TRAITEMENTS STATISTIQUES DES DONNEES GEOCHIMIQUES SOLS DE LA REGION ITASY.

TRAITEMENTS STATISTIQUES DES DONNEES GEOCHIMIQUES SOLS DE LA REGION ITASY.

Perle Léa Rasoamanarivo¹ ; Kanto Volahasina Randrianja ² ; Heritahina Rambeloson ³ ; Ralijaona Tafitasoloniaina⁴ ; mMiangaly Malanto Randrianja⁵ ; Honoré Ranoarivony ⁶

1 : ED Ingénierie et géosciences, Université d’Antananarivo 2 : ED Ingénierie et géosciences, Université d’Antananarivo

3 : Docteur en Ingénierie Minière et pétrolière, Université d’Antananarivo 4 : Docteur en Ingénierie et Géosciences, Université d’Antananarivo 5 : ED Ingénierie et géosciences, Université d’Antananarivo 6 : Docteur en Ingénierie, Université d’Antananarivo

*Auteur correspondant : Tel. +261331189993, E-mail : rasoamanarivo_perle@yahoo.com

Résumé

Des échantillonnages géochimiques sols ont été effectués dans des secteurs aurifères de la Région Itasy. Les analyses chimiques multi-élémentaires ont été réalisées par spectrophotométrie UV à la longueur d’onde 464nm. Au total de 399 échantillons ont ainsi prélevés et analyses pour 7 éléments : Al203, Fe2SO4, MgO, CaO, Cu, Au. Des traitements statistiques conventionnels comme l’ACP et l’analyse factorielle ont été utilisés pour analyser les données obtenus visant à déterminer les principaux facteurs lithologiques responsables de la dispersion des données géochimiques. Dans la statistique la teneur moyenne en Au des résultats est autour de 0,065ppm. La teneur maximale est au-delà de 0,3 ppm , jusqu’à 0,411 ppm . La cartographie d’isoteneur et des anomalies positives des éléments observés montre que l’or de la zone d’étude se trouve dans les gneiss migmatitiques et dans les migmatites.

Mots-clés : Itasy, géochimie, statistique, teneur, cartographie Abstract

Soil geochemical sampling was conducted in gold-bearing areas of Itasy Region. The multi- elemental chemical analyzes were performed by UV spectrophotometry at a wavelength of 464 nm. A total of 399 samples were collected and analyzed for 7 elements: Al203, Fe2SO4, MgO, CaO, Cu, and Au. Conventional statistical treatments such as PCA and factor analysis were used to analyze the data obtained to determine the main lithological factors responsible for dispersing geochemical data. In the statistics the average Au content of the results is around 0.065ppm. The maximum level is above 0.3ppm, up to 0.416ppm. Isotope mapping and positive anomalies of the observed elements show that gold in the study area is found in migmatitic gneisses and migmatites.

Keywords: Itasy, geochemistry, statistics, content, cartography

1. Introduction

La géochimie est l’une des outils essentiels utilisés en prospection minière.

Aujourd'hui avec le progrès techniques, les traitements statistiques d’un volume important des données géochimiques peuvent être effectués de façon plus rapide par un module de logiciel

sur ordinateur [1]. Ces techniques permettent également de cartographier les données en question laissant place à la valorisation des informations multi-élémentaires [2].

Cette étude se rapporte à la Région Itasy (Région Centrale Ouest de Madagascar). Elle est connue depuis les années 1900 pour ses richesses en ressources minérales. Dans ce travail, on parle de l’or. Des études géochimiques sols effectuées dans des secteurs aurifères de la Région Itasy ont permis de récolter des échantillons qui, eux, ont été analysés pour l’or et pour observations d’élément.

Les objectifs de cette étude visent à analyser et interpréter des données géochimiques [3] [4]. Des traitements statistiques dans ce contexte sont réalisés ainsi que des cartes géochimiques indiquant la répartition des minéralisations aurifère de la zone d’étude. Le logiciel XLSTAT a été choisi afin d’atteindre l’objectif principale.

