چکیده: یکی از روش‌های شناخت ساختارهای زیرسطحی زمین، استفاده از روش‌های ژئوفیزیکی به خصوص لرزه نگاری بازتابی است. گنبدهای نمکی یکی از ساختارهای زیرسطحی هستند که به عنوان یکی از مهم‌ترین تله‌های هیدروکربنی و یکی از مهم‌ترین عوارض طبیعی زمین‌شناسی برای ذخیره سازی هیدروکربن‌ها به شمار می‌روند. در لرزه‌ نگاری بازتابی، گنبدنمکی با تصویر سازی زیرسطحی خوبی که انجام می‌دهد شناسایی خواهد شد اما شامل محدودیت‌هایی برای تعیین مرزهای گنبد وجود دارد که از ابزارهایی مثل نشانگرهای لرزه‌ای استفاده می‌شود. نشانگرهای لرزه‌ای، ابزاری بسیار کارآمد در زمینه تفسیر لرزه‌ای و مشخص کردن هرچه بهتر و آسان‌تر ویژگی‌های زمین‌شناسی هستند که اطلاعات پنهان در داده‌های لرزه‌ای بازتابی را آشکار می‌سازند. با این حال، بسیاری از نشانگرهای لرزه‌ای، به‌ویژه برخی نشانگرهای بافتی رایج، توانایی کافی برای نمایش دقیق ساختارهای پیچیده‌ای مانند گنبدهای نمکی را ندارند. این ضعف عمدتاً ناشی از ماهیت غیرخطی، اشکال پیچیده، و تداخل بازتابنده‌ها در اطراف این ساختارهاست که موجب می‌شود برخی نشانگرها قادر به تفکیک واضح مرزهای آن‌ها نباشند. از این رو، انتخاب مجموعه‌ای بهینه از نشانگرهای ترکیبی و استفاده از الگوریتم‌های یادگیری ماشین مانند ماشین بردار پشتیبان، نقش کلیدی در افزایش دقت تفسیر و بهبود تشخیص ساختارهای نمکی ایفا می‌کند.یکی از چالش‌های اصلی این پایان‌نامه، آموزش ماشین بردار پشتیبان (SVM) با استفاده از داده‌های برچسب‌گذاری‌شده و مبتنی بر ۲1 نشانگر لرزه‌ای منتخب بود. هدف از این فرآیند، شناسایی دقیق مرزها و ساختار سه‌بعدی گنبدهای نمکی در داده‌های لرزه‌ای بود. نتایج به‌دست‌آمده نشان داد که ماشین بردار پشتیبان با بهره‌گیری از این نشانگرها توانست با دقت و وضوح بالا، ساختار سه‌بعدی گنبدهای نمکی را به‌طور کامل آشکار کرده و تصویر روشنی از مرزهای آن‌ها ارائه دهد.