Blog – Analysis and expert opinion
5 MIN. READ

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.

Proyecto GEMA

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

  1. 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.
  2. 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.

Related news

Contact us.

FILL THE FORM
Blog – Analysis and expert opinion
5 MIN. READ

Resultados do Projeto GEMA – Geração de Mapas de Alta Resolução e Interpretação Avançada de Dados Geológicos mediante Inteligência Artificial

Ao longo dos seus 18 meses de execução (agosto de 2023 – fevereiro de 2025), o projeto GEMA alcançou avanços significativos na integração da inteligência artificial aplicada à geofísica, atingindo marcos técnicos que agregam valor tanto à investigação como à exploração aplicada.

Proyecto GEMA

Desenvolvimento de uma base de dados internacional
Como ponto de partida, foi construída uma base de dados geofísica de alcance internacional, que integra informações radiométricas, magnéticas, hiperespectrais, imagens satelitais e modelos digitais de terreno. Essa coleta de dados, obtida em diferentes geografias e sob diversas condições operacionais, permitiu dispor de um repositório robusto para treino e validação de modelos de inteligência artificial, assegurando a capacidade de generalização das soluções desenvolvidas.

Metodologias avançadas de processamento
O projeto estabeleceu um pipeline reprodutível de processamento e normalização de dados, incluindo a homogeneização de sistemas de referência espacial (CRS) e a correção de artefatos comuns em dados magnéticos. Essas metodologias reduziram substancialmente os tempos de preparação de dados, melhorando a qualidade e a rastreabilidade das informações utilizadas na modelagem.

Modelos de inteligência artificial desenvolvidos

  1. Correção de artefatos magnéticos (Levelling): Implementou-se uma abordagem baseada em modelos bayesianos e em interpolação espacial, resultando num algoritmo capaz de reduzir de forma significativa a necessidade de ajustes manuais. Esta ferramenta, também disponibilizada como plugin, demonstrou sua utilidade para homogeneizar levantamentos aerogeofísicos de maneira mais rápida e consistente.
  2. Segmentação automática de lineamentos: Treinaram-se redes neurais convolucionais (CNN, arquitetura U-Net) para a deteção e o traçado de estruturas geológicas em mapas magnéticos. Os resultados alcançaram valores de precisão elevados (com coeficiente Dice próximo de 0,8 nos conjuntos de treino), demonstrando a capacidade dessas técnicas para automatizar tarefas que tradicionalmente exigiam meses de interpretação manual.
  • Previsão geomagnética para perfuração direcional (IFR2): Foi desenvolvido um modelo espaço-temporal (INLA-SPDE) capaz de prever, com alta resolução, as variações do campo magnético em zonas de perfuração. Isso permitiu otimizar a orientação de poços e reduzir erros de trajetória, sendo validado inclusive frente a eventos geomagnéticos específicos registados durante a campanha de validação.

Validação e resultados quantitativos
Os avanços foram confirmados por meio de processos de validação rigorosos:

  • Os algoritmos de levelling foram comparados com dados de voos corrigidos manualmente, mostrando alta consistência espacial e melhoria nos coeficientes de correlação (R²).
  • Os modelos de lineamentos foram avaliados com métricas padrão (precisão, recall, F1 e Dice), confirmando sua capacidade de generalização em regiões não incluídas no treino.
  • O modelo de previsão geomagnética foi validado através da comparação minuto a minuto dos componentes Fx, Fy e Fz em relação a estações independentes, alcançando baixos erros médios absolutos (MAE) e antecipando com sucesso episódios de variabilidade magnética.

Âmbito geográfico de validação
As metodologias foram testadas em diversos cenários geológicos internacionais, reforçando a sua versatilidade. Entre as zonas piloto destacam-se:

  • África: Uganda, República Democrática do Congo (Katanga), Nigéria.
  • Europa: França, Finlândia e Rússia.
  • Ásia: Cazaquistão, Mongólia e Turquia.
  • América do Norte: Canadá.

Esse alcance geográfico evidencia a ambição global do projeto e garante que as ferramentas desenvolvidas sejam aplicáveis em diferentes contextos geológicos.

Financiamento
O projeto GEMA conta com um orçamento total de €1.418.908, dos quais €1.206.071,80 correspondem ao apoio da União Europeia (Subvenção Bruta Equivalente). Esse apoio foi fundamental para o desenvolvimento de soluções inovadoras em inteligência artificial e sua aplicação na exploração geofísica.

Related news

Contact us.

