Intégration de l’intelligence artificielle et des SIG pour la cartographie prédictive des ressources minières en République Démocratique du Congo : cas du territoire de Seke-Banza

Résumé

Cette recherche explore l’optimisation de la prospection minière en République Démocratique du Congo, spécifiquement dans le territoire de Seke-Banza (Kongo-Central), une zone riche en bauxites et autres minéraux. L’objectif est d’évaluer l’apport de l’intégration de l’Intelligence Artificielle (IA), couplée aux Systèmes d’Information Géographique (SIG) et à la télédétection, pour une cartographie prédictive plus précise. La méthodologie repose sur la conception d’un pipeline modulaire intégrant le prétraitement de données géospatiales complexes (indices topographiques, lithologie, humidité, végétation) et quatre algorithmes d’apprentissage automatique : Random Forest, SVM, XGBoost et ANN. Le modèle XGBoost s’est révélé le plus performant (Accuracy = 92 %, Kappa = 0,7359, AUC = 0,85, PR-AUC = 0,8166). L’indice d’humidité (NDMI) et la pente constituent les principaux prédicteurs. Une carte prédictive a été générée, permettant de planifier les campagnes de terrain en quatre vagues prioritaires. Cette approche démontre que l’IA appliquée aux géosciences permet de réduire les incertitudes et les coûts d’exploration. En perspective, l’intégration du Deep Learning et de données hyperspectrales pourrait encore affiner ces prédictions et contribuer à moderniser la gestion minière en République Démocratique du Congo.