2. Contexte générale de la zone d’étude [5]

La zone d’étude se situe à l’Ouest d’Antananarivo faisant partie de la Haute Terre Centrale de Madagascar. Localisée entre les longitudes Est, 46° 10’ et 47 ° et les latitudes Sud, 19°39’ et 19° 25’, la Région de l’Itasy est administrativement délimitée au Nord-Est par la Région Analamanga, au Nord-Ouest par la Région Bongolava, Au Sud et Sud-Est : la Région Vakinakaratra.

Géologiquement elle est constituée d’un socle précambrien métamorphisé qui s’étale sur une superficie de 6993 km². C’est une vaste étendue, rattachée au domaine Antananarivo (PGRM), composée d’orthogneiss et de paragneiss d’âge Néoarchéen à faciès schiste vert à granulitique.

L’aperçu général de la géologie dans cette région d’après les travaux antérieurs permet d’énumérer les formations géologiques existantes:

- les paragneiss (micaschistes, gneiss, quartzites, amphibolites) - les migmatites

Figure 1 : Carte de localisation de la zone d’étude

- les roches de granitisation (granites migmatites, migmatites granitoïdes, granites de types Ambatomiranty)

- les roches filoniennes

- les roches volcaniques (basaltes)

- les formations superficielles (argiles latéritiques, carapaces ferrugineuses et bauxites, alluvions).

Figure 2 : Carte géologique de la zone d’étude à l’échelle 1/500 000

Suivant les formations géologiques existantes les gisements d’or en place de la zone d’étude se trouvent en minéralisation disséminée dans les gneiss ou dans les veinules de quartz interstratifiés dans les schistes cristallins. [6]

3. Les matériels et méthodes utilisés 3.1. Matériels

Les données à traiter portent sur les résultats d’analyse chimiques des éléments majeurs et éléments traces des 399 échantillons de sols.

Le traitement statistique est effectué avec le logiciel XLSTAT

Les cartographies ainsi que toutes les opérations SIG (Système d’information géographique) de cette étude est effectué avec ArcGIS.10.5.

3.2. Méthodes

 Méthodes d’acquisition des données

L’acquisition des données sur la zone d’étude a consisté essentiellement en une prospection géochimiques sols et rivières ainsi qu’à la collecte d’échantillons pour la détermination des teneurs en or et d’abondance en éléments. Les prélèvements ont été fonction des résultats obtenus lors des études géochimiques rivières.

Les points d’échantillonnages sont répartis de façon régulière suivant une ligne droite traversant la zone à étudier et se croisant entre eux perpendiculairement [7]. Les échantillons sont répartis selon une distance systématique de 500m. La profondeur de chaque prélèvement est de 30 centimètres sous la surface du sol. L’échantillon est représenté par une fraction latéritique de 500 grammes. Ils ont été prélevés sur sol latéritique avec du bèche.

Les traitements et analyses chimiques des échantillons des sols ont été effectués par spectrophotométrie UV à la longueur d’onde de 464 nm.

Figure 3 : Distribution géographique des gisements d’or de la Région Itasy (Auteur)

 Les méthodes de traitement statistiques utilisées [8] [9] [10]

Pour atteindre l’objectif principal le traitement de données est effectué à l’aide des techniques statistiques conventionnelles avec le logiciel XLSTAT. La comparaison de la distribution des éléments chimiques étudiés a été réalisée après la mesure des paramètres statistiques. Ensuite on a réalisé la mesure de la dispersion des variables quantitatives qui, dans ce cas, sont les valeurs en ppm des teneurs en éléments majeurs (Al2O3, Fe2O3, MgO, CaO) et élément traces (S, Cu, Au) observé.

Afin de mettre en évidence les anomalies géochimiques dus à la variation des teneurs en éléments observés, une analyse descriptive de la relation entre les éléments observés dans les échantillons analysés a été effectuée.

L’influence du facteur lithologique sur la variance de la teneur est étudiée par analyse factorielle. Ainsi on a effectué :

- Une analyse de la variabilité des teneurs géochimiques - Une analyse en composante principale

- Une analyse factorielle 4. Résultats et interprétation

Les structures des données sont visualisées par les graphiques des figures 5. Les histogrammes et les fréquences cumulées pour les intervalles permettent de visualiser les effectifs et les fréquences pour chaque intervalle des teneurs.

