基于极端梯度提升算法的地震同相轴自动识别

黄建平 张若枫 高睿语 李亚林 段文胜 陈飞旭 郭廷超 潘成磊

摘要：在常规地震同相轴识别方法基础上，通过引入极端梯度提升算法（XGBoost）智能化策略，并结合地震数据相邻道相似性特征，发展一种基于极端梯度提升算法的地震同相轴自动识别技术方法。在编程实现方法的基础上，通过简单层状模型和复杂Marmousi模型模拟的记录进行测试，验证方法的正确性。对含噪音数据和实际资料中的同相轴进行识别测试，同时进行单道对比定量分析以及不同信噪比情况下算法预测结果精度对比。结果表明：新方法对含噪数据和实际资料均具有较好的适应性；在低信噪比（-6.98 dB）情况下，同相轴的查准率仍可超过90%。

关键词： 同相轴拾取； 机器学习； 特征拾取； 极端梯度提升算法

中图分类号：P 631.4   文献标志码：A

文章编号：1673-5005（2024）03-0044-13   doi：10.3969/j.issn.1673-5005.2024.03.005

Automatic detection of seismic event based on eXtreme gradient boosting

HUANG Jianping1， ZHANG Ruofeng1， GAO Ruiyu2，  LI Yalin3， DUAN Wensheng3，CHEN Feixu3， GUO Tingchao4， PAN Chenglei4

（1.School of Geosciences in China University of Petroleum（East China）， Qingdao 266580， China;2.SINOPEC Geophysical Research Institute， Nanjing 211100， China;3.Tarim Oilfield Branch， CNPC， Korla 841000， China;4.Geophysical Prospecting Research Institute of Jiangsu Oilfield Company， SINOPEC，Nanjing 210046， China）

Abstract： This paper presents an automatic seismic event detection method based on eXtreme gradient boosting （XGBoost） by integrating intelligent strategies and leveraging the similarity characteristics of adjacent traces in seismic data. The proposed method is validated through programming and testing on both simple layered and complex Marmousi models. The detection tests conducted on noisy data and the real data demonstrate the methods robustness and adaptability， even in low signal-to-noise ratio （SNR）conditions （-6.98 dB），  achieving a seismic event detection precision of 90%. Additionally， single channel contrast quantitative analysis and comparison of algorithm prediction accuracy under various SNR conditions further confirm the methods feasibility and applicability.

Keywords：event picking； machine learning； feature picking； eXtreme gradient boosting

在地震数据处理过程中，同相轴的识别对于目的层追踪、走时类反演、特定目标体成像等研究至关重要［1-3］。由于地震信号中偏移距、目的层深度、信噪比等诸多因素的影响，同相轴能量差异较大，同相轴准确识别和检测较为困难，且野外数据采集数据量大，需要大量的人工成本进行数据拾取。因此研究高精度、高效率、高自动化的同相轴自动识别方法极为重要。

根据检测方法的差异，传统地震同相轴自动识别方法主要分为两大类。第一类方法为直接检测法，该类方法主要通过对地震记录进行信号分析提取地震同相轴，利用地震波具备的属性与特征提取地震同相轴。Allen［4］提出的反映信号瞬时能量变化的长短时能量比（STA/LTA）方法，基于能量分析，使用广泛，实现原理简单高效，当比值超出给定阈值后可以确定出同相轴位置。其缺点是阈值的选取范围难以明确和对突变振幅信息敏感。Hatherly等［5-6］利用一些统计标准，通过计算频率带宽、窗口大小和平滑参数上来提高同相轴拾取精度。魏巍等［7］提出了采用自适应噪声抵消方法来识别检测微地震信号，获得高精度识别结果，但是其收敛速度较慢，提取的信号频带较窄。Moore等［8］提出基于波谱包络的初至震相检测，将贝叶斯推理应用至地震轨迹的生成概率模型，提高信号灵敏度和定位性能。

