从地球大气中去除二氧化碳(CO 2)是应对气候变化的有力工具。所谓的碳捕获和封存 (CCS) 使用机械和化学技术从空气中去除 CO 2，将其浓缩，然后将其注入地下进行长期储存。尽管 CCS 目前只代表了减缓气候变化工作的一小部分，但它的重要性可能会在未来几十年变得越来越重要。

CCS 的一个关键要素是确保收集的 CO 2浓度安全稳定地储存在注入它们的地质单元中，这主要通过 3D地震观测的时间序列来完成。当 CO 2注入岩石孔隙中时，它会显着改变岩石的整体密度和其他整体特性，从而对传入的地震波产生不同的响应。

通过观察一个地区的地震特性随着 CCS 项目的开展而演变，科学家和工程师可以监测 CO 2在整个地区的扩散。然而，将 3D 地震图转换为 CO 2分布需要大量的数据转换以及技术人员的解释。随着数据采集工具和人工解释器随着时间的推移而变化，保持时间序列的一致性成为一项挑战。

Li 和 Li 建议通过使用机器学习算法进行数据处理和解释来解决这些困难。在他们的新研究中，他们采用了一种称为 U-net 的基于神经网络的方法，该方法最初是为解释生物医学成像而开发的。

作者使用公开的 CCS 地震数据集训练了网络。基线数据是在 1994 年获得的，直到 2010 年有一些后续观测。除了地震数据之外，2010 年的后续数据还包括来自传统的人为驱动处理的标记的 CO 2区域。由于这些数据在时间上间隔很大，它们代表了使用不同代技术进行的观察并由不同的技术人员进行解释。

在高端消费 PC 上只需要几个小时的训练后，作者使用单独的数据评估了他们的神经网络。使用神经网络处理单个观察只需要几秒钟。他们发现，该网络产生的高质量结果既准确到人类提供的标签，又在观察之间保持一致。重要的是，即使面对中度处理引起的不匹配，U-net 仍然保持其有用性。

随着 CCS 项目在数量和持续时间上的扩展，为解释地震结果建立一致的基线将变得很重要。这项工作表明，基于神经网络的方法可以成功地提供该指标，从而提高地下 CO 2观测的可靠性和可比性。