Figure 4 : Carte des points d’échantillonnages géochimiques

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45

Box plot (Au)

Au

0 0.1 0.2 0.3 0.4 0.5 0

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.91

Fonction de répartition empirique (Au)

Au

Fréquence cumulée

0 0.1 0.2 0.3 0.4 0.5

0 5 10 15

Histogram (Au)

Normal(0,065;0,071) Au

Density

On peut observer, par les graphiques de la distribution par la méthode « box and whiskers », que la distribution des valeurs par rapport à la médiane de chaque élément observé est différente d’un élément à l’autre. La teneur médiane en Au est de 0.050 ppm. Cela signifie que la moitié des individus ont des teneurs au-dessus de 0.050 ppm

Dans le tableau des statistiques (Tableau 1) estimées, on peut comparer 4 statistiques élémentaires (moyenne, variance, asymétrie, et aplatissement), calculées à partir des données.

Tableau 1. Paramètre statistique calculés sur l’ensemble des données

Statistique Fe2O3 Cu Al2O3 MgO S Au CaO

Minimum 2.080 0.000 1.640 0.210 0.010 0.000 0.010

Maximum 34.000 2.770 26.100 3.880 9.870 0.401 4.450

Moyenne 8.788 0.814 10.691 1.737 2.076 0.065 1.721

Variance 11.631 0.403 12.671 0.348 2.453 0.005 4.450

Ecart-type 3.410 0.635 3.560 0.590 1.566 0.071 0.741

Coefficient de variation 0.388 0.780 0.333 0.339 0.754 1.092 0.430 Le tableau 1 montre un enrichissement en Al2O3 et Fe2O3 de la zone d’étude avec respectivement un teneur moyenne de 10.691 et 8.788ppm. Ce qui confirme les travaux antérieur : les séries gneissiques de la zone d’étude sont essentiellement silico-alumineux ou silico-calciques. Ce teneur élevé en Fe2O3 indique que la latéritisation est très poussée dans la zone d’étude.

On peut constater aussi, d’ après ce tableau, que la zone présente un teneur élevé en Cu (avec une moyenne de 0,814 ppm). Une interprétation possible à cet effet est que la chalcopyrite peut être abondante. Ce qui confirme les travaux antérieurs disant que l’or dans la zone d’étude est accompagné de pyrite ou chalcopyrite.

Le coefficient de variation montre la dispersion des teneurs en éléments dans les échantillons analysés. Plus le coefficient de variation est élevée plus la dispersion des données est grande. Du tableau 1 ressort trois directions de variabilité en élément de la constitution géologique de la zone d’étude. On peut constater que :

- Les teneurs en Fe2O3, Al2O3, MgO, CaO varient légèrement. Leur variabilité est ¿ 50%

- Les teneurs en Cu, et S varient modérément avec une variabilité ¿ 50%

Histogramme de distribution des teneurs en or

Fonction de la répartition

empirique de la teneur en or Distribution par la methode

« box and whiskers » Histogramme de fréquence des

teneurs en or

Figure 5. Structure des teneurs en or

- La teneur en Au varie fortement jusqu’à 109% de variabilité.

D’après ces résultats, l’or est beaucoup plus dispersé par rapport aux autres éléments observés.

Le tableau 2 suivant est la matrice des corrélations qui a été calculée sur l’ensemble des éléments observés : 399 individus et 7variables. Cette technique permet de mettre en évidence les interrelations entre les variables et les éventuelles ressemblances entre individus ou groupes d'individus présentant les mêmes caractéristiques sur un axe donné. Chaque ligne représente les éléments observés dans les échantillons et chaque colonne décrit les coefficients de corrélation linéaire (coefficient r de Pearson) des teneurs prises deux a deux.