这类方法主要采用优化的信号特征作为有效信号判断标准，提高了检测识别性能，但其计算量大，泛化能力较差，信号在复杂背景噪声中难以用特定单一特征衡量。第二类方法为模板匹配法，该类方法主要是选取预设的模板、相同长度待识别波形并进行相关度计算，根据计算结果进行同相轴检测。Gibbons等［9-11］利用基准同相轴信号，通过计算互相关函数拾取具有高度相似性的目标信号。Mena等［12］采用傅里叶变换分析窗函数宽度与地震震级的关系，但窗口大小固定且选取较难，可复现性较差。随后，Ghaffazadeh等［13］基于S时频变换脉冲震动识别法，实现了利用卷积S变换的时频滤波识别地震信号。这类模板匹配方法基准同相轴的选取困难，往往具有较大人为主观性和较差的鲁棒性，与基准同相轴相似的目标信号往往同最终结果有所偏差。随着计算机和人工智能技术的逐渐成熟，人工智能方法作为一种全新的全局优化类型算法逐渐被应用于地震勘探中［14-16］，人工智能方法进行同相轴自动识别也是其中的一个典型应用。Albert等［17-20］基于神经网络算法自动拾取地震同相轴信号，验证了深度学习方法的有效性。除了神经网络方法之外，其他机器学习算法也得到了很多应用。赵争光等［21］使用监督机器学习算法从噪声中分离微地震信号，其训练的支持向量机模型识别准确率可达90%。戴永寿等［22-23］利用CEEMD算法和递归最小二乘结合提取了时变混合相位小波，其精度较之传统时变小波提取方法有一定改善。陈阳康［24］使用机器学习聚类方法实现微地震同相轴初至拾取，拾取精度优于长短时能量对比法。围绕西部探区地震数据中噪声种类复杂、信噪比低、保真度差、层间多次波发育、同相轴拾取困难的难题，笔者基于极端梯度学习算法［25-27］提出一种适应于低信噪比数据的地震同相轴自动识别技术方法，并在编程实现方法的基础上，通过模型和实际资料试处理，来验证该方法对西部典型数据的适应性。

1 XGBoost方法原理

极端梯度提升（eXtreme gradient boosting）算法简称XGBoost，由陈天奇等［28］

基于集成学习方法提出。该算法相对于单一决策树来说，训练过程较为稳定且泛化能力较好，在机器学习和数据挖掘等方面应用广泛。XGBoost是集成学习方法的一种，它是以分类回归树（CART树）进行组合。其中决策树预测模型可表示为

i=∑Kk=1fk（xi）. （1）

式中，K为树的总个数；fk为第k颗树的预测结果；xi为第i个样本；i为样本xi的总预测值。

为了防止过拟合，XGBoost的目标函数由损失函数和复杂度组成，复杂度由叶子数量和L2正则项组成。对于目标函数表示为

Obj（θ）=∑ni=1l（yi，i）+∑Kk=1Ω（fk）.（2）

式中，l（yi，i）为样本xi的训练误差即损失函数，一共n个样本；Ω（fk）为第k颗树的复杂度。

XGBoost遵循决策树架构的叠加式训练：

y（0）i=0，y（1）i=f1（xi）=y（0）i=+f1（xi），y（2）i=f1（xi）+f2（xi）=y（1）i+f2（xi），

……

y（k）i=y（k-1）i+fk（xi）.（3）

即k个模型的预测值等于k-1个模型与正在训练的第k个模型的预测值之和。

此时将XGBoost的目标函数写为

Obj（θ）=∑ni=1

l（yi，i）+∑Kk=1Ω（fk）=∑ni=1

l（yi，ki）+∑Kk=1Ω（fk）=∑ni=1

l（yi，k-1i+fk（xi））+∑K-1k=1Ω（fk）+Ω（fk）.（4）

式中，k-1i为前k-1次总预测值，为常数；fk（xi）为第k次数的预测结果;∑K-1k=1Ω（fk）为前k-1次所有树正则化项取值之和;Ω（fk）为第k次中数的正则化项取值。Ω（fk）表示为

