Seismic Fault Detection Using Interpretable Tree-Based Ensemble Models with Bayesian Optimization

Yang Li

doi:10.1007/s00024-025-03856-2

2025-11-01

PRE

DOI：10.1007/s00024-025-03856-2

原文链接

原文求助

摘要

En 中文

地震图像中断层可靠且准确的识别是地震解释的基础。本文提出了一种基于梯度提升算法和贝叶斯优化的可解释树集成模型，用于识别地震断层。首先，选取了对不连续性特征敏感的地震属性，包括基于振幅的、相似性和一致性属性。然后，为解决多地震属性导致的信息冗余问题，应用了特征优化算法以降低地震属性数据的维度。随后评估了不同梯度提升算法模型在识别地震断层方面的有效性，包括梯度提升决策树（GBDT）、极端梯度提升（XGBoost）、CatBoost和轻量级梯度提升机（LightGBM）。通过集成SHapley加性解释（SHAP）分析特征与预测结果之间的影响和依赖关系，增强了模型的可解释性，从而为预测结果提供可靠支持。随后通过在测试数据集上的应用评估了所提方法的有效性。研究结果指出，比较机器学习模型的断层预测精度呈现明显层次：CatBoost/LightGBM>XGBoost/GBDT>MLP>SVM。基于贝叶斯优化的CatBoost和LightGBM算法达到0.93的测试准确率，而XGBoost和GBDT达到0.92。所有树集成模型相比传统非集成模型（包括多层感知器MLP，0.85和支持向量机SVM，0.76）表现出更优性能。具体而言，BO-CatBoost在关键指标（精确度、F1分数和AUC）上展现出更优性能，证实了贝叶斯优化在提升树模型性能方面的价值。该研究表明，可解释树集成模型在地震断层检测中具有更优的精度和效率。

Keyword:

Seismic interpretation

fault detection

ensemble learning

GBDT

SHAP

Bayesian optimization