Titre de l'écran-titre (visionné le 28 novembre 2023) / La chalcopyrite est un sulfure de cuivre et de fer trouvé dans une grande variété de gîtes minéraux. Sa composition en éléments traces est très variable. Parmi les facteurs les plus importants qui contrôlent sa concentration en éléments traces se trouvent la structure cristalline, les cœfficients de partage (chalcopyrite-liquide, chalcopyrite-minéraux qui co-cristallisent) et la composition du magma/fluide hydrothermal, lesquels reflètent les conditions physico-chimiques de l'environnement géologique de formation. Ces caractéristiques, ainsi que ses propriétés physiques, favorisent la chalcopyrite comme un potentiel minéral indicateur pour l'exploration. Avec l'objectif de déterminer les critères géochimiques permettant son utilisation comme un minéral indicateur, des échantillons appartenant à 8 types de dépôts à l'échelle mondiale, dont 2 magmatiques (sulfures à Ni-Cu et EGP lités) et 6 hydrothermaux (porphyres, sulfures massifs volcanogènes (SMV), iron-oxide-copper-gold (IOCG), skarn, or épithermal et or orogénique), ont été analysés par microsonde électronique (EPMA) et par ablation laser et spectrométrie de masse à plasma à couplage inductif (LA-ICP-MS). La composition en éléments traces de la chalcopyrite a été examinée à l'aide de méthodes statistiques pour caractériser sa variation dans les différents types de dépôts, lesquelles combinées avec l'apprentissage automatique, a permis le développement de modèles de discrimination. Cette étude montre que la différence la plus importante dans la composition de la chalcopyrite demeure entre les systèmes magmatiques et hydrothermaux. Le Ni détermine cette différence, enrichi dans la chalcopyrite magmatique par rapport à celle hydrothermale. Dans les systèmes magmatiques (chapitre 1), les processus ayant lieu pendant la cristallisation qui exercent une influence sur certains éléments ont été identifiés. La chalcopyrite des dépôts d'EGP lités est enrichie en Se et appauvrie en Te-Sn-Bi-In, comme une conséquence des rapports élevés magma/liquide sulfuré (facteur-R) pendant la cristallisation. La cristallisation fractionnée du liquide sulfuré dans les dépôts de sulfures à Ni-Cu impacte également sur la composition en éléments traces dans la chalcopyrite. Ainsi, la chalcopyrite formée à partir d'une solution solide intermédiaire (iss), cristallisant en dernier à partir d'un liquide résiduel riche en Cu, est enrichie en éléments incompatibles (Ag-Bi-Cd-Pb-Se-Sn-Tl), par rapport à celle formée d'une solution solide de monosulfure (mss) riche en Fe. Cela constitue la base des modèles de classification supervisée par l'analyse discriminante par les moindres carrés partiels (PLS-DA) développés dans cette étude, lesquels permettent de discriminer entre les deux types de dépôts magmatiques (sulfure à Ni-Cu vs. EGP lités) et le type de minerais. Dans les dépôts de SMV (chapitre 2), la concentration des éléments traces dans la chalcopyrite dépend de la composition (conditionnée par la roche encaissante), la température et de la nature du fluide hydrothermal. La PLS-DA indique que la composition en éléments traces de la chalcopyrite varie en fonction du sous-type lithostratigraphique. Ainsi, la chalcopyrite des SMV du sous-type ultramafique est enrichie en Ni-Co-Te, tandis que celle des SMV dans les environnements siliciclastique-felsique a des teneurs élevées en Sb-Bi-In. Dans les SMV en contexte mafique et siliciclastique-mafique, le Pb et Mn sont, respectivement, enrichis dans la chalcopyrite, tandis que dans celle des dépôts bimodal-felsique et mafique montrent une composition similaire. Des modèles de prédiction Random Forest (RF) ont été développés, un algorithme plus adapté et performant que la PLS-DA en raison du nombre élevé de classes (types de gîtes), afin de classifier la chalcopyrite parmi les 6 contextes lithostratigraphiques des SMV. Quatre algorithmes d'apprentissage automatique (Artificial Neural Network (ANN), RF, K-Nearest Neigbor (KNN) et Naïve Bayes (NB)) et une méthode statistique de classification supervisée (PLS-DA) sont comparés afin de classifier la chalcopyrite parmi les 8 types de dépôts (chapitre 3), dont le RF donne une performance plus élevée. Trois modèles RF ont été développés: le premier, permettant la classification entre chalcopyrite hydrothermale et magmatique; le deuxième, pour déterminer sa provenance selon le type de dépôt magmatique (sulfures à Ni-Cu vs. EGP lités); et le troisième, lequel discrimine la chalcopyrite parmi les 6 types de dépôts hydrothermaux. Ces modèles ont été testés sur des données compilées de la littérature et sur des grains analysés de chalcopyrite récupérés de sédiments de tills et eskers de la Province de Churchill (Québec, Canada), et démontre l'utilisation de la chimique de la chalcopyrite pour déterminer sa provenance aux fins d'exploration minérale. Une importante variation des éléments traces dans la chalcopyrite est présente dans chaque type de dépôt; néanmoins, sa composition a une signature particulière selon le contexte de formation. Cela met en évidence le fort potentiel de discrimination de la source de minéralisation, démontré par les modèles de discrimination. Cette étude démontre que la chalcopyrite peut être utilisée comme un minéral