Ω（fk）=γT+12λω2.（5）

式中，γ为惩罚力度；T为叶子的个数;ω为与真实值的残差；12λω2为L2正则项，将它加在目标函数中，可以防止过拟合。

XGBoost是众多机器学习算法的一种，因此在训练时也需要进行调参。较为重要的参数有eta、max_depth、min_child_weight、subsample。eta为学习速率，更新过程中用到的收缩步长，在每次计算之后，算法会获得新特征的权重。eta通过缩减特征的权重使提升计算过程更加稳定；max_depth为树的最大深度，值越大越容易过拟合；min_child_weight决定最小叶子节点样本权重和，加权和低于此参数时不再分裂产生新的叶子节点。当其值较大时可避免模型学习到局部的特殊样本；subsample参数表示控制对每棵树随机采样的比例。

本文中还采用了10折交叉验证法对参数进行调整，即把训练数据集随机平均分为10份互斥子集，选择其中9份作为训练集，剩下的1份作为测试集。将这一过程重复10次且每次从中选取不同测试集，将10次计算结果取均值作为最终参数选定得分结果。此方法可以一定程度上减小过拟合，如图1所示。

2 模型测试

在本文所述流程（图1）中，将其分为5步，即数据准备（训练与测试数据集）、特征提取、特征选择、模型训练、数据测试（预测）。一般情况下，在工业中步骤相对固定，通常以管道（pipeline）形式存在，使数据与产品相似，通过流水线一样将预测结果生产出来。

2.1 数据准备

本文中使用正演模拟炮记录和实际地震数据作为训练数据集。训练数据集一为模拟正演炮记录，速度模型为层状模型，第一层速度为2500 m/s，第二层速度为2000m/s。模型横向采样点为401，纵向采样点2501，网格间距为10 m。本文中采用主频为30 Hz的零相位雷克子波，正演时间采样步长为0.5 ms。训练数据集二也为模拟正演炮记录，速度模型为Marmousi模型，最大速度为5000 m/s，最小速度1500m/s。横向采样点为701，纵向采样点4501，网格间距为5 m。同样采用主频为30 Hz的零相位雷克子波，正演时间采样步长为0.4 ms。训练数据集三为某研究区实际地震数据。

信噪比计算公式为

RSN=101gPsignalPnoise.（6）

式中，Psignal为有效信号功率；Pnoise为含噪信号功率。对正演模拟炮记录添加信噪比为-6.98 dB的随机高斯白噪后，背景噪声场噪声干扰强烈，有效信号淹没于背景噪声中。特别是振幅较小且所处位置过于密集的信号，由人工肉眼观察已无法识别，弱信号几乎完全被噪声场所屏蔽，层位信息更是无法准确识别。因此在信噪比较低的地震数据中开发基于智能算法的有效信号识别技术具有十分重要的价值。

将训练数据（单道模拟地震记录）分段，经过测试后每段长度设置为116，这样可以提高识别同相轴的纵向识别率。分段后，将训练数据标记为两类，分别用“0”和“1”作为标签分类，其中“0”代表噪声信号，“1”代表有效信号（同相轴）。其中层状模型正演炮记录筛选出75865条噪声信号数据和6834条同相轴信号数据，这82699条数据构成了层状模型所需训练数据总和；Marmousi模型正演炮记录筛选出95463条噪声信号数据和28638条同相轴信号数据，共计124101条数据组成了Marmousi模型所需的训练数据总和。在得到分段划分并贴好标签的数据后，将数据从输入空间转化到特征空间。

为了最大程度上利用分段地震记录所包含的信息，综合参考了赵争光等［21］和Attenberg等［29］的研究，共设计191个特征。其中包含63个单道特征（一维特征）和128个道间特征（二维特征）。利用特征工程（特征提取和选择）中生成的特征对训练数据做进一步的优化。层状模型和Marmousi模型对应筛选出的二维特征如图6所示。