Tableau 2. Matrice de corrélation de Pearson (n)

Fe2O3 1

Al2O3 0,184 1

Au -0,014 0,096 1

CaO 0,053 0,101 0,086 1

MgO -0,060 0,155 0,126 0,119 1

S -0,011 0,260 0,112 0,267 0,171 1

Cu 0,000 0,177 0,095 0,071 0,126 0,134 1

Fe2O3 Al2O3 Au CaO MgO S Cu

Les valeurs en gras sont significativement différentes de 0 à un niveau de signification alpha=0,05

On peut tirer de la matrice de corrélation que les corrélations sont différentes selon les éléments à corréler. Les coefficients de corrélation varient entre -1 et 1. D’après ce tableau : - les corrélations positives suivent différentes classifications [11]. Certaines étant très fortes

(0.260 et 0.184) d’autres moyennes (0.126 et 0.112), d’autres enfin plutôt faibles (0.096 et 0.O95). Ces comparaisons indiquent que les éléments varient, en moyenne, dans le même sens,

- Au présente une corrélation négative avec Fe2O3 Ces associations paraissent indiquer des fluctuations inversement proportionnelles des teneurs en ces éléments dans les minéraux.

Cette corrélation négative est indiquée dans la matrice de coefficient de corrélation par une valeur négative de -0,014.

- Au présente une forte corrélation positive valant de 0,126 avec MgO.

- la valeur 0.000 reflète l’absence d'une corrélation linéaire entre Cu et Fe2O3. La valeur de Cu ne donne indication sur la valeur de Fe2O3, et inversement.

L’analyse en composante principale (ACP) ont permis de réaliser le graphique des associations des éléments illustrés par le cercle de corrélation qui correspond à une projection des variables initiales sur un plan à deux dimensions constitué par les deux premiers facteurs.

La coordonnée de chaque point variable sur l’axe factorielle correspond à la mesure de la corrélation entre cette variable et le facteur. La distance des points variables est égale à 1 à l’origine ce qui explique le rayon du cercle de corrélation. Plus les points-variables se

rapprochent le bord du cercle mieux ils sont présentés sur le plan factoriel. La variable est donc bien corrélée avec le facteur qui constitue le plan.

L’angle entre les deux variables est égal au coefficient de corrélation linéaire entre les deux variables cos α = ^r

(

)

Chacune des composantes du vecteur Fk représente la projection d’un élément sur k ^ème axe d’inertie. Ces composantes correspondent aux coefficients de corrélation entres les éléments et le k ^ème facteur. On peut tirer de ce tableau que :

- le premier axe factoriel (F1) qui représente 24,698% de la variance totale est déterminée positivement par tous les éléments observés ;

- le deuxième axe factoriel (F2) qui représente 15,957% de la variance totale est déterminée positivement par Fe2O3 et AL2O3 et négativement par Au, CaO, MgO, S, Cu.

- le troisième axe factoriel (F3) qui représente 14,016% de la variance totale est déterminée positivement par CaO et S et négativement par Fe2O3, AL2O3, Au, MgO, Cu.

D’après le cercle de corrélation on trouve que Fe2O3 et AL2O3 sont biens présentés par le plan factoriel. On peut énumérer deux sortes de corrélation avec cette projection des point- variables sur le plan factoriel :

 Corrélation axe – variable

- Tous les éléments observés sont corrélés positivement avec l’axe F1.

- S, MgO, Al2O3 sont fortement corrélé positivement avec l’axe F1.

- Al203 est corrélé positivement avec l’axe F1 et F2.

- Fe2O3 est faiblement corrélé avec l’axe F1, il est plutôt fortement corrélé avec l’axe F2.

Puisqu’on travaille avec les résultats d’analyse géochimique des échantillons de sol, ces facteurs virtuels peuvent être des ^« facteurs lithologiques ^». En effet de par les variables auxquels il est fortement corrélé, le premier facteur peut être une formation silico-alumineuse avec présence de chalcopyrite (corrélation positive de F1 avec S et Cu) comme minéraux accessoires. Ce qui est prouvé par les cartes géologiques et les travaux de terrain avec la prédominance des gneiss migmatitiques dans la zone d’étude. Le deuxième facteur sera une formation latéritique qui est fortement corrélé avec Fe2O3.

 Corrélation linéaire entre points- variables

Au et MgO sont très corrélés. Ils ont une corrélation linéaire très étroite : toute augmentation des teneurs Au s’accompagne d’une augmentation en Mg.

