ArcGIS钻孔数据生成三维地质模型：从数据预处理到可视化实战

1次阅读

共计 1731 个字符，预计需要花费 5 分钟才能阅读完成。

在地质建模工作中，钻孔数据是最基础的一手资料，但原始数据往往存在诸多问题：

数据缺失 ：部分钻孔的岩性描述不完整，或关键层位深度信息缺失
坐标系统混乱 ：不同时期采集的数据可能使用地方坐标系、北京 54 或 WGS84 等不同基准
插值算法选择困难 ：IDW 简单但边界模糊，克里金效果好但参数配置复杂
大数据量性能瓶颈 ：当钻孔数超过 5000 个时，常规插值计算会显著变慢

使用 Python 的 pandas 和 ArcPy 组合拳完成数据清洗：

import pandas as pd
import arcpy

# 读取原始 CSV 数据
df = pd.read_csv('boreholes.csv')

# 统一岩性编码（示例）litology_map = {
    '粘土': 'CL',
    '砂岩': 'SS', 
    '花岗岩': 'GR'
}
df['岩性编码'] = df['岩性'].map(litology_map)

# 坐标转换（假设原始为北京 54）arcpy.Project_management(
    in_dataset='boreholes.shp',
    out_dataset='boreholes_wgs84.shp',
    out_coor_system=arcpy.SpatialReference(4326)  # WGS84
)

算法	优点	缺点	适用场景
IDW	计算快，参数少	边界模糊，” 牛眼 ” 效应	初步快速建模
克里金	可量化误差，考虑空间相关性	需要半变异函数建模	精确建模

推荐使用普通克里金进行地层插值：

# 克里金插值示例
arcpy.Kriging_3d(
    in_features='boreholes_wgs84.shp',
    z_field='高程',
    out_surface='stratum.tif',
    semiVariogram_props={
        'type': 'SPHERICAL',  # 球状模型
        'lagSize': 100,       # 步长 (m)
        'majorRange': 5000    # 变程
    },
    cell_size=10
)

通过 3D Analyst 模块的体构建工具：

对每个地层单独插值生成 TIN 表面
使用【Between Two Surfaces】工具构建地层体
用【Layer 3D To Feature Class】导出为多面体

当处理大规模数据时建议：

分块计算 ：将研究区域划分为 1km×1km 网格分别插值
GPU 加速 ：启用 ArcGIS Pro 的 GPU 计算选项（需 NVIDIA 显卡）
简化模型 ：对非重点区域降低插值分辨率

插值分辨率不应小于最小钻孔间距的 1 /2
建议先在 10% 采样数据上测试参数

在接触带添加虚拟控制点：

# 在岩性突变处添加虚拟点
boundary_points = [[116.123, 39.456, 150, 'CL-SS'],
    [116.125, 39.458, 152, 'SS-GR']
]
df_boundary = pd.DataFrame(boundary_points, columns=['经度','纬度','深度','岩性'])
df_combined = pd.concat([df, df_boundary])

结合 scikit-learn 实现地层预测：

from sklearn.ensemble import RandomForestRegressor

# 使用已有钻孔训练模型
model = RandomForestRegressor()
model.fit(X=df[['经度','纬度']], 
    y=df['岩性编码']
)

# 预测未知区域
grid_points = [...]  # 生成预测网格
predicted = model.predict(grid_points)

对于 QGIS 用户，可采用以下替代方案：