从图6中可看出，经过了灰度共生矩阵（GLCM）处理，炮记录中的有效信号与噪声相对比，其清晰程度有所改善，则可表明GLCM计算能够反映信号的清晰程度以及加强纹理沟纹深浅对比。

对于噪声与同相轴信号这种二分类问题，可以根据真实标签和通过模型预测得到的标签数据集划分为真正例（true positive）、假正例（false positive）、真反例（true negative）、假反例（false negative）4种情况，令TP、FP、TN、FN分别表示其对应的样例数，有TP+FP+TN+FN=S（样例总数），如表1所示。此外，查准率（p）和查全率（r）以及F1度量分别定义为

p=TPTP+FP ，（7）

r=TPTP+FN ，（8）

F1=2prp+r=2TPS+TP-TN .（9）

2.2 模型测试

为测试XGBoost机器学习算法自动识别地震同相轴对等效地震地质模型的有效性与普适性，本文中使用与训练数据集相对应的正演模拟炮记录作为测试数据集。测试数据集一为层状模型正演炮集中两个单炮，炮记录横向采样点为401，纵向采样点为7001，采样间隔为0.5 ms，网格间距为8 m。测试数据集二为Marmousi模型正演炮记录，其中单炮记录一（图7（a））横向采样点为501，纵向采样点7001，采样间隔为0.4 ms，网格间距为10 m；单炮记录二（图7（b））横向采样点为596，纵向采样点4500，采样间隔为0.5 ms，网格间距为8 m。对加入信噪比为-6.98 dB的随机噪声后的测试数据均进行自动识别。同时对层状模型正演炮记录加入不同信噪比的噪声进行噪声强度测试。

针对层状模型正演炮记录，即使在信噪比极其低的情况下，不管是直达波还是反射波，使用XGBoost算法识别到的同相轴信号都清晰完整，而使用STA/LTA方法识别到的同相轴信号效果较差，且噪声并没有被完全识别出，如图7所示。对XGBoost识别结果分别抽取数据集（图7（a））：炮检距1200 m处、2040 m处单道炮记录（图8（a））；抽取数据集（图7（b））：炮检距728 m处、2144 m处单道炮记录（图8（b））。

Marmousi模型较为复杂，其正演炮记录同相轴较密集。对其加入信噪比为-6.98 dB的随机噪声后，由图9可以看出，使用XGBoost方法直达波同相轴可完全识别，反射波中虽有部分断裂，但识别总体效果较好，能量较强的信号可以完全识别出来；而STA/LTA识别效果可明显看出同相轴断裂严重，噪声信号识别不全。对XGBoost识别结果分别抽取数据集（图9（a））：炮检距1050 m处单道炮记录、炮检距3980 m处单道炮记录（图10（a））；抽取数据集（图9（b））：炮检距1696 m处单道炮记录、炮检距3816 m处单道炮记录（图10（b））。

在实际中，地震同相轴自动识别常用于初至自动拾取，对拾取速度要求较高。将XGBoost算法与STA/LTA方法识别时间分别记录后如表2（41炮处理总时间）所示。由表2可知：XGBoost机器学习算法在不同模型中的识别效率较之常规STA/LTA方法稍有改善。通过训练过程及识别结果得到相应反馈如表3所示。综合以上测试结果可知：无论是层状模型还是复杂Marmousi模型，XGBoost机器学习算法识别效果均优于传统STA/LTA算法。其原因在于，传统STA/LTA算法仅利用地震信号的时间窗和时间窗类的平均噪声，而本文所述方法为机器学习算法流程，在已有的地震数据191个特征的基础上进行特征选择，选出最优特征后使用XGBoost算法进行训练，最大程度上使用了地震数据有效信息。

