蓝马及discovery中插值方法适用性

senby

蓝马提供了多种网格化方法，以满足用户的多种需求。主要的网格化算法有：

最小平方法，适用于井数据或其它散点数据；

趋势面网格法，适用于数据具有一定趋势的情况，比如地层速度，并具有高达八次方的多项式拟合公式；

加权平均法，适用于具有噪音或统计型的数据；

最近点法，适用于岩石类型、相和古生物等离散型数据；

克里金法，适用于具有空间相关性的数据；

距离化法，适用于确定的图形和特殊空白网格；

带限范围法，适用于带有上下边界的数据，如孔隙度数据；

等深线法，适用于地层厚度数据；

线性网格化法,适用于呈线性分布的数据,如地震解释数据;

等值线网格化法,适用于对等值线进行再网格化;

投影斜率法，适用于变化缓慢型的数据；

块状滑动和线性趋势滑动法，适用于等加权数据。

    discovery中具体等值线算法如下：

Minimum Curvature(最小曲率法)：基于连续,定位多项式的迭代方法可形成具有最小曲率特性的表面。

Adaptive Fitting(自相关拟合法)：可立体解约束调和函数方程。

Triangulation(三角法法)：通过根据所有可用数据点形成三角形来推导网格节点值。

Weighted Slope(加权斜率法)：反向距离函数用来权衡相邻数据位置处表面斜率。

Kriging(克里金算法)：通过使用半变量图分析数据的方向和空间持续性来形成表面。

Moving Weighted Average(可移动的加权平均)

Weighted Least Squares(加权最小平方法)：Weighted Least最小二乘拟合法用于局部相邻数据值。

Closest Point(最临近点法)：给每一图格节点赋以最近数据点Z值。

Distance to Data(距离控制点法)：绘制显示网格节点和控制点（而不是）之间距离的图。

  注意：当数据点多余150个时，最好使用最小曲率法，当数据点小于150个时，建议使用自相关拟合法。