近日，我校资源学院钟志课题组在国际地学顶级期刊《Earth-Science Reviews》在线发表了题为“Machine learning for subsurface geological feature identification from seismic data: Methods, datasets, challenges, and opportunities”的研究论文，该工作与新西兰奥塔哥大学、中国石油大学（华东）等多家单位合作，综述了利用机器学习从地震数据中识别地下地质特征的方法、数据集、挑战和机会。论文第一作者为资源学院2021级博士生林磊，通讯作者为钟志教授。

从地震数据中识别地质特征（如断层、盐体和通道）对于浅层地球研究、自然灾害预测与评估、碳捕集与存储、氢气存储、地热能开发以及传统资源勘探至关重要。然而，手工地震解释具有明显的主观性和劳动强度高的特点。随着3D地震勘探技术的兴起，地震数据量急剧增加，纯手工解释变得极具挑战。自1989年以来，大量基于机器学习的地质特征识别方法被提出，以应对这些挑战。迄今为止，这些方法尚未得到合理的综合。受应用逐渐增加的推动，这项研究对利用机器学习从地震数据中识别地质特征的进展进行详细的分析。首先，论文从五个不同的角度对这些方法进行了分类。其次，对241篇关于地震地质特征识别的文献进行了总结和归纳，并提供了根据地质特征类型分类的方法发展详细分析。第三，论文整理了公开可用的20个野外和12个合成地震数据集。第四，讨论了由于训练数据中地质特征有限而导致的假阳性识别问题。为了解决假阳性和标签训练数据不足的问题，论文提出了一种生成3D合成地震数据和相应地质标签的仿真框架，这些地质标签包括各种地质特征。据悉，这是目前地质特征最丰富的合成地震数据集。最后，文章深入讨论了当前的挑战和未来的研究机会，以激发进一步的相关研究。

图1 五种典型地下地质特征的地震识别示意图。

Earth-Science Reviews是由ELSEVIER出版商出版的地球科学领域的顶级期刊之一，中科院分区中为SCI一区TOP期刊，在地球科学领域具有较高影响力。

该研究得到国家自然科学基金、中国留学基金委，湖北省技术创新计划重点研发项目和国家重点研发计划项目的联合资助。

论文信息：

Title: Machine learning for subsurface geological feature identification from seismic data: Methods, datasets, challenges, and opportunities

Authors: Lei Lin, Zhi Zhong^*, Chenglong Li, Andrew Gorman, Hao Wei, Yanbin Kuang, Shiqi Wen, Zhongxian Cai, Fang Hao

Source: Earth-Science Reviews

DOI: https://doi.org/10.1016/j.earscirev.2024.104887

论文链接: https://www.sciencedirect.com/science/article/pii/S0012825224002149