由表3可知：对于噪声而言查准率要低于其查全率，对于同相轴而言查全率要低于查准率。由式（7）和 （8）所知，查准率和查全率是一对矛盾的度量。一般来说，查准率高时查全率往往偏低，而查全率高时查准率往往偏低。但对于本文所述二分类问题，即分出噪声和同相轴，查准率和查全率可同时较高。一方面需要尽可能多的将噪声有效剥离，因此对噪声而言查全率比查准率重要；另一方面，需要识别出高精度的有效信号，尽量避免假有效信号的出现，因此对同相轴而言查准率比查全率重要。

2.3 噪声强度测试

为了证明XGBoost算法训练得到的模型效果的稳定性、有效性和泛化能力，在测试数据层状模型正演单炮记录（图7（b））的基础上进行噪声强度测试，根据式（6）依次添加-10、-6.98、-5.23、-3.01、-0.97、1.76 dB强度的噪声作为测试数据，测试结果如表4所示。对其抽取炮检距2144 m处共偏移距记录，可看出在不同的信噪比情况下XGBoost模型均可以准确地识别出同相轴信号。即使在信噪比-10 dB的极端情况下，层状模型同相轴已经完全被噪声所淹没覆盖，依然可以被完整检测到，同相轴查准率依然超过85%，代价仅为存在极少量误检测信号。结果如图11所示。

3 实际数据测试

在验证本文所述方法正确性和有效性的基础上，为进一步验证XGBoost机器学习算法自动识别的适应性，选取某研究区仅去掉面波后的炮记录，使用相应实际炮记录人工标定后作为训练集进行训练，利用得到的XGBoost算法训练模型进行有效同相轴信号拾取，测试结果如图12所示。图12（a）为原始炮记录，图12（b）为测试结果，从图中可看出初至波和直达波能被完整识别，箭头所指附近反射波信号大多都能拾取，但同相轴极密集的地方有断裂。原因是该记录信噪比较低且同相轴密集，振幅不强；噪声种类众多，很难区分所有噪声特征与有效同相轴特征；在原始地震数据基础上人工标定难度较大且标定人员标准有所不同。该实际地震数据由XGBoost模型自动识别性能反馈为：查准率为90%，查全率为88%，F1度量为89%。综上，本文中所训练XGBoost机器学习算法模型具备较强性能，且识别效果与人工标定训练数据结果具有较强关联。

另选取某实际地震资料部分成像剖面进行同相轴层位追踪测试，同样使用对应的实际数据人工标定后进行训练。该部分为地震资料成像剖面的中深层区域，如图13所示。从图14测试结果与原始剖面对比可看出，本文训练的XGBoost模型可以完整

4 结束语

传统STA/LTA方法的识别精确度与效率均弱于XGBoost机器学习算法。

本文方法具有较强抗噪性，即使在信噪比为-10 dB的极端情况下仍可检测到有效信号。对于复杂模型与实际地震资料而言，为了实现可靠稳定的同相轴拾取精度，需要更加精准且精细标签的训练样本。

参考文献：

［1］ LI C， HUANG J P， LI Z C， et al. Plane-wave least-squares reverse timemigration with aprecon-ditioned stochastic conjugate gradient method［J］. Geophysics，2018，83（1）：33-46.

［2］ WANG Z， HUANG J P， LI Z C， et al. Velocity model estimation of karstic fault reservoirs using full waveform inversion accelerated on GPU［J］. Interpretation，2020，8（4）：191-203.

［3］ 黄建平，张入化，国运东，等.基于Seislet分数阶阈值算法约束的平面波最小二乘逆时偏移［J］.中国石油大学学报（自然科学版），2020，44（3）：26-37.

HUANG Jianping， ZHANG Ruhua， GUO Yundong， et al. Plane-wave least-square reverse time migration with Seislet fractional threshold algorithm constraint［J］.Journal of China University of Petroleum （Edition of Natural Science），2020，44（3）：26-37.

