Plotly和Python：为岩石物理和地质数据创建交互式热力图
在亚表面内可视化井测量值的地理空间变化
解释亚表面需要理解地质和岩石物理数据在区域间的变化。这通常涉及处理散布在该区域内的井测量值和解释属性，这导致了在这些测量值之间估计值的挑战。
一个可以估计值（或填充间隙）的方法是使用一种称为克里格法的地统计学方法。该方法估计并外推观测测量值之间的数据，并预测未测量位置的值。
在我的上一篇文章中，我们专注于使用pykrige和matplotlib来映射和可视化挪威大陆架上的地理变化。本文将进一步将该可视化呈现为交互式图。
利用pykrige和matplotlib进行地质变化的空间可视化
从井测量值探索空间地质变化
towardsdatascience.com
回顾使用Pykrige
在使用Plotly之前，我们将快速回顾前一篇文章中使用的代码，以便您了解该过程。
第一步是导入所需的库。在这种情况下，我们需要pandas来加载我们的csv数据，pykrige用于在数据点之间进行插值，numpy用于进行一些数学操作。
import pandas as pdfrom pykrige import OrdinaryKrigingimport numpy as npdf = pd.read_csv('Data/Xeek Force 2020/Xeek_2020_Balder_DTC_AVG.csv')加载数据后，我们可以通过调用pykrige的OrdinaryKriging方法来执行克里金过程。
在此调用中，我们传递我们的x和y数据，表示我们数据的纬度和经度。我们还需要传递我们想要外推的变量。在这种情况下，我们使用Balder组的平均声波压缩慢度（DTC）值。
生成模型后，我们可以将其应用于覆盖井位置的自定义经纬度范围。
OK = OrdinaryKriging(x=df['LON'], y=df['LAT'], z=df['DTC_MEAN'], variogram_model='exponential', verbose=True, enable_plotting=True, coordinates_type='geographic')grid_lat = np.arange(57.5, 62, 0.01, dtype='float64')grid_long = np.arange(1.5, 4.5, 0.01,dtype='float64')zstar, ss = OK.execute('grid', grid_long, grid_lat)zstar然后，我们将我们的两个位置数组grid_lat和grid_long以及我们的网格数据传递到matplotlib的imshow绘图中。这将生成类似下面的图。
尽管我们返回的图表讲述了数据趋势的故事，但很难识别特定的井和测量点之间的任何值。
使用Plotly使我们的图表交互式
即时改变这种情况的一种方式是使用Plotly库。 Plotly是一个创建高度交互式的图表非常容易的库。
Plotly有两种主要构建图表的方式：Plotly Express和Plotly Graph Objects。
Plotly Express为Plotly提供了高级接口，并利用简单的语法创建功能强大的交互式图表。但是，定制图表的某些方面可能需要大量的工作并且可能难以完成。这就是库的Graph Objects部分发挥作用的地方。它提供了一个低级接口，可以完全控制您的图形；但是，这意味着组合图形会稍微复杂一些。
对于这个例子，我们将使用Graph Objects，可以按如下方式导入：
import plotly.graph_objects as go接下来，我们可以使用numpy的linspace函数定义我们的x和y数组。
这将创建两个与我们之前创建的数据网格大小相同的数组。
我们还将创建两个列表，用于经度和纬度。这些值超出了数据的经度和纬度值，并允许我们在数据点周围有填充。
longitude = [1.5, 4.5]latitude = [57.5, 62]x = np.linspace(longitude[0], longitude[1], zstar.shape[1])y = np.linspace(latitude[0], latitude[1], zstar.shape[0])当使用matplotlib时，我们可以使用imshow显示此类数据。
即使Plotly也有一个imshow图，但我们无法（据我所知，截至撰写本文的时候）控制图表的范围。这意味着我们无法指定轴的起始点的值。
因此，为了显示我们的数据网格，我们可以切换到使用Plotly的热力图。
热力图基于其值对我们网格中的每个数据单元格进行着色。您可以在我的Seaborn文章中了解更多关于热力图的信息。
我们可以使用以下代码使用Plotly Graph Objects创建我们的热力图。
fig = go.Figure()fig.add_trace(go.Heatmap(z=zstar, x=x, y=y))fig.update_xaxes(range=(longitude[0], longitude[1]))fig.update_yaxes(range=(latitude[0], latitude[1]))fig.update_layout(autosize=False, width=800, height=800)fig.show()首先，我们创建一个图形对象，然后向其中添加一个trace。这个trace包含我们的x和y位置数据，以及由kriging创建的网格（zstar）。
