Objectifs
- Comprendre les concepts de base de l'intelligence artificielle.
- Appliquer le machine learning à des données géologiques.
- Utiliser le deep learning pour l'analyse d'images géologiques.
- Identifier les applications concrètes de l'IA en géologie.
- Évaluer l'importance de l'expertise géologique dans l'utilisation de l'IA.
Prérequis
- Connaissances de base en géologie.
- Notions fondamentales en informatique et en statistiques.
Introduction
L’intelligence artificielle occupe aujourd’hui une place croissante dans de nombreux domaines scientifiques. La géologie ne fait pas exception. Les géologues produisent et manipulent de grandes quantités de données : cartes géologiques, images satellites, photographies de terrain, analyses géochimiques, données géophysiques, logs de forage, modèles numériques de terrain ou encore séries temporelles.
L’intelligence artificielle permet d’exploiter ces données plus rapidement, de mettre en évidence des relations difficiles à identifier manuellement et d’assister le géologue dans certaines tâches d’analyse, de classification et de prédiction.
Elle ne remplace toutefois pas l’expertise géologique. Les résultats produits par un modèle doivent toujours être confrontés aux observations de terrain, au contexte géologique et aux connaissances scientifiques disponibles.
1. Qu’est-ce que l’intelligence artificielle ?
L’intelligence artificielle, souvent abrégée IA, désigne un ensemble de méthodes informatiques capables de réaliser des tâches qui nécessitent habituellement certaines capacités humaines, comme :
- reconnaître des objets sur une image ;
- classer des informations ;
- détecter des anomalies ;
- prévoir une valeur ;
- analyser un texte ;
- identifier des relations dans de grandes quantités de données.
Dans le domaine scientifique, l’IA est surtout utilisée pour analyser des données et produire des modèles capables d’effectuer automatiquement certaines tâches.
Il existe plusieurs grandes familles de techniques relevant de l’intelligence artificielle.
1.1. Le machine learning
Le machine learning, ou apprentissage automatique, consiste à permettre à un programme informatique d’apprendre à partir de données.
Au lieu de programmer directement toutes les règles nécessaires à la résolution d’un problème, on fournit au modèle un ensemble d’exemples à partir desquels il apprend des relations statistiques.
Par exemple, un modèle peut apprendre à distinguer plusieurs types de roches à partir de leurs caractéristiques minéralogiques ou géochimiques.
Exemple
Supposons que l’on dispose de plusieurs centaines d’échantillons de roches pour lesquels on connaît :
- la teneur en SiO₂ ;
- la teneur en FeO ;
- la teneur en MgO ;
- la densité ;
- la lithologie.
Un algorithme peut apprendre à associer certaines combinaisons de valeurs à différents types de roches.
Il pourra ensuite proposer une classification pour de nouveaux échantillons.
1.2. Le deep learning
Le deep learning, ou apprentissage profond, constitue une branche du machine learning reposant principalement sur des réseaux de neurones artificiels comprenant plusieurs couches de traitement.
Ces techniques sont particulièrement efficaces pour travailler avec :
- des images ;
- des données satellite ;
- des séries temporelles ;
- des données complexes de grande dimension.
En géologie, le deep learning peut notamment être utilisé pour reconnaître des minéraux, identifier des structures géologiques sur des images ou segmenter automatiquement des cartes.
1.3. L’intelligence artificielle générative
L’intelligence artificielle générative désigne des systèmes capables de produire de nouveaux contenus à partir d’informations existantes.
Elle peut notamment générer :
- du texte ;
- du code informatique ;
- des images ;
- des résumés ;
- des tableaux ;
- des explications.
Les grands modèles de langage, ou LLM, font partie de cette catégorie.
Ils peuvent aider un géologue à résumer une publication scientifique, générer du code Python pour analyser des données ou reformuler un rapport.
Leur utilisation nécessite cependant une grande prudence : un modèle génératif peut produire des informations plausibles mais incorrectes.
2. Pourquoi utiliser l’IA en géologie ?
La géologie repose sur l’observation, l’interprétation et l’analyse de nombreux types de données.
Certaines études peuvent impliquer des milliers, voire des millions de mesures.
L’IA devient particulièrement intéressante lorsqu’il faut traiter :
- de grandes quantités de données ;
- des relations complexes entre plusieurs variables ;
- des images ;
- des données répétitives ;
- des phénomènes difficiles à modéliser avec des règles simples.
Elle peut ainsi assister les géologues dans de nombreuses étapes de leur travail.