Remarquons l’inertie de Au qui n’est pas bien présenté par le plan factoriel. Mais dans le tableau de la contribution des variables on peut constater que Au contribue à 74% dans le facteur F4 ; et Cu contribue à 14%. Ce qui explique la forte variabilité de la teneur en or (109%) d’après l’analyse de la variabilité avec le calcul du coefficient de variation.

S et Cu sont très proches, ce qui indique que ces deux éléments observés sont fortement corrélés positivement. Les teneurs en ces éléments évoluent ensemble. Quand S augment Cu augmente. La chalcopyrite est une espèce minérale composée de sulfure double (35 % massique), de cuivre (34,5 %) et de fer (30,5 %), de formule CuFeS2. Ce qui explique la corrélation positive de ces éléments. Dans notre zone d’étude la chalcopyrite est aurifère.

Fe2O3 et CaO sont deux variables dont leur représentation forme presque un angle 90°, ils ne sont pas du tout corrélés.

 Cartographie géochimique [12][13]

Cette partie de l’étude permet de réaliser une cartographie des profils géochimiques pour chaque élément chimique. Elles reflètent les variations dans la composition chimique en éléments majeurs (Fe2O3, Al2O3, MgO, CaO) et éléments traces (Cu, S, Au) observés de la zone d’étude.

L’étude de la carte d’isoteneur permet de faire une interprétation statistique, basée sur la répartition des échantillons et selon le critère lithologique. Des variations géochimiques sont observables sur les cartes. :

- La carte d’isovaleur de l’élément Au

Cette carte montre que la teneur maximale est au-delà de 0,3 ppm , jusqu’à 0,4116 ppm dans la statistique. Cette teneur est observé selon les directions NS ; NNE-SSW et NNW-SSE. L’analyse statistique des 398 échantillons a montré que la valeur moyenne est de l’ordre de 0,065 ppm avec un coefficient de variation CV=109,2%. Ce qui laisse paraitre que la région est dominé par des teneurs faibles en Au. Cet élément marque les gneiss migmatitiques, granites migmatitiques, migmatites granitoïdes et les charnokites.

- la carte de Al2O3

Elle montre que, par rapport aux autres éléments, les teneurs en Al2O3 sont généralement élevés. La teneur maximale observée est de l’ordre de 27 ppm avec une teneur moyenne de 10,691 ppm . Al2O3 marque les gneiss migmatitiques, les migmatites granitoïdes, les charnokites et les gabbros. Les valeurs élevées se situent suivant la direction NS et SSW-NNE. Avec les études de la variabilité des éléments, il présente un coefficient de variation de 33%. Cette teneur élevée en Al2O3 rappelle la latéritisation très poussée présente de la zone d’étude ;

- la carte d’isoteneur en S

-4 -3 -2 -1 0 1 2 3 4 5

-4 -2 0 2 4 6 8

Biplot (axes F1 and F2: 40,66 %)

Active variables Active observations F1 (24,70 %)

F2 (15,96 %)

-1 -0.75 -0.5 -0.25 0 0.25 0.5 0.75 1 -1

-0.75 -0.5 -0.25 0 0.25 0.5 0.75 1

Variables (axes F1 and F2: 40,66 %)

F1 (24,70 %)

F2 (15,96 %)

Figure 6. -Cercle de corrélation et projection des variables sur les deux premiers axes

Elle montre que la teneur maximale se situe uniquement dans la partie Est et sud Est de la zone d’étude. Cette valeur, avec les résultats d’analyses, est de l’ordre de 9,97 ppm . La valeur moyenne de teneur en soufre est de 2,076 ppm avec un coefficient de variation de 75%. Le soufre marque surtout les basaltes et les Ankaratrites.

Figure 8- Carte géochimique de Au de la région Itasy

Figure 9. Carte géochimique de Al2O3 de la région Itasy

La figure11 synthétise les principales caractéristiques géochimiques de la Région Itasy notamment les anomalies positives des éléments Au, Al203, S, superposées au fond géologique. Cette figure résume les relations des anomalies géochimiques principales mis en évidence. Elle montre une relation spatiale entre ces anomalies, nous permettant ainsi d'apprécier d'un seul coup d'œil les terrains des anomalies positives en ces trois éléments.