我们还将图形的大小设置为800 x 800，这将为我们在Jupyter笔记本中使用足够大的绘图。
运行上述代码后，我们获得了带有所有数据值和正确范围内的轴的热力图。
这个图的好处是我们可以在上面悬停并查看任何点的值。此外，Plotly允许我们放大某些地方以更仔细地查看。
即使上面的图很棒，我们也缺少一些会帮助读者的其他信息，例如我们的井位置以及我们的轴标签。
要添加我们的井位置，我们需要添加第二个trace。这次使用go.scatter()并传递我们数据框架的纬度和经度值。我们也可以通过为我们的标记添加一个字典来控制这些点的外观。在这个例子中，我们将它们设置为黑色。
fig = go.Figure()fig.add_trace(go.Heatmap(z=zstar, x=x, y=y))# 添加井位信息fig.add_trace(go.Scatter(x=df['LON'], y=df['LAT'], mode='markers', marker=dict(color='black')))fig.update_xaxes(range=(longitude[0], longitude[1]))fig.update_yaxes(range=(latitude[0], latitude[1]))fig.update_layout(autosize=False, width=800, height=800)fig.show()
现在，我们可以看到井位信息，但是，如果我们悬停在标记上，我们只会得到纬度和经度值。这在一定程度上是有用的，但是我们想知道标记代表哪个井，以及为该井测量了多少DTC值。
为了解决这个问题，我们可以在数据框中直接创建我们的悬停文本作为新列。如果我们以后要在其他图表中使用它，这会很有用。
fig = go.Figure()fig.add_trace(go.Heatmap(z=zstar, x=x, y=y, colorbar=dict(title='DTC (us/ft)', title_font=dict(size=18))))df['hover_text'] = df.apply(lambda row: f"""<b>{row['WELL']}</b> <br>Latitude: {row['LAT']} <br>Longitude: {row['LON']} <br>Log Value: {round(row['DTC_MEAN'], 2)}""", axis=1)fig.add_trace(go.Scatter(x=df['LON'], y=df['LAT'], mode='markers', marker=dict(color='black'), name='Wells', text=df['hover_text'], hoverinfo='text', showlegend=True))fig.update_xaxes(range=(longitude[0], longitude[1]), title='Longitude')fig.update_yaxes(range=(latitude[0], latitude[1]), title='Latitude')fig.update_layout(autosize=False, width=800, height=800, legend=dict(x=1, y=0, xanchor='auto', yanchor='auto', bgcolor='rgba(255, 255, 255, 0.5)'))fig.show()当我们运行上面的代码时，我们得到以下图表。
现在，当我们悬停在任何一个井口上时，我们将得到井名，然后是纬度和经度，以及记录值。在这种情况下，我们显示了声波压缩慢度。
摘要
在这个简短的教程中，我们看到了如何超越简单和静态的matplotlib图表，展示我们测量变化的状态。Plotly提供的额外功能和交互性，使其成为可视化井测量空间变化的绝佳选择。
额外的交互性使我们能够确定每个点所代表的井，该位置测量的值是多少，并解释没有直接测量的网格的值。
使用的数据集
本文中使用的数据集是Xeek和FORCE 2020（Bormann等人，2020）举办的机器学习比赛的训练数据集的子集。它根据挪威政府的NOLD 2.0许可证发布，在此处可以找到有关许可证的详细信息：挪威政府开放数据许可证（NLOD）2.0。完整的数据集可以在此处访问。
该数据集的完整参考文献如下：
Bormann, Peter, Aursand, Peder, Dilib, Fahad, Manral, Surrender, & Dischington, Peter. (2020). FORCE 2020井壁测井和岩相数据集用于机器学习比赛[数据集]. Zenodo. http://doi.org/10.5281/zenodo.4351156
感谢您的阅读。在您离开之前，您应该订阅我的内容并在收件箱中获取我的文章。您可以在这里进行订阅！
其次，您可以通过注册会员来获得完整的小猪AI体验，支持数千名其他作家和我。它每月只需花费您5美元，您就可以完全访问所有fantastic小猪AI文章，以及赚钱的机会。
如果您使用我的链接，您将直接支持我一部分费用，而不会增加您的费用。如果您这样做，非常感谢您的支持。
