraînement et la validation des modèles d’intelligence artificielle, garantissant leur capacité de généralisation. Méthodologies avancées de traitement Le projet a mis en place un pipeline reproductible de traitement et de normalisation des données, incluant l’homogénéisation des systèmes de référence spatiale (CRS) et la correction des artefacts fréquents dans les données magnétiques. Ces méthodologies ont réduit de manière substantielle les temps de préparation des données, tout en améliorant la qualité et la traçabilité des informations utilisées dans la modélisation. Modèles d’intelligence artificielle développés Correction des artefacts magnétiques (Levelling) : Une approche basée sur des modèles bayésiens et l’interpolation spatiale a été mise en œuvre, donnant naissance à un algorithme capable de réduire significativement la nécessité d’ajustements manuels. Cet outil, également déployé sous forme de plugin, a démontré son utilité pour homogénéiser les levés aérogéophysiques de manière plus rapide et cohérente. Segmentation automatique des linéaments : Des réseaux neuronaux convolutifs (CNN, architecture U-Net) ont été entraînés pour détecter et tracer des structures géologiques sur des cartes magnétiques. Les résultats ont atteint des valeurs de précision élevées (avec un coefficient de Dice proche de 0,8 sur les ensembles d’entraînement), démontrant la capacité de ces techniques à automatiser des tâches qui nécessitaient traditionnellement des mois d’interprétation manuelle. Prévision géomagnétique pour le forage directionnel (IFR2) : Un modèle spatio-temporel (INLA-SPDE) a été développé pour prédire avec une haute résolution les variations du champ magnétique dans les zones de forage. Cela a permis d’optimiser l’orientation des forages et de réduire les erreurs de trajectoire, avec une validation effectuée même lors d’événements géomagnétiques spécifiques observés durant la campagne de validation. Validation et résultats quantitatifs Les progrès ont été vérifiés par des processus de validation rigoureux : Les algorithmes de levelling ont été comparés à des données de vols corrigés manuellement, montrant une forte cohérence spatiale et une amélioration des coefficients de corrélation (R²). Les modèles de linéaments ont été évalués avec des métriques standards (précision, rappel, F1 et Dice), confirmant leur capacité de généralisation dans des régions non incluses dans l’entraînement. Le modèle de prévision géomagnétique a été validé par comparaison minute par minute des composantes Fx, Fy et Fz avec des stations indépendantes, atteignant de faibles erreurs absolues moyennes (MAE) et anticipant avec succès des épisodes de variabilité magnétique. Portée géographique de validation Les méthodologies ont été testées dans divers contextes géologiques internationaux, renforçant leur polyvalence. Les zones pilotes incluent : Afrique : Ouganda, République Démocratique du Congo (Katanga), Nigéria. Europe : France, Finlande et Russie. Asie : Kazakhstan, Mongolie et Turquie. Amérique du Nord : Canada. Cette portée géographique illustre l’ambition globale du projet et garantit que les outils développés soient applicables dans différents contextes géologiques. Financement Le projet GEMA dispose d’un budget total de 1.418.908 €, dont 1.206.071,80 € correspondent au soutien de l’Union européenne (Subvention Brute Équivalente). Ce soutien a été essentiel pour le développement de solutions innovantes en intelligence artificielle et leur application à l’exploration géophysique.
Résultats du Projet GEMA – Génération de Cartes à Haute Résolution et Interprétation Avancée de Données Géologiques grâce à l’Intelligence Artificielle Au cours de ses 18 mois d’exécution (août 2023 – février 2025), le projet GEMA a réalisé des avancées significatives dans l’intégration de l’intelligence artificielle appliquée à la géophysique, atteignant des jalons techniques qui apportent de la valeur à la fois à la recherche et à l’exploration appliquée. Développement d’une base de données internationale Comme point de départ, une base de données géophysique internationale a été construite, intégrant des données radiométriques, magnétiques, hyperspectrales, satellitaires et des modèles numériques de terrain. Cette collecte de données, obtenue dans différentes régions et sous diverses conditions opérationnelles, a permis de disposer d’un référentiel robuste pour l’entraînement et la validation des modèles d’intelligence artificielle, garantissant leur capacité de généralisation. Méthodologies avancées de traitement Le projet a mis en place un pipeline reproductible de traitement et de normalisation des données, incluant l’homogénéisation des systèmes de référence spatiale (CRS) et la correction des artefacts fréquents dans les données magnétiques. Ces méthodologies ont réduit de manière substantielle les temps de préparation des données, tout en améliorant la qualité et la traçabilité des informations utilisées dans la modélisation. Modèles d’intelligence artificielle développés Correction des artefacts magnétiques (Levelling) : Une approche basée sur des modèles bayésiens et l’interpolation spatiale a été mise en œuvre, donnant naissance à un algorithme capable de réduire significativement la nécessité d’ajustements manuels. Cet outil, également déployé sous forme de plugin, a démontré son utilité pour homogénéiser les levés aérogéophysiques de manière plus rapide et cohérente. Segmentation automatique des linéaments : Des réseaux neuronaux convolutifs (CNN, architecture U-Net) ont été entraînés pour détecter et tracer des structures géologiques sur des cartes magnétiques. Les résultats ont atteint des valeurs de précision élevées (avec un coefficient de Dice proche de 0,8 sur les ensembles d’entraînement), démontrant la capacité de ces techniques à automatiser des tâches qui nécessitaient traditionnellement des mois d’interprétation manuelle. Prévision géomagnétique pour le forage directionnel (IFR2) : Un modèle spatio-temporel (INLA-SPDE) a été développé pour prédire avec une haute résolution les variations du champ magnétique dans les zones de forage. Cela a permis d’optimiser l’orientation des forages et de réduire les erreurs de trajectoire, avec une validation effectuée même lors d’événements géomagnétiques spécifiques observés durant la campagne de validation. Validation et résultats quantitatifs Les progrès ont été vérifiés par des processus de validation rigoureux : Les algorithmes de levelling ont été comparés à des données de vols corrigés manuellement, montrant une forte cohérence spatiale et une amélioration des coefficients de corrélation (R²). Les modèles de linéaments ont été évalués avec des métriques standards (précision, rappel, F1 et Dice), confirmant leur capacité de généralisation dans des régions non incluses dans l’entraînement. Le modèle de prévision géomagnétique a été validé par comparaison minute par minute des composantes Fx, Fy et Fz avec des stations indépendantes, atteignant de faibles erreurs absolues moyennes (MAE) et anticipant avec succès des épisodes de variabilité magnétique. Portée géographique de validation Les méthodologies ont été testées dans divers contextes géologiques internationaux, renforçant leur polyvalence. Les zones pilotes incluent : Afrique : Ouganda, République Démocratique du Congo (Katanga), Nigéria. Europe : France, Finlande et Russie. Asie : Kazakhstan, Mongolie et Turquie. Amérique du Nord : Canada. Cette portée géographique illustre l’ambition globale du projet et garantit que les outils développés soient applicables dans différents contextes géologiques. Financement Le projet GEMA dispose d’un budget total de 1.418.908 €, dont 1.206.071,80 € correspondent au soutien de l’Union européenne (Subvention Brute Équivalente). Ce soutien a été essentiel pour le développement de solutions innovantes en intelligence artificielle et leur application à l’exploration géophysique.