Avec cette carte, on peut repérer les zones caractérisées par la juxtaposition des anomalies : - l’Au à Miarinarivo (Mandiavato, Soamahamanina) dans les gneiss migmatitiques ; au

Nord de Soavinandriana (Sarobaratra) dans les migmatites.

- le Al2O3 dans les gneiss migmatitiques d’une part et dans les charnokites et les gabbros d’autre part.

- le S est dispersé surtout à l’Est dans les basaltes et les Ankaratrites.

Figure 10- Carte géochimique de S de la région Itasy

5. Conclusion

On a mis en relief dans cette étude la description de la structure des données.

L’application de la technique des box plot dans la description des données géochimiques Figure 11- Synthèse de la cartographie de l’anomalie géochimique Au / Cu

Figure 12- Synthèse de la cartographie géochimique Au /S /AL2O3

permet d’analyser l’information en mettant en évidence la répartition des données par rapport à la valeur de la médiane.

Avec leur caractère multidimensionnel, l’ACP est une excellente stratégie pour une observation plus approprié de la structure des données. Elle sert à mieux connaitre les données à traiter en construisant de nouvelles variables artificielles et fournit des représentations graphiques qui permettent de visualiser les relations entre les variables.

La cartographie géochimique des éléments, en tant qu’instrument de schématisation de l’information spatiale, nous a permis d’apercevoir les variabilités géographiques du fond géochimique avec la mise en évidence de la situation des teneurs anomales positives. Les cartes d’anomalies positives multiélémentaires pourraient se servir comme un document d’information et d’aide à la décision en prospection minière.

[1]. G.Branche, R.Coulomb, M.A Froger, 1965. Traitement des données géochimiques par ordinateur. Application à quelques problèmes classiques. Bull. Soc. Franç. Crist. P.304-305 [2] Barbier J. et Lecuyer P. : 1976. Une technique de cartographie automatique à partir des

données géochimiques. Résumés scientifiques BRGM. 1975. p.54

[3] Claude Bellehumeur, 1992. Application des techniques géostatistiques et d'analyse multivariable à l'interprétation des relevés géochimiques régionaux. Thèse ; Université du Québec à Montréal.

[5] G. Dellubac et al. 1964 ; Etude géologique et prospection des feuilles au 1/100 000 Miarinarivo et Arivonimamo.

[6]. A. LaCroix, 1922 Minéralogie de Madagascar tome 2. minéralogie appliqué, lithologie, Paris, lib., col.

[7] A.Y. Fersman, 1939. Geochemical and mineralogical methods of prospecting for useful minerals. In U.S. Geol. Surv. Circ. 127, Washington D.C. 1952, 37pp.

[8] Belkhiri L., Boudoukha A., MounI L., Baouz T. (2010). Application of multivariate statistical methods and inverse geochemical modeling for characterization of groundwater, A case study: Ain Azel plain (Algeria). Geoderma, Vol.159, Issues 3-4, 390-398.

[9] Brinis N.1, Boudoukha A.2, Ahmed Hamel A, 2015. Analyse statistique et géochimique de la dynamique des paramètres physico-chimiques des eaux souterraines du synclinal de Ghassira Algérie orientale Larhyss Journal, ISSN 1112-3680, n°22, pp. 123-137

[10]. A. Gournay 2012, Analyse statistique mutlivariée Institut de Mathématiques, Université de Neuchâtel Suisse Notes de Cours Septembre.

[11] A. Le Marechal. 1973. Application de quelques traitements statistiques aux données hydrochimiques des sources thermominérales du Cameroun ; Cah. ORSTOM, sér. Géol., vol. V, no 2, p. 217-234

[12] Chiles, J.P. et Mtheron, G. 1975 : Interpolation optimale et cartographie. Annales des mines, n°. XI, p. 19-26.

[13] Benoıt Pereira, 2016. Homogénéisation des données : enjeux et méthodes pour la cartographie géochimique des sols. Thèse Louvain-la-Neuve, Belgique, 215p

.

.