FILL THE FORM
Blog – Analysis and expert opinion
5 MIN. READ

Results of Project GEMA – Generation of High-Resolution Maps and Advanced Interpretation of Geological Data through Artificial Intelligence

Over its 18 months of execution (August 2023 – February 2025), the GEMA project has achieved significant progress in the integration of artificial intelligence applied to geophysics, reaching technical milestones that bring value to both research and applied exploration.

Proyecto GEMA

    • Development of an international database
      As a starting point, an international geophysical database was built, integrating radiometric, magnetic, hyperspectral, satellite, and digital terrain model data. This data collection, obtained from different geographies and under diverse operational conditions, has made it possible to create a robust repository for training and validating artificial intelligence models, ensuring the generalization capacity of the solutions developed.
    • Advanced processing methodologies
      The project has established a reproducible pipeline for data processing and normalization, including the homogenization of spatial reference systems (CRS) and the correction of common artifacts in magnetic data. These methodologies have substantially reduced data preparation times, improving the quality and traceability of the information used in modeling.
    • Artificial intelligence models developed
    1. Magnetic artifact correction (Levelling): An approach based on Bayesian models and spatial interpolation was implemented, resulting in an algorithm that significantly reduces the need for manual adjustments. This tool, also deployed as a plugin, has proven useful for homogenizing airborne geophysical surveys more quickly and consistently.
    2. Automatic lineament segmentation: Convolutional neural networks (CNN, U-Net architecture) were trained to detect and trace geological structures in magnetic maps. The results achieved high accuracy (with a Dice coefficient close to 0.8 in training sets), demonstrating the ability of these techniques to automate tasks that traditionally required months of manual interpretation.
    • Geomagnetic prediction for directional drilling (IFR2): A spatio-temporal model (INLA-SPDE) was developed to predict high-resolution variations of the magnetic field in drilling zones. This has optimized borehole orientation and reduced trajectory errors, being validated even against specific geomagnetic events recorded during the validation campaign.

    Validation and quantitative results
    Progress was verified through rigorous validation processes:

    • Levelling algorithms were compared against manually corrected flight data, showing high spatial consistency and improved correlation coefficients (R²).
    • Lineament models were evaluated with standard metrics (precision, recall, F1, and Dice), confirming their ability to generalize in regions not included in the training.
    • The geomagnetic prediction model was validated by minute-by-minute comparison of Fx, Fy, and Fz components against independent stations, achieving low mean absolute errors (MAE) and successfully anticipating episodes of magnetic variability.

    Geographical scope of validation
    The methodologies were tested in diverse international geological scenarios, reinforcing their versatility. Pilot areas included:

    • Africa: Uganda, Democratic Republic of the Congo (Katanga), Nigeria.
    • Europe: France, Finland, and Russia.
    • Asia: Kazakhstan, Mongolia, and Turkey.
    • North America: Canada.

    This geographical reach demonstrates the global ambition of the project and ensures that the developed tools are applicable in different geological contexts.

    Funding
    The GEMA project has a total budget of €1,418,908, of which €1,206,071.80 corresponds to the contribution of the European Union (Gross Equivalent Subsidy). This support has been essential for the development of innovative artificial intelligence solutions and their application in geophysical exploration.

 

Related news

Contact us.

FILL THE FORM
Blog – Analysis and expert opinion
5 MIN. READ

Resultados del Proyecto GEMA – Generación de Mapas de alta resolución e Interpretación Avanzada de datos geológicos mediante Inteligencia Artificial

  • A lo largo de sus 18 meses de ejecución (agosto 2023 – febrero 2025), el proyecto GEMA ha logrado avances significativos en la integración de inteligencia artificial aplicada a la geofísica, alcanzando hitos técnicos que aportan valor tanto a la investigación como a la exploración aplicada.

Proyecto GEMA

  • Desarrollo de una base de datos internacional

Como punto de partida, se construyó una base de datos geofísica de alcance internacional, que integra información radiométrica, magnética, hiperespectral, imágenes satelitales y modelos digitales del terreno. Esta recopilación de datos, obtenida en distintas geografías y bajo diversas condiciones operativas, ha permitido disponer de un repositorio robusto para entrenamiento y validación de modelos de inteligencia artificial, asegurando la capacidad de generalización de las soluciones desarrolladas.

 

  • Metodologías avanzadas de procesamiento

El proyecto ha establecido un pipeline reproducible de procesamiento y normalización de datos, incluyendo la homogeneización de sistemas de referencia espacial (CRS) y la corrección de artefactos comunes en datos magnéticos. Estas metodologías han reducido de manera sustancial los tiempos de preparación de datos, mejorando la calidad y trazabilidad de la información usada en la modelización.

