La imagen sísmica es la principal tecnología utilizada para la prospección de hidrocarburos en el subsuelo. Proporciona una imagen del subsuelo utilizando los mismos principios que la imagen médica por ultrasonido. Al igual que con cualquier dato adquirido a través de hidrófonos (sensores de presión) y/o geófonos (sensores de velocidad/aceleración), los datos sísmicos en bruto están fuertemente contaminados con ruido y reflexiones no deseadas que deben ser eliminadas antes de un procesamiento adicional. Por lo tanto, la atenuación del ruido se realiza en una etapa temprana y a menudo mientras se adquieren los datos. El control de calidad (CQ) es obligatorio para generar confianza en el proceso de eliminación de ruido y para asegurar que no sea necesaria una costosa reacquisición de datos. El CQ se realiza manualmente por humanos y representa una parte importante del costo de un proyecto típico de procesamiento sísmico. Por lo tanto, es ventajoso automatizar este proceso para mejorar el costo y la eficiencia. Aquí, proponemos un enfoque de aprendizaje supervisado para construir un sistema automático de CQ. El sistema de CQ es un clasificador basado en atributos que se entrena para clasificar tres tipos de filtrado (suave = subfiltrado, ruido restante en los datos; óptimo = buen filtrado; severo = sobrefiltrado, la señal está distorsionada). Los atributos se calculan a partir de los datos y representan medidas geofísicas y estadísticas de la calidad del filtrado. El sistema se prueba en un estudio a gran escala (9000 km) para controlar la calidad de los resultados del proceso de atenuación de ruido de oleaje en datos sísmicos marinos.