科學家們正努力地對不斷增長的地震數(shù)據(jù)進行人工解釋，以探索地震的原因，特別是在該地區(qū)地質(zhì)條件復雜的情況下，他們現(xiàn)在正在使用基于機器學習的解決方案來幫助自動解釋這些數(shù)據(jù)。

從地表地震數(shù)據(jù)中有效地探測地下地質(zhì)特征對于理解大地構(gòu)造、盆地演化、資源勘探以及引起區(qū)域地震（地震發(fā)生）的過程非常重要。為此，地震數(shù)據(jù)的獲取不斷增長，使得處理過程在計算上很費力并且解釋繁瑣。得益于高性能的計算系統(tǒng)，該系統(tǒng)可以在收到口譯員的指導和輸入后的合理時間內(nèi)對此類海量數(shù)據(jù)進行分析。然而，人類分析人員很難進行人工解釋，特別是在該地區(qū)地質(zhì)復雜、數(shù)據(jù)豐富的情況下。

為了使這一過程自動化并加快解釋速度，印度政府科學技術(shù)部下設(shè)的自治研究所——喜馬拉雅地質(zhì)研究所（WIHG）的科學家開發(fā)了一種基于神經(jīng)（機器學習）的實用方法，用于自動解釋3D地震數(shù)據(jù)。這種第一種方法通過計算一種稱為元屬性的新屬性而開發(fā)。

較老的沉積巖層或火山熔巖層（基巖復合體）之間的板狀片狀侵入顯著促進了熱巖漿的運輸和儲存，并導致覆蓋層。這可以作為沉積盆地中油氣聚集的合理構(gòu)造圈閉。新西蘭近海坎特伯雷含油氣盆地就是一個典型的例子，在那里，白堊紀至始新世(約1.45億至3390萬年前的地質(zhì)時期)序列中嵌入了碟形巖漿巖床，導致在巖床末端上方形成了強制褶皺和熱液噴口。

WIHG的科學家通過設(shè)計工作流程并計算SillCube（SC）和FluidCube（FC）元屬性來捕獲這種情況。這些是混合屬性，是通過使用基于神經(jīng)的方法將許多地震屬性（與地質(zhì)目標關(guān)聯(lián)）合并而生成的。這項研究發(fā)表在研究期刊“構(gòu)造物理學”上。WIHG團隊在監(jiān)督的神經(jīng)學習（機器學習）之后準備了元屬性，其中在人類分析師的指導下訓練計算系統(tǒng)。

根據(jù)這項研究的結(jié)果，單個巖床的面積分別為1.5平方公里到17平方公里。此外，熔解的巖漿流體通過熱液噴口垂直上升至800m左右的高度，并抬升覆蓋層。這種解釋方法是自動化的，可以有效地從三維地震數(shù)據(jù)中描述地下巖漿活動。

這項工作是朝著應(yīng)用機器學習解決地質(zhì)問題邁出的重要一步，并且在理解喜馬拉雅山等活躍山區(qū)的復雜地質(zhì)過程中很有希望。 （編譯/Cassie） By PIB Delhi

轉(zhuǎn)載：千家網(wǎng)

原文標題：機器學習解決方案使地理資源的探索更簡單

文章出處：【微信公眾號：物聯(lián)網(wǎng)技術(shù)】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。