چکیده: یکی از روش هایی که امروزه در تجزیه و تحلیل داده های لرزه ای بازتابی باعث سهولت کار مفسران می شود استفاده از نشانگرهای لرزه ای می باشد که در شناسایی دودکش های گازی، گسل ها، کانال های رودخانه ای، ریف ها، لایه های نازک، گنبدهای نمکی، دلتاهای مدفون و غیره بکارگیری می شوند. شناسایی دودکش‌های گاز رویکردی چشمگیر برای تفسیر غیرمستقیم مخازن هیدروکربنی را فراهم می سازد، زیرا دودکش‌ها مسیر مهاجرت گاز از مخازن را تشکیل می دهند و در داده‌های لرزه‌ای مانند یک ابر گازی به نظر می‌رسند. هر نشانگر لرزه ای به تنهایی قادر به شناسایی دودکش گازی با دقت بالا نمی باشد به همین دلیل از ترکیب چند نشانگر برای انجام این امر استفاده می شود. از سوی دیگر بکار گرفتن تعداد زیادی از نشانگرها وقت گیر و دشوار می باشد به همین دلیل نیاز به یک الگوریتم بهینه سازی برای کاهش نشانگرها احساس می شود. روش پیشنهادی با استفاده از بهینه‌سازی مبتنی بر جغرافیای زیستی (BBO) و شبکه‌های عصبی نظارت شده می باشد که تفسیر دقیق دودکش‌ها را امکان‌پذیر می‌سازد. الگوریتم BBO بهترین راه حل را در هر نسل حفظ می کند، این الگوریتم با شبکه های عصبی نظارت شده متناسب می باشد. الگوریم بهینه سازی BBO با استفاده از دو رویکرد اصلی خود یعنی مهاجرت و جهش، نشانگر های بهینه را انتخاب می کند. الگوریتم پیشنهادی روی مجموعه داده بلوک F3 اعمال می‌شود و الگوریتم BBO تعداد 15 نشانگر غالب را از بین 79 نشانگر انتخاب می‌کند. بعد از انجام الگوریتم بهینه سازی BBO و مشخص شدن نشانگرهای بهینه، برای جدا کردن و تفکیک نقاط دودکش گازی از نقاط غیر دودکش گازی از شبکه عصبی نظارت شده MLP استفاده شده است. در نهایت محاسبات انجام شده ارزیابی می شود که مقدار خطا 1.3درصد می باشد.