3. Les principales données utilisées par l’IA en géologie
3.1. Les données géologiques
Les données géologiques peuvent contenir des informations concernant :
- la lithologie ;
- la stratigraphie ;
- les structures tectoniques ;
- les fractures ;
- les failles ;
- les unités géologiques.
Ces informations peuvent provenir de cartes, de bases de données ou d’observations de terrain.
3.2. Les données géochimiques
Les analyses géochimiques fournissent des concentrations en éléments chimiques.
Elles sont couramment utilisées dans :
- l’étude des roches ;
- l’exploration minière ;
- la géochimie environnementale ;
- l’analyse des sols.
Un algorithme peut par exemple identifier des anomalies géochimiques pouvant indiquer une minéralisation.
3.3. Les données géophysiques
Les méthodes géophysiques produisent de nombreuses données numériques.
Parmi les plus utilisées :
- la sismique ;
- la gravimétrie ;
- le magnétisme ;
- la résistivité électrique ;
- le radar géologique.
L’intelligence artificielle peut aider à détecter des structures ou des anomalies dans ces données.
3.4. Les images satellite
Les satellites fournissent des images couvrant de très grandes régions.
Ces images peuvent être utilisées pour étudier :
- la géomorphologie ;
- la végétation ;
- les sols ;
- les structures tectoniques ;
- les altérations hydrothermales ;
- l’érosion ;
- l’évolution du littoral.
Les modèles d’IA peuvent classifier automatiquement certaines zones ou détecter des formes particulières.
3.5. Les données de forage
Les forages fournissent des informations sur la géologie du sous-sol.
On peut notamment obtenir :
- la profondeur ;
- la lithologie ;
- la porosité ;
- la densité ;
- les mesures électriques ;
- les propriétés mécaniques.
Le machine learning peut être utilisé pour prédire certains paramètres entre deux points d’observation.
4. Les principaux types d’apprentissage automatique
Il existe plusieurs approches de machine learning.
4.1. L’apprentissage supervisé
Dans l’apprentissage supervisé, le modèle apprend à partir d’exemples pour lesquels la réponse correcte est déjà connue.
On dispose donc :
- de données d’entrée ;
- d’une variable cible.
Exemple géologique
On dispose de 5 000 échantillons de roches.
Pour chaque échantillon, on connaît :
- la composition chimique ;
- la densité ;
- la lithologie.
Le modèle apprend à prédire la lithologie à partir des autres caractéristiques.
L’apprentissage supervisé est notamment utilisé pour :
- la classification ;
- la régression ;
- la prédiction.
4.2. L’apprentissage non supervisé
Dans l’apprentissage non supervisé, le modèle reçoit des données sans connaître à l’avance les catégories.
Il cherche lui-même à identifier des groupes ou des structures.
Exemple
Un ensemble d’analyses géochimiques pourrait être automatiquement regroupé en plusieurs familles présentant des caractéristiques similaires.
Cette technique peut être utile pour détecter :
- des familles de roches ;
- des anomalies ;
- des groupes géochimiques ;
- des zones possédant des propriétés similaires.
5. Quelques algorithmes utilisés en géosciences
De nombreux algorithmes peuvent être appliqués aux données géologiques.
Parmi les plus courants :
Régression linéaire
Elle permet d’estimer une valeur numérique à partir d’une ou plusieurs variables.
Exemple : estimation de la porosité d’une roche.
Arbre de décision
Il utilise une succession de règles permettant de classer des données.
Exemple : classification de lithologies.
Random Forest
La Random Forest combine plusieurs arbres de décision afin d’obtenir une prédiction plus robuste.
Elle est très utilisée pour l’analyse de données géologiques.
Support Vector Machine
Le SVM cherche à séparer plusieurs catégories de données.
Il peut être utilisé pour classifier des échantillons ou des types de terrains.
Réseaux de neurones
Ils permettent de modéliser des relations complexes et sont particulièrement adaptés à l’analyse d’images et de grands volumes de données.
6. Applications concrètes de l’IA en géologie
6.1. Classification des roches
L’une des applications les plus intuitives consiste à reconnaître automatiquement des roches.
Un modèle peut utiliser :
- une photographie ;
- une analyse chimique ;
- des propriétés physiques ;
- des données minéralogiques.
À partir de ces informations, il peut proposer une classification.
6.2. Reconnaissance des minéraux
La reconnaissance de minéraux peut être réalisée à partir d’images macroscopiques ou microscopiques.
Des réseaux de neurones peuvent apprendre à reconnaître certaines textures, formes ou couleurs.
