机器学习方法在地球科学领域的应用

课程概述

本课程将涵盖机器学习的核心概念，并展示如何将其应用于地球科学数据。学员将学习机器学习基础，包括数据聚类/分类方法（K均值、高斯判别分析、随机森林、自组织映射、主成分分析、DBSCAN）、应用于地球科学数据的全连接与卷积神经网络、循环神经网络、物理信息机器学习及大语言模型。实践练习包括应用机器学习方法对地震数据进行震中聚类、走时拾取、裂缝拾取以生成裂缝方位分布图、迁移图像去噪以生成无噪图像、FK面波滤波以提取基本频散曲线，以及对地球化学数据进行聚类以形成地层独特的地球化学特征。

课程目标

课程结束后，学员将能够：

• 将以下机器学习方法应用于地球科学数据：无监督ML方法（数据聚类/分类，如K均值、高斯判别分析、自组织映射、主成分分析、决策树分析、DBSCAN）及有监督ML方法（如全连接与卷积神经网络、循环神经网络、生成对抗网络、物理信息机器学习）。
• 使用Colab、MATLAB和Keras代码理解并演示关键ML原理，将其适配至自有数据。
• 理解每种ML方法（包括大语言模型）的理论、局限性与优势。

讲师简介

Gerard Thomas Schuster教授于1987至2009年创立并领导犹他州层析成像与建模/偏移联盟，2010至2021年曾任阿卜杜拉国王科技大学流体建模与地震成像中心联合创始主任，现为犹他大学研究教授。

Schuster教授通过深入研究项目和大量著作（包括《地震干涉测量》（剑桥出版社，2009）、《地震反演》（SEG，2017）及《地球科学中的机器学习方法》（SEG，2024）），助力开创地震干涉测量及其在地球物理中的实际应用。Schuster教授于2013年和1988年分别获SEG与SPE选为杰出讲师，2011年获SEG考夫曼金质奖章（Kauffman Gold Medal），2025年获授SEG荣誉会员。

课程时间

课程时间（北美中部标准时间 CST）

• 1月19日课程：23:00（当晚11点）– 次日03:00（凌晨3点）

• 1月20日课程：23:00（当晚11点）– 次日03:00（凌晨3点）

课程时长

8小时（每天4小时）