從地表地震數據中有效地探測地下地質特征對于理解大地構造、盆地演化、資源勘探以及引起區域地震（地震發生）的過程非常重要。為此，地震數據的獲取不斷增長，使得處理過程在計算上很費力并且解釋繁瑣。得益于高性能的計算系統，該系統可以在收到口譯員的指導和輸入后的合理時間內對此類海量數據進行分析。然而，人類分析人員很難進行人工解釋，特別是在該地區地質復雜、數據豐富的情況下。

為了使這一過程自動化并加快解釋速度，印度政府科學技術部下設的自治研究所——喜馬拉雅地質研究所（WIHG）的科學家開發了一種基于神經（機器學習）的實用方法，用于自動解釋3D地震數據。這種第一種方法通過計算一種稱為元屬性的新屬性而開發。

較老的沉積巖層或火山熔巖層（基巖復合體）之間的板狀片狀侵入顯著促進了熱巖漿的運輸和儲存，并導致覆蓋層。這可以作為沉積盆地中油氣聚集的合理構造圈閉。新西蘭近海坎特伯雷含油氣盆地就是一個典型的例子，在那里，白堊紀至始新世(約1.45億至3390萬年前的地質時期)序列中嵌入了碟形巖漿巖床，導致在巖床末端上方形成了強制褶皺和熱液噴口。

WIHG的科學家通過設計工作流程并計算SillCube（SC）和FluidCube（FC）元屬性來捕獲這種情況。這些是混合屬性，是通過使用基于神經的方法將許多地震屬性（與地質目標關聯）合并而生成的。這項研究發表在研究期刊“構造物理學”上。WIHG團隊在監督的神經學習（機器學習）之后準備了元屬性，其中在人類分析師的指導下訓練計算系統。

根據這項研究的結果，單個巖床的面積分別為1.5平方公里到17平方公里。此外，熔解的巖漿流體通過熱液噴口垂直上升至800m左右的高度，并抬升覆蓋層。這種解釋方法是自動化的，可以有效地從三維地震數據中描述地下巖漿活動。

這項工作是朝著應用機器學習解決地質問題邁出的重要一步，并且在理解喜馬拉雅山等活躍山區的復雜地質過程中很有希望。