Geoscientific data fusion and machine learning for mineral prospectivity mapping: A case study of broken hill-type deposits

Abstract

La cartographie du potentiel minéral de Broken Hill (Australie) a été réalisée par l’intégration de données géologiques, géophysiques et géochimiques au sein d’un Système d’Information Géographique couplé à des méthodes de Machine Learning. Les données lithologiques, structurales, gravimétriques, radiométriques et géochimiques (zinc, plomb, argent, fer, manganèse, sodium et potassium) ont été harmonisées spatialement, rasterisées et fusionnées avec des indicateurs minéraux Pb–Zn–Ag servant de couche cible. Un maillage régulier a permis d’extraire des caractéristiques par cellule, notamment la distance aux failles, la densité de linéaments et la proportion de roches porteuses de minéraux. Deux modèles supervisés, Random Forest et XGBoost, ont été entraînés, comparés et évalués à l’aide de matrices de confusion et d’analyses d’importance des variables. Les résultats montrent une meilleure performance du Random Forest et mettent en évidence le rôle déterminant de la distance aux failles et des lithologies riches en gahnite et grenat. Le modèle Random Forest a atteint une précision de 0,892, tandis que XGBoost a atteint 0,876. Le RF a démontré une précision supérieure, tandis que le XGBoost a montré une meilleure rappel, soulignant un compromis entre fiabilité et capacité de détection. La carte finale de probabilité minérale identifie des zones prioritaires cohérentes avec le cadre métallogénique régional, démontrant l’intérêt de cette approche pour optimiser le ciblage minier.

Mineral prospectivity mapping in Broken Hill (Australia) was conducted by integrating geological, geophysical, and geochemical data within a Geographic Information System coupled with Machine Learning techniques. Lithological, structural, gravity, radiometric, and geochemical datasets (zinc, lead, silver, iron, manganese, sodium, and potassium) were spatially harmonized, rasterized, and merged with Pb–Zn–Ag indicator minerals used as the target layer. A regular grid enabled feature extraction per cell, including distance to faults, lineament density, and proportion of mineral-bearing rocks. Two supervised models, Random Forest and XGBoost, were trained, compared, and evaluated using confusion matrices and feature importance analysis. Results show better performance of Random Forest and highlight the dominant role of distance to faults and gahnite- and garnet-rich lithologies. The Random Forest model achieved an accuracy of 0.892, while XGBoost reached 0.876. RF demonstrated higher precision, whereas XGBoost showed better recall, highlighting a trade-off between reliability and detection capability. The final mineral probability map delineates priority targets consistent with the regional metallogenic framework, demonstrating the effectiveness of this approach for optimized mineral exploration.