横波速度作为一种地层弹性参数之一,对于天然气水合物饱和度的评估具有重要意义。然而,在实际钻探中,大量老井缺少横波速度资料且现有横波速度估算方法精度不高。为了解决墨西哥湾天然气水合物联合工业项目(GOM JIP Leg Ⅱ)中缺失的横波速度问题并开展天然气水合物研究,本文采用极端梯度提升(Extreme gradient boosting,XGBoost)方法预测测井资料中缺失的横波数据,并与其他三种机器学习模型:梯度提升决策树(Gradient boosting decision tree,GBDT)、普通最小二乘(Ordinary least squares,OLS)和长短期记忆网络(Long short-term memory(LSTM) networks)进行了对比分析。结果表明,XGBoost拥有比GBDT和OLS回归更好的预测性能,同时,比LSTM更适用于本研究中的小样本测井数据。在此基础上,本文利用SHAP(Shapley additive explanations)方法解释了各测井参数在XGBoost中的重要性和具体贡献,以便为天然气水合物的相关信息提供可解释性分析。最后,应用XGBoost模型进行了横波速度的预测以及天然气水合物饱和度估计。该研究不仅为获取GOM JIP Leg II中缺失的横波速度开辟了新的智能化道路,还加强了该海域天然气水合物潜力的深层次评估。