关键词：综合地球物理解释；岩性预测；知识驱动与数据驱动；机器学习
引 言
在地球物理学中，根据地质体的赋存状态和物性参数计算地球物理场资料属于一般的正演过程，那么从地球物理资料中得到的物性模型来表征或解释地质模型，就是反向过程中不可或缺的一步（图 1）. 在该步骤中，我们通常使用单一物性的反演结果通过类似“凸块搜索”的方法定性地推断地质单元（Li et al., 2019），这势必会受到地球物理多解性以及人为解释的主观性影响. 为了削弱这些因素的影响，地球物理学家们致力于开发一套定量的方法，利用多种反演的物性模型对地下单元进行综合解释.1980 年代，刘光鼎（1989）提出了综合地球物理解释的一般原则，其中一个关键环节是岩石物性. 岩石物性的差异是解释地球物理异常的基础，同样也是指导岩性预测的重要依据（毕丽飞等，2021；赵百民等，2009）. 根据反演结果建立地质模型，划分岩性单元，其中岩石物性资料不可或缺，通常被看作沟通地质与地球物理之间的桥梁. 岩石物性反映了某一岩性在密度、磁性、电性、弹性等方面的物理属性，正好对应于地球物理勘探中的重磁电震等方法，因此岩石物性也作为联系多种地球物理数据的纽带. 由于受到地质体的复杂性以及岩石物性差异的影响，任何单一地球物理场的反演问题都存在多解性，因此地球物理综合解释的目的就是要充分利用不同地球物理场提供的信息（刘伊克和郝天珧，1997；徐亚等，2007），并结合岩石物性数据和地质信息，获得更符合实际情况的地质模型。
........... 略
