تحلیل نشانگرهای لرزه ای چندگانه برای شناسایی گنبد نمکی

در شناسایی ساختارهای پیچیده زیرسطحی همچون گنبدهای نمکی، تکیه صرف بر داده های لرزه ای خام کافی نیست و به کارگیری نشانگرهای لرزه ای می تواند مرزها و ویژگی های پنهان را با دقت بیشتری آشکار سازد. در این پژوهش، با استفاده از داده های بلوک F۳ در بخش هلندی دریای شمال، شش نشانگر لرزه ای شامل مشتق دوم پوش، شیب، مثبت ترین انحنا، آشفتگی، واریانس و همبستگی بافتی مبتنی بر ماتریس وقوع سطوح خاکستری محاسبه و تحلیل شد. نتایج نشان داد که مشتق دوم پوش و واریانس در آشکارسازی مرزهای تیز و ناپیوستگی ها عملکرد مناسبی دارند؛ نشانگر شیب و مثبت ترین انحنا در نمایش هندسه و مورفولوژی گنبد نمکی موثر هستند و نشانگرهای بافتی مانند GLCM و آشفتگی در تفکیک بافت داخلی نمک از رسوبات پیرامونی کارآمد ظاهر شدند. مقایسه نتایج بیانگر آن است که هیچ نشانگر منفردی قادر به نمایش جامع ویژگی های گنبد نمکی نیست، اما ترکیب هدفمند چند نشانگر می تواند تفکیک پذیری و وضوح مرزها را به طور چشمگیری بهبود بخشد. افزون بر این، بهره گیری از الگوریتم های یادگیری ماشین در کنار نشانگرهای لرزه ای، فرصت مناسبی برای استخراج الگوهای پنهان و کاهش ابهام در تفسیر فراهم می کند.

کلیدواژه ها:

نشانگرهای لرزه ای ، گنبدنمکی ، داده لرزه ای ، یادگیری ماشین