استفاده از هوش مصنوعی یا شناسایی الگو (Pattern Recognition (PR)) در تفسیر داده‌های ژئوفیزیکی و یا دیگر علوم زمین چند سالی است که به‌ویژه با ورود شبکه عصبی در این عرصه مطرح شده است. در روش شبکه عصبی  و دیگر روش‎های شناسایی الگو و از جمله در روش رده‌بندی کننده بردار حمایت‌شده (Support Vector Classifier (SVC)) که در این پژوهش از آن استفاده شده است، با استفاده از مقادیر مشخصه‌های استخراج‌شده از ساختارها یا اشیای مورد نظر به رده‎بندی آن اشیا یا ساختارها ‌پرداخته می‌شود و به این ترتیب می‌توان به تفسیر مورد نظر دست یافت. به‎طور مرسوم درانتخاب این مشخصه‎ها نظر شخصی نقش اصلی را بر عهده داشته است. در این نوشتار با ارائه نرم‌افزاری که دارای قابلیت انتخاب مشخصه‌های (Features Selection (FS)) مناسب برای برآورد ژرفای ساختارهای طاقدیسی توسط داده‌های گرانی است و نشان دادن تفاوت استفاده از مشخصه‎های مناسب و نامناسب در این تفسیر، اهمیت انتخاب مشخصه در کاربرد هوش مصنوعی در تفسیرگرانی و دیگر علوم زمین نشان داده می‌شود. در اجرای این پژوهش، برای تربیت روش رده‌بندی کننده بردار حمایت‎شده مربوط، 20 نیمرخ مصنوعی گرانی با منبع تاقدیسی تولید شد (مجموعه تربیت کننده). همچنین برای امتحان روش رده‌بندی کننده بردار حمایت‎شده یادشده، 20 نیمرخ مصنوعی گرانی دیگر هم که آنها نیز دارای منابع به شکل تاقدیس بودند، تولید شد (مجموعه امتحان کننده). در این پژوهش نشان داده شد که برآورد ژرفای منابع تاقدیسی در حالت استفاده از مقادیر مشخصه‎های مناسب، خیلی دقیق‌تر از برآورد ژرفا در حالت استفاده از مقادیر مشخصه‎های نامناسب است. لازم به یادآوری است که نرم‌افزار انتخاب مشخصه یادشده به‌طور ویژه تنها برای انتخاب مشخصه تفسیر گرانی طراحی نشده، بلکه طراحی آن به‌گونه‌ای  است که قابل استفاده برای انتخاب مشخصه در هر فعالیت تفسیری علوم زمین هم است.