从地表地震数据中有效地探测地下地质特征对于理解大地构造、盆地演化、资源勘探以及引起区域地震（地震发生）的过程非常重要。为此，地震数据的获取不断增长，使得处理过程在计算上很费力并且解释繁琐。得益于高性能的计算系统，该系统可以在收到口译员的指导和输入后的合理时间内对此类海量数据进行分析。然而，人类分析人员很难进行人工解释，特别是在该地区地质复杂、数据丰富的情况下。
为了使这一过程自动化并加快解释速度，印度政府科学技术部下设的自治研究所——喜马拉雅地质研究所（WIHG）的科学家开发了一种基于神经（机器学习）的实用方法，用于自动解释3D地震数据。这种第一种方法通过计算一种称为元属性的新属性而开发。
较老的沉积岩层或火山熔岩层（基岩复合体）之间的板状片状侵入显着促进了热岩浆的运输和储存，并导致覆盖层。这可以作为沉积盆地中油气聚集的合理构造圈闭。新西兰近海坎特伯雷含油气盆地就是一个典型的例子，在那里，白垩纪至始新世(约1.45亿至3390万年前的地质时期)序列中嵌入了碟形岩浆岩床，导致在岩床末端上方形成了强制褶皱和热液喷口。
WIHG的科学家通过设计工作流程并计算SillCube（SC）和FluidCube（FC）元属性来捕获这种情况。这些是混合属性，是通过使用基于神经的方法将许多地震属性（与地质目标关联）合并而生成的。这项研究发表在研究期刊“构造物理学”上。WIHG团队在监督的神经学习（机器学习）之后准备了元属性，其中在人类分析师的指导下训练计算系统。
根据这项研究的结果，单个岩床的面积分别为1.5平方公里到17平方公里。此外，熔解的岩浆流体通过热液喷口垂直上升至800m左右的高度，并抬升覆盖层。这种解释方法是自动化的，可以有效地从三维地震数据中描述地下岩浆活动。
这项工作是朝着应用机器学习解决地质问题迈出的重要一步，并且在理解喜马拉雅山等活跃山区的复杂地质过程中很有希望。