Cependant, l’identification automatique reste fortement dépendante de la qualité des images et du jeu de données utilisé.
7. IA et cartographie géologique
La cartographie géologique est un domaine particulièrement adapté à l’utilisation de l’IA.
Un modèle peut combiner :
- cartes existantes ;
- images satellite ;
- modèles numériques de terrain ;
- géophysique ;
- géochimie ;
- observations de terrain.
L’objectif peut être de produire automatiquement une classification des différentes unités géologiques ou d’identifier des structures.
8. IA et exploration minière
L’exploration minière nécessite souvent de croiser de nombreuses informations.
Par exemple :
- géologie ;
- géochimie ;
- géophysique ;
- structures tectoniques ;
- données de forage.
Un modèle de machine learning peut analyser ces variables simultanément afin d’identifier des zones présentant des caractéristiques similaires à celles de gisements connus.
On parle parfois de cartographie de prospectivité minérale.
L’objectif n’est pas de prédire directement la présence certaine d’un gisement, mais d’aider à hiérarchiser les zones d’exploration.
9. IA et hydrogéologie
L’intelligence artificielle peut également être utilisée pour étudier les ressources en eau souterraine.
Les modèles peuvent prendre en compte :
- les précipitations ;
- la géologie ;
- la topographie ;
- la perméabilité ;
- la profondeur de la nappe ;
- les données de forage.
L’objectif peut être de prévoir :
- le niveau d’une nappe ;
- la productivité d’un aquifère ;
- la vulnérabilité d’une nappe ;
- certaines propriétés de la qualité de l’eau.
10. IA et risques géologiques
Les phénomènes naturels génèrent eux aussi de grandes quantités de données.
L’IA peut contribuer à l’étude :
- des glissements de terrain ;
- des séismes ;
- des éruptions volcaniques ;
- de l’érosion ;
- des mouvements de terrain.
Par exemple, un modèle peut être utilisé pour construire une carte de susceptibilité aux glissements de terrain à partir de plusieurs variables :
- pente ;
- géologie ;
- pluviométrie ;
- occupation du sol ;
- orientation des versants.
11. IA et télédétection
La télédétection est l’un des domaines où l’intelligence artificielle possède le plus grand potentiel.
Les images acquises par satellite contiennent plusieurs bandes spectrales.
Elles peuvent être analysées pour distinguer différents matériaux ou types de surface.
Les algorithmes peuvent être utilisés pour :
- classifier l’occupation du sol ;
- détecter des structures ;
- identifier certaines altérations ;
- suivre l’évolution de paysages ;
- cartographier certaines formations.
12. L’IA générative comme outil pour le géologue
L’IA générative peut également intervenir dans le travail quotidien.
Un géologue peut l’utiliser pour :
- résumer un article scientifique ;
- expliquer une notion complexe ;
- générer un script Python ;
- nettoyer des données ;
- préparer une structure de rapport ;
- traduire un document ;
- rechercher des pistes bibliographiques ;
- rédiger une première version d’une méthodologie.
Exemple de demande
Un géologue pourrait demander :
« Écris un script Python permettant d’afficher la concentration en cuivre en fonction des coordonnées X et Y à partir d’un fichier CSV. »
L’outil peut proposer le code correspondant.
Cependant, ce code doit être vérifié avant son utilisation.
13. Les avantages de l’intelligence artificielle en géologie
L’utilisation de l’IA présente plusieurs avantages.
Elle permet notamment :
- d’analyser rapidement de grands volumes de données ;
- de détecter des relations complexes ;
- d’automatiser certaines tâches répétitives ;
- de combiner plusieurs sources de données ;
- d’améliorer certaines méthodes de classification ;
- d’aider à la prise de décision.
L’IA peut donc devenir un outil complémentaire particulièrement puissant pour le géologue.
14. Les limites de l’IA
L’intelligence artificielle possède également plusieurs limites importantes.
14.1. La qualité des données
Un modèle est fortement dépendant des données utilisées pour l’entraîner.
Des données incorrectes, incomplètes ou peu représentatives peuvent produire de mauvaises prédictions.
On résume parfois ce principe par l’expression :
« Garbage in, garbage out »
Autrement dit, de mauvaises données produisent généralement de mauvais résultats.
14.2. Le manque de données
Dans certaines régions, les données géologiques disponibles sont limitées.
Il peut donc être difficile d’entraîner des modèles fiables.
14.3. Les biais
Un modèle apprend à partir des données qui lui sont fournies.
Si celles-ci représentent mal la réalité, le modèle reproduira ces biais.
