机器学习算法可处理海量数据，其优势是能够快速高效地处理和解释不同的复杂变量。随着近几年DAS数据集在质量和多样性方面的快速增长，科学家们一直在探索如何应用ML替代传统技术来处理或识别DAS数据中的模式。
与稀疏的地震台网相比，DAS沿均匀分布的光缆片段记录数据，这使采集的数据自然地可存储成矩阵或图像。与机器视觉领域所做的处理一样，DAS地震数据矩阵通常被分解为较小的矩阵，每个矩阵代表一个小时窗内的相邻传感器记录的数据。
DAS+ML的应用最早可追溯于2000年，此后两者的结合被应用于地上和地下监测领域。DAS+ML应用的主要驱动力来自于监测：监测运动和活动以确保管道和其他基础设施的完整性，类似机场等敏感场所的周界安防。ML算法被用来区分不同的可产生振动的震源，如行人、汽车、挖掘机等。
上图是迄今为止DAS在地学领域的应用，包括追踪车辆、拖拉机和火车的运动，评估基础设施健康，微地震监测，水力压裂监测，生成带标记事件的数据以及对数据去噪。在DAS数据处理解释中应用的ML方法主要包括CNN、MLP、SVM、GMM、GAN、RVM、DPN、PNN、RBF。
上图中比例通过查询的ML+DAS相关论文的数量比例计算而来。
