总有机碳(TotalOrganicCarbon，TOC)的大小往往关系到页岩油气是否高产和富集，TOC含量的预测已经成为页岩气和页岩油等非常规油气勘探领域必须预测的重要指标之一。由于页岩TOC含量具有较强的非均质性，纵横向变化快，使得利用普通预测算法对烃源岩TOC含量进行精细预测较为困难。 目前，烃源岩TOC的预测方法常用的主要包括自主机器学习算法、虚拟井搭建预测、神经网络算法和地震信息定量预测算法。其中，自主机器学习算法(一种基于机器学习的页岩TOC含量预测方法和装置，专利号：CN202211423221.0)需要大量井震结合数据，采样数据样本需求量过大，数据精密程度过高，部分未采样井区已有数据难以满足要求；虚拟井搭建预测(一种稀井区烃源岩TOC预测方法，专利号：CN202211286246.0)预设地质条件苛刻、参数需求量大、计算过程繁琐复杂，部分井区难以满足要求；神经网络算法(基于图神经网络的页岩总有机碳预测方法、系统和设备，利用神经网络预测TOC数据，专利号：CN202111411640.8)在数据冗余的情况下难以解决过拟合情况，其内部神经网络搭建基于随机筛选机制，每次预测结果难以保证稳定；地震信息定量预测算法(一种地震信息定量预测烃源岩有机碳质量分数方法及装置，结合二维地震资料和测井数据预测TOC，专利号：CN201610922188.4)方法过于复杂、模型精度要求高、结合地震信息较多，部分研究区域难以满足数据提供条件。 综上，目前对烃源岩TOC含量的预测多基于自主机器学习算法、虚拟井搭建预测、神经网络算法和地震信息定量预测算法等直接或间接进行TOC含量的预测，缺少地层信息的深度挖掘，对于这些预测方法往往在精度上无法满足勘探上的需求，尤其在勘探程度低的地区，预测精度难以保证。