 

  • Modelos de inteligencia artificial desarrollados
  1. Corrección de artefactos magnéticos (Levelling): se implementó un enfoque basado en modelos bayesianos y en interpolación espacial, dando lugar a un algoritmo capaz de reducir significativamente la necesidad de ajustes manuales. Esta herramienta, desplegada además como plugin, ha demostrado su utilidad para homogeneizar vuelos aerogeofísicos de manera más rápida y consistente.
  2. Segmentación automática de lineamientos: se entrenaron redes neuronales convolucionales (CNN, arquitectura U-Net) para la detección y trazado de estructuras geológicas en mapas magnéticos. Los resultados alcanzaron valores de precisión elevados (con un coeficiente Dice cercano a 0,8 en los conjuntos de entrenamiento), lo que demuestra la capacidad de estas técnicas para automatizar tareas que tradicionalmente requerían meses de interpretación manual.
  • Predicción geomagnética para perforación direccional (IFR2): se desarrolló un modelo espacio-temporal (INLA-SPDE) capaz de predecir con alta resolución las variaciones del campo magnético en zonas de perforación. Esto ha permitido optimizar la orientación de pozos y reducir los errores de trayectoria, validándose incluso frente a eventos geomagnéticos específicos registrados durante la campaña de validación.

Validación y resultados cuantitativos

Los avances se han contrastado mediante procesos de validación rigurosos:

  • Los algoritmos de levelling se compararon frente a datos de vuelos corregidos manualmente, mostrando una alta consistencia espacial y una mejora en los coeficientes de correlación (R²).
  • Los modelos de lineamientos fueron evaluados con métricas estándar (precisión, recall, F1 y Dice), confirmando su capacidad para generalizar en regiones no incluidas en el entrenamiento.
  • El modelo de predicción geomagnética fue validado mediante la comparación minuto a minuto de los componentes Fx, Fy y Fz frente a estaciones independientes, alcanzando bajos errores medios absolutos (MAE) y anticipando con éxito episodios de variabilidad magnética.

Alcance geográfico de validación

Las metodologías fueron probadas en distintos escenarios geológicos internacionales, lo que refuerza su versatilidad. Entre las zonas piloto destacan:

  • África: Uganda, República Democrática del Congo (Katanga), Nigeria.
  • Europa: Francia, Finlandia y Rusia.
  • Asia: Kazajistán, Mongolia y Turquía.
  • América del Norte: Canadá.

Este alcance geográfico evidencia la ambición global del proyecto y garantiza que las herramientas desarrolladas sean aplicables en diferentes contextos geológicos.

El proyecto GEMA cuenta con un presupuesto total de 1.418.908 €, de los cuales 1.206.071,80 € corresponden a la ayuda de la Unión Europea (Subvención Bruta Equivalente). Este apoyo ha sido fundamental para el desarrollo de soluciones innovadoras en inteligencia artificial y su aplicación a la exploración geofísica.

 

Related news

Contact us.

FILL THE FORM
Announcements
3 MIN. READ

Growth in Demand for “Energy Transition Minerals” Drives Expansion for Xcalibur

Growth in Demand for Energy Transition Minerals Drives Expansion for Xcalibur

At the end of June this year, Xcalibur Airborne Geophysics completed its acquisition of all the CGG Multiphysics businesses, except the multi-client library

Minute to Read by GEO ExPro

Xcalibur has been in operation since 2002 with over 4 million line-km of data collected. It has operated successfully in most countries in Africa as well as the Middle East and Canada. The company has offices in Spain, South Africa, and Colombia and operates a fleet of aircraft which allows them to collect data in challenging environments due to their low-level flying ability and power to weight ratios.

Example of Airborne Gravity Gradiometry (AGG) data used to correlate structures between seismic lines.Source: Xcalibur Multiphysics.

The new combined group will be named Xcalibur Multiphysics and will be able to offer these services on a global basis with additional offices located in North and South America, Europe, Africa, and Australia.

The enlarged company is hoping to take advantage of the projected increase in exploration activities prompted by the surge in demand for minerals resources and underground water, related to the energy transition, green energies, and sustainability challenges. They are currently also engaged in several R&D projects, including the application of Artificial Intelligence and Machine Learning in natural resources and sustainable exploration.

 

 

Related news

Contact us.

FILL THE FORM