［4］ ALLEN R V. Automatic earthquake recognition and timing from single traces［J］. GeoScience World，1978，68（5）：1521-1532.

［5］ HATHERLY P J. A computer method for determining seismic first arrival times［J］. Geophysics，1982，47（10）：1431-1436.

［6］ BAILLARD C， CRAWFORD W C， BALLU V， et al. An automatic kurtosis-based P- and S-phase picker designed for local seismic networks［J］. Bulletin of the Seismological Society of America，2013，104（1）：394-409.

［7］ 魏巍，刘学伟.自适应噪声抵消技术在地震资料处理中的应用［J］.石油天然气学报，2008（4）：79-83，175.

WEI Wei， LIU Xuewei. Application of adaptive noise cancellation technique in seismic data processing ［J］.Journal of Oil and Gas Technology，2008（4）：79-83，175.

［8］ MOORE D A， MAYEDA K， MYERS S， et al. Progress in signal-based Bayesian monitoring［C］//Proceedings of the 2012 Monitoring Research Review： Ground-based Nuclear Explosion Monitoring Technologies. Arizona： National Nuclear Security Administration，2012.

［9］ GIBBONS S J， RINGDAL F. The detection of low magnitude seismic events using array-based waveform correlation［J］. Geophysical Journal International，2006，165（1）：149-166.

［10］ MAVROEIDIS G P， PAPAGEORGIOU A S. A mathematical representation of near-fault ground motions［J］.Bulletin of the Seismological Society of America， 2003，93（3）：1099-1131.

［11］ 冯雪玲，刘东亚，李志海.基于小波互相关的微地震信号检测方法研究［J］.大地测量与地球动力学，2019，39（9）：982-986.

FENG Xueling， LIU Dongya， LI Zhihai. Research on microseismic signal detection method based on wavelet cross-correlation［J］.Journal of Geodesy and Geodynamics，2019，39（9）：982-986.

［12］ MENA B， MAI P M. Selection and quantification of near-fault velocity pulses owing to source irectivity［J］. Georisk， 2011，5（1）：25-43.

［13］ GHAFFARZADEH H. A classification method for pulse-like ground motions based on S-transform［J］.Natural Hazards， 2016，84（1）：335-350.

［14］ WU Xinming， SHI Yunzhi， FOMELS， et al. FaultNet3D： predicting fault probabilities， strikes， and dips with a single convolutional neural network［J］. IEEE Trans Geoscience and Remote Sensing，2019，57（11）：9138-9155.

［15］ 刘学锋，张晓伟，曾鑫，等.采用机器学习分割算法和扫描电镜分析页岩微观孔隙结构［J］.中国石油大学学报（自然科学版），2022，46（1）：23-33.

LIU Xuefeng， ZHANG Xiaowei， ZENG Xin， et al. Pore structure characterization of shales using SEM and machine learning based segmentation method［J］.Journal of China University of Petroleum（ Edition of Natural Science），2022，46（1）：23-33.

［16］ GAO Z， HU S， LI C， et al. A deep-learning-based generalized convolutional model for seismic data and its application in seismic deconvolution［J］. IEEE Transactions on Geoscience and Remote Sensing， 2021，60：1-7.

［17］ ALBERTS P， WARNER M， LISTER D. Artificial neural networks for simultaneous multi horizon tracking across discontinuities［C］//SEG Technical Program Expanded Abstracts. Calgary： Society of Exploration Geophysicists， c2000：651-653.

［18］ AKRAM J， OVCHARENKO O， PETER D. A robust neural network-based approach formicroseismic event detection［C］//SEG Technical Program Expanded Abstracts.Houston， Texas： SEG， c2017：2929-2933.

［19］ DEBOTYAM M， FRED A， MARTIN K. Novel hybrid artificial neural network based autopicking workflow for passive seismic data［J］. Geophysical Prospecting，2014，62（4）：834-847.