14.4. L’interprétation géologique
Une corrélation statistique ne constitue pas nécessairement une relation géologique réelle.
Le modèle peut détecter une relation entre plusieurs variables sans comprendre le processus physique ou géologique qui l’explique.
L’interprétation du géologue reste donc indispensable.
15. Le rôle du géologue face à l’intelligence artificielle
L’IA ne transforme pas le géologue en simple utilisateur de logiciels.
Au contraire, la connaissance du terrain et des processus géologiques devient particulièrement importante pour interpréter correctement les résultats.
Le géologue doit notamment être capable de :
- choisir des données pertinentes ;
- vérifier leur qualité ;
- comprendre les limites d’un modèle ;
- détecter des résultats incohérents ;
- confronter les prédictions au terrain ;
- replacer les résultats dans leur contexte géologique.
La combinaison entre connaissances géologiques et compétences en analyse de données représente donc un domaine particulièrement prometteur.
16. Quelles compétences apprendre ?
Pour commencer à utiliser l’intelligence artificielle en géologie, plusieurs compétences peuvent être progressivement acquises.
Géologie
Il faut tout d’abord conserver une solide compréhension de :
- la pétrologie ;
- la stratigraphie ;
- la tectonique ;
- la géochimie ;
- la géophysique ;
- la cartographie.
Mathématiques et statistiques
Quelques notions sont particulièrement utiles :
- moyenne ;
- variance ;
- corrélation ;
- régression ;
- probabilités.
Programmation
Le langage Python est aujourd’hui largement utilisé dans la science des données.
Plusieurs bibliothèques sont particulièrement utiles :
- NumPy ;
- pandas ;
- Matplotlib ;
- scikit-learn ;
- TensorFlow ;
- PyTorch.
Systèmes d’information géographique
La maîtrise d’outils SIG comme QGIS constitue également un avantage important.
17. Exemple simple : prédire un type de roche
Imaginons un jeu de données contenant 10 000 échantillons.
Chaque échantillon possède plusieurs caractéristiques :
Le modèle reçoit les données chimiques et physiques.
Pendant l’entraînement, il apprend les relations entre ces caractéristiques et le type de roche.
Lorsqu’un nouvel échantillon est analysé, le modèle peut ensuite proposer une classification.
Données → préparation → entraînement → modèle → nouvelle donnée → prédiction.
18. L’IA va-t-elle remplacer les géologues ?
L’intelligence artificielle peut automatiser certaines tâches, mais la géologie repose fortement sur l’observation, le raisonnement scientifique et la compréhension du contexte.
Un modèle informatique ne visite pas un affleurement, ne remplace pas une campagne de terrain et ne comprend pas réellement l’histoire géologique d’une région comme le ferait un spécialiste.
L’évolution la plus probable est donc celle d’une collaboration entre le géologue et les outils d’intelligence artificielle.
Les géologues capables de comprendre à la fois les géosciences et les outils numériques disposeront d’un ensemble de compétences particulièrement utile.
Conclusion
L’intelligence artificielle ouvre de nombreuses possibilités dans le domaine des géosciences.
Elle peut contribuer à l’analyse d’images satellite, à la classification des roches, à l’interprétation de données géophysiques, à l’exploration minière, à l’hydrogéologie ou encore à l’étude des risques naturels.
Elle permet surtout d’exploiter des volumes de données qui seraient difficiles à analyser manuellement.
Cependant, la pertinence d’un modèle dépend directement de la qualité des données, de la méthode utilisée et de l’interprétation qui en est faite.
L’intelligence artificielle doit donc être considérée comme un outil d’aide au géologue plutôt que comme un substitut à son expertise.
À retenir
- L’intelligence artificielle permet d’analyser automatiquement de grandes quantités de données géologiques.
- Le machine learning apprend des relations à partir de données existantes.
- Le deep learning est particulièrement adapté à l’analyse d’images et de données complexes.
- L’IA peut être utilisée en cartographie, télédétection, hydrogéologie, exploration minière et analyse des risques.
- Les résultats produits par un modèle doivent toujours être validés par une expertise géologique.
- La qualité des données est l’un des facteurs les plus importants pour obtenir un modèle fiable.
Ce que vous allez apprendre
À la fin de ce cours, vous serez capable de comprendre les principales notions de l’intelligence artificielle, de distinguer machine learning et deep learning et d’identifier les principales applications de l’IA dans les géosciences.
Prérequis
Aucune connaissance en intelligence artificielle ou en programmation n’est nécessaire. Des notions générales de géologie sont recommandées.
