大家在做储层数据可视化分析与展示过程中，由于人工解释的层位有限，导致显示不那么精细逼真，一般情况下，研究人员主要解释有代表性的目的层，层与层之间的地质情况一般通过专业软件的插值功能或算法来实现，最常见的插值方法有线性插值、邻近插值等，当解释的层位数量达到一定程度后，后续的动态三维可视化显示就相对连续和逼真了。因此工作中就需要通过已知两层或多层数据，通过各种插值算法实现中间地段的快速插值计算来获取数据，有时会插入一层，有时会插入多层，大部分专业软件只能一次插入一层，最终只要满足研究需要，效果达到预期就可以，因此本文通过分片控制（分片数代表插入的层数+1），可以一次性自动插入多层，且都是散点数据。具体实现如下。另外，也参考了Scipy两种三维插值方法，供参考，具体详见interpnData01和gridData02函数。
一、插值程序：
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time : 2023/3/15
# @Author : hhue
# @Site :
# @File : contour.py
# @Remark ：利用python解析两层的xyz散点数据，根据两层的散点数据插值形成新层的散点数据。
# @Description：目前实际数据测试通过。
import pandas as pd
import numpy as np
from scipy.interpolate import griddata
from scipy.interpolate import interpn
# 方法1：利用scipy.interpolate的interpn方法
# 要求：原始数据在每个维度的每个水平上均有函数值，即网格类数据。
def interpnData01(xi):
# 维度2x3x4
x1 = np.array([0, 1])
x2 = np.array([0, 10, 20])
x3 = np.array([0, 10, 20, 40])
# 形如 (a1, ), …, (an, ) 的numpy浮点数组元组，用来定义n维插值的空间，每个元素相当于一个维度坐标轴上已知数据点的坐标值，比如三维插值，传入元组的三个元素代表已知数据点在x,y,z三个坐标轴上的坐标值
points = (x1, x2, x3)
# 类似于数组，形如(a1,…, an) 的已知数据点对应的值，和point在每个维度上一一对应，表示已知数据点的值
# 维度2x3x4, 对应points中的维度
values = np.random.random((2, 3, 4))
# xi = (0.1, 9, 19)
# methods 'linear', 'nearest', and 'splinef2d'
result = interpn(points, values, xi,'nearest',False,False)
print(values)
return result
# 生成插值数据的方法3，利用scipy.interpolate的griddata方法，二维，获取指定点的第3维数据
def gridData02(x,y,z,x1,y1):
X, Y = np.meshgrid(x, y)
X_star = np.hstack((X.flatten()[:, None], Y.flatten()[:, None]))
# print(X_star)
M, N = np.meshgrid(x1, y1)
z_new = griddata(X_star, z, (M, N), method='cubic')
# print(z_new)
return z_new
if __name__ == '__main__':
# 1.读写实际数据生成新层位插值数据，数据格式为x y z
## 1.1读取数据
filenameTop = r'D:\2018_T28_Mer_PS_0Ma.txt'
filenameBottom = r'D:\2018_T28_Mer_PS_4Ma.txt'
dataTop = pd.read_csv(filenameTop, sep='\t', header=None, names=['x', 'y', 'z'])
dataBottom = pd.read_csv(filenameBottom, sep='\t', header=None, names=['x', 'y', 'z'])
# 去掉无效数据，一般为-99999.0000
data=dataTop[dataTop['z'] != -99999.0000]
x1 = data.iloc[:, 0]
y1 = data.iloc[:, 1]
z1 = data.iloc[:, 2]
# 去掉无效数据，一般为-99999.0000，注意：默认z2小，相对于深度浅，对应filenameBottom
data2 = dataBottom[dataBottom['z'] != -99999.0000]
x2 = data2.iloc[:, 0]
y2 = data2.iloc[:, 1]
z2 = data2.iloc[:, 2]
# 计算插值的z 目前支持线性插值计算，后续带扩展，待完善
# 单层输出
z_inserted = abs(z1.values - z2.values) / 2+z2.values
print(z_inserted)
# 多层输出文件:一次性可生成多层插值数据，可以输入分割的份数，比如4份
pathname = r'D:\\'
outfilename = pathname + '2018_T28_Mer_PS_Ma-inserted.txt'
clip=3 # 分片数或分层数
if(clip>1):# 多层输出
for i in range(1,clip):
# 在filenameBottom指定储层的基础上，加上分片的步长值。默认Bottom对应的z值小，Top对应的z值大
z_inserted = (i*abs(z1.values - z2.values)) / clip + z2.values
print(z_inserted)
outfilename = pathname +'grid'+str(i)+'-'+str(clip)+'.txt'
f2 = open(outfilename, 'w') # 普通写模式
for i in range(0, x1.size):
f2.write("{:.4f}".format(x1.values[i]) + '\t')
f2.write("{:.4f}".format(y1.values[i]) + '\t')
f2.write("{:.4f}".format(z_inserted[i]) + '\n')
f2.close()
else:
f2 = open(outfilename, 'w') # 普通写模式
for i in range(0,x1.size):
f2.write("{:.4f}".format(x1.values[i])+'\t')
f2.write("{:.4f}".format(y1.values[i])+'\t')
f2.write("{:.4f}".format(z_inserted[i])+'\n')
f2.close()
# 插值方法调用示例
xi = (1, 9, 19)
print(interpnData01(xi)) # 方法1
# ======示例 开始===============#
x = [1, 2, 3]
y = [1, 2, 3]
z = [4, 5, 6, 3, 4, 5, 2, 3, 4]
# 数据实际组织方式
# 4 3 2
# 5 4 3
# 6 5 4
# 4个点
# x1 = [1.5, 2.5]
# y1 = [1.5, 2.5]
# 1个点
x1 = [2]
y1 = [3]
print(gridData02(x,y,z,x1,y1)) # 方法3
# ======示例 结束===============#二、样例数据（文件格式txt）：
474545.5938 4335999.5000 2604.2036
475154.4375 4335999.5000 2612.3798
475763.2813 4335999.5000 2639.3759
476372.1250 4335999.5000 2686.9342
476980.9375 4335999.5000 2754.5110三、插值生成的任意两层数据的三维可视化效果：