［20］ YUAN S， LIU J， WANG S， et al. Seismic waveform classification and first-break picking using convolution neural networks［J］. IEEE Geoscience and Remote Sensing Letters， 2018，15（2）：272-276.

［21］ ZHAO Z， GROSS L. Using supervised machine learning to distinguish microseismic from noise events［C］//SEG Technical Program Expanded Abstracts. Houston： SEG， c2017：2918-2923.

［22］ 戴永寿，张鹏，万勇，等.时变子波提取及其在地震资料智能处理中的应用［J］.中国石油大学学报（自然科学版），2020，44（6）：28-35.

DAI Yongshou， ZHANG Peng， WAN Yong， et al. Time-varying wavelet extraction and its application in intelligent processing of seismic data［J］.Journal of China University of Petroleum （Edition of Natural Science），2020，44（6）：28-35.

［23］ ZHANG P， DAI Y， ZHANG H， et al. Combining CEEMD and recursive least square for the extraction of time-varying seismic wavelets［J］. Journal of Applied Geophysics， 2019（170）：103854.

［24］ CHEN Yangkang. Automatic microseismic event picking via unsupervised machine learning［J］. Geophysical Journal International，2020，222（3）：1750-1764.

［25］ 潘少伟，王朝阳，张允，等. 基于长短期记忆神经网络补全测井曲线和混合优化XGBoost的岩性识别［J］.中国石油大学学报（自然科学版），2022，46（3）：62-71.

PAN Shaowei， WANG Zhaoyang， ZHANG Yun， et al. Lithology identification based on LSTM neural networks completing log and hybrid optimized XGBoost［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2022，46（3）：62-71.

［26］ 彭更新，徐峰，徐凯驰，等.基于宽频子波的检波组合目标函数优化方法［J］.西南石油大学学报（自然科学版），2023，45（2）：32-42.

PENG Gengxin， XU Feng， XU Kaichi， et al. An objective function optimization method based on multi-frequency wavelets for receiver combination in seismic acquisition［J］. Journal of Southwest Petroleum University （Science & Technology Edition）， 2023，45（2）：32-42.

［27］ 郑多明，汪家洪，肖又军，等.基于地震数值模拟的溶洞型储层地震特征分析［J］.西南石油大学学报（自然科学版），2023，45（6）：57-68.

ZHENG Duoming， WANG Jiahong， XIAO Youjun， et al. Seismic characteristics analysis of karst cavity reservoirs based on seismic numerical simulation［J］. Journal of Southwest Petroleum University（Science & Technology Edition）， 2023，45（6）：57-68.

［28］ CHEN T Q， GUESTRIN C.  XGBoost： a scalable tree boosting system［C/OL］//Proceedings of the 22nd ACM Sigkdd International Conference on Knowledge Discovery and Data Mining，San Francisco， CA， USA， 13-17 August 2016［2022-08-20］. https：//doi.org/10.1145/2939672.2939785.

［29］ ATTENBERG J M， IPEIROTIS P G， PROVOST F J. Methods， systems， and media for identifying errors in predictive models using annotators： U.S. Patent 9，311，599［P］. 2016-04-12.

（编辑 修荣荣）

基金项目：国家重点研发计划项目（2019YFC0605503）;国家自然科学基金优秀青年科学基金项目（41922028）;国家自然科学基金创新研究群体基金项目（41821002）;山东省科研机构运费等专项（2021QNLM020001-5）

第一作者及通信作者：黄建平（1981-），男，教授，博士，研究方向为地震波正演及偏移成像方法。E-mail：jphuang@upc.edu.cn。

引用格式：黄建平，张若枫，高睿语，等.基于极端梯度提升算法的地震同相轴自动识别［J］.中国石油大学学报（自然科学版），2024，48（3）：44-56.

HUANG Jianping， ZHANG Ruofeng， GAO Ruiyu， et al. Automatic detection of seismic event based on eXtreme gradient boosting［J］.Journal of China University of Petroleum（ Edition of Natural Science），2024，48（3）：44-56.