indicateur et offre l'opportunité d'appliquer ces méthodes dans les sédiments en exploration minérale. / Chalcopyrite is a Cu-Fe sulfide found in a wide diversity of mineral deposits. Its trace element composition is highly variable. The crystal structure, the partition coefficient (chalcopyrite-liquid, chalcopyrite-co-crystallizing minerals), and the composition of magma/fluid are major factors controlling the trace element content in chalcopyrite, which reflects the physicochemical conditions of geological environment of formation. These characteristics, as well as its physical properties, make chalcopyrite a potential indicator mineral for exploration. In order to determine geochemical criteria enabling the use of chalcopyrite as an indicator mineral, samples from 8 deposit types worldwide, including 2 magmatic (Ni-Cu sulfide and Reef-type PGE) and 6 hydrothermal (porphyry, volcanogenic massif sulfides (VMS), iron oxide-copper-gold (IOCG), skarn, epithermal gold and orogenic gold), were analysed by electron probe micro-analysis (EPMA) and LA-ICP-MS (laser ablation-inductively coupled plasma-mass spectrometry). The data were investigated with univariate, bivariate and multivariate statistical methods to characterise its variation in the different deposit types, which combined with the machine learning, enabled the development of discrimination models in order to determine the provenance of chalcopyrite. This study shows that the most important difference in trace element composition of chalcopyrite is observed between magmatic and hydrothermal systems. According to our results, Ni determines this difference, with values significatively higher in chalcopyrite formed in Ni-Cu sulfide and Reef-type PGE deposits than in hydrothermal deposits. In magmatic systems (chapter 1), the statistical analysis allowed the recognition of the processes occurring during crystallisation that affect the concentration of certain elements. In Reef-type PGE deposits, the high values of magma/sulfide liquid ratio (R-factor) during crystallisation led to Se enrichment (a strongly chalcophile element), whereas Te, Sn, Bi and In are depleted in chalcopyrite, compared to those formed in Ni-Cu sulfide deposits. Furthermore, the variation in trace elements in chalcopyrite is influenced by fractional crystallisation of sulfide liquid in Ni-Cu sulfide deposits. Thus, chalcopyrite from intermediate solid solution (iss), which crystallised from a Cu-rich residual liquid, is enriched in incompatible elements (Ag, Bi, Cd, Pb, Se, Sn and Tl) compared to chalcopyrite from an early-forming Fe-rich monosulfide solid solution (mss). These geochemical characteristics constitute the basis of the classification models with partial least squares-discriminant analysis (PLS-DA) to determine the deposit type (Ni-Cu sulfide vs. Reef-type PGE deposits) and ore type (Cu-rich vs. Fe-rich). In hydrothermal systems, the concentration of trace elements in chalcopyrite depends on hydrothermal fluid composition, which is a function of host rock composition, temperature, and nature of the fluid source. The PLS-DA results show that, in VMS deposits (chapter 2), trace elements in chalcopyrite vary in function of VMS setting, which is determined by the host rock composition. Chalcopyrite from ultramafic-hosted VMS is rich in Ni, Co and Te, whereas chalcopyrite from siliciclastic-felsic setting VMS has high values of Sb, Bi and In. Chalcopyrite from mafic and siliciclastic-mafic settings VMS is respectively high in Pb and Mn, whereas chalcopyrite from bimodal-mafic setting has similar trace element composition to those from bimodal-felsic subtype. Random Forest classifiers were developed and were shown to be more adapted and performance than PLS-DA because of high number of classes (deposit types), in order to classify chalcopyrite according to the 6 VMS lithostratigraphic settings. When 4 machine learning algorithms (Artificial Neural Network (ANN), Random Forest (RF), K-Nearest Neigbor (KNN) et Naïve Bayes (NB)) and a supervised classification multivariate method (PLS-DA) are compared to classify chalcopyrite according to 8 different deposit types (chapter 3), the RF model reported the highest performance. Three RF prediction models were developed. The first discriminates between magmatic and hydrothermal deposits; the second, discriminates between magmatic deposits (Ni-Cu sulfide and Reef-type PGE) and the third, discriminates between the 6 different hydrothermal deposits. These models were tested on literature data and chalcopyrite data from grains recovered from tills and eskers in Churchill Province (Québec, Canada), and demonstrate that chalcopyrite chemistry can be used to determine its provenance for mineral exploration. Although the trace element composition of chalcopyrite shows important variability within a deposit type, the results reveal that the chalcopyrite records a characteristic signature in its chemical composition according to the ore forming environment and highlights a strong potential to discriminate the source of mineralisation, as demonstrated by the RF models. This study demonstrates that chalcopyrite could be used as an indicator mineral and provides an opportunity to apply these methods in overburden sediments for mineral exploration.