从原始测井到可用特征：地学视角下的数据预处理与特征工程

在前几篇文章里，我们已经用孔隙度回归和岩性分类的小案例，走了一遍“从数据到模型”的基本流程。很多读者会有一个自然的问题：

我有很多曲线和地质解释，为什么一上来就建模，效果总是不稳定？
模型之前，我究竟应该先对数据做些什么？

这一篇，就从地学人的视角，系统梳理一下：

• 为什么数据预处理至关重要？

• 常见的测井 / 地球化学数据都有哪些“坑”？

• 什么是特征工程？

• 如何构造对模型有帮助、又符合地质直觉的特征？

一、为什么“数据 > 模型”？先统一一个认识

在工程实践里，一个常见误区是：

先纠结用什么模型（SVM、RF、XGBoost、LSTM…），
却忽略了：原始数据是否干净，特征是否合理。

在地学中尤其明显：

• 曲线有空洞、有尖峰、有错深；

• 岩性解释标准不统一；

• 不同井采样间隔、基准深度不一致；
  这些问题不解决，模型再高级也只是“帮你放大错误”。

可以简单记一句话：

80% 的工作是数据和特征，20% 才是模型。

二、测井 / 地学数据预处理：最常见的几件事

这里以测井+岩性/孔隙度数据为例，列出一套比较通用的预处理步骤。

1. 基本检查：单位、范围、采样一致性

在进入任何算法之前，建议先人工检查：

1. 单位是否统一

   • GR 是 API？

   • DEN 是 g/cm³？

   • AC 是 μs/ft 还是 μs/m？
     单位混乱会直接导致模型学到完全错误的关系。

2. 数值范围是否合理

   • GR 是否出现几万的异常值？

   • 密度是否低于 1 或高于 4 之类的物理不合理区间？
     这类异常大多来自导入错误、编码问题或坏点。

3. 采样深度 / 时间间隔是否统一

   • 有些井是 0.125 m 取样，有些是 0.25 m；

   • 有的从井口开始，有的从 KB 或海平面起算；
     若不统一，很难做多井对比和合并建模。

实务建议：

• 在每口井单独 QC 一次；

• 再做一张“多井统计表”（每条曲线的均值、标准差、最值），快速发现异常井和异常曲线。

2. 缺失值处理（NaN / 空洞）

地学数据普遍存在缺失：

• 机械问题导致某段曲线无效；

• 某些井没有某种曲线；

• 部分深度没有岩心或实验数据。

常见处理方式：

1. 直接删除缺失样本

   • 适用于缺失比例很小、且不关键的样本。

   • 风险：可能把某些关键层段删掉。

2. 插值填补

   • 沿深度用线性插值、样条插值等补充。

   • 对于物理上连续且变化平滑的曲线（如 GR、DEN），比较常用。

   • 对岩性这种离散标签不适用。

3. 用统计量填补（均值/中位数）

   • 针对某一口井 / 某一层段，缺失比例不大时可以使用。

   • 但可能会压缩方差，影响模型对变化的敏感度。

4. 保留缺失信息本身

   • 有些情况下，“某条曲线是否存在”本身就是一个特征，

   • 可以增加一个哑变量（0/1）表示该曲线缺失与否。

3. 异常值与噪声处理

常见的异常包括：

• 曲线突然跳到极大 / 极小值，然后又立刻恢复；

• 测井工具校准问题导致整井存在系统偏移；

• 人工录入错误导致的数据尖峰。

处理思路：

1. 基于物理/经验阈值截断

   • 如：RT > 某一高值认为不可信；

   • DEN < 1 或 > 4 认为是异常；
     把这些值截断到合理上限 / 下限。

2. 基于统计方法识别异常点

   • 使用箱线图（IQR）、Z-Score 等方法找出“极端值”，结合地质常识判断是否保留。

3. 平滑滤波

   • 对曲线进行移动平均、中值滤波等，

   • 既可以减弱高频噪声，又不至于消灭真正的地质变化。

4. 深度对齐与多源数据匹配

很多任务要同时用：测井、岩心、地球化学、岩性解释等多源数据，这时一个核心问题是：

各种数据的“深度参考”是否一致？

常见注意点：

• 井深是 MD（测深）还是 TVD/TVDSS？

• 岩心样品的深度与测井深度是否需要做深度校正？

• 地震属性投影到井点时，落点深度如何确定？

在做模型之前，应该尽量保证：

• 单井内部：所有曲线 / 岩心 / 实验值在同一深度体系下；

• 多井之间：尽量统一以同一基准（如 KB 或海平面）进行转换。

5. 特征缩放（Scaling）

大部分机器学习模型，对输入特征的尺度有不同敏感度：

• 线性回归、SVM、神经网络对尺度比较敏感；

• 树模型（Random Forest、XGBoost）相对不敏感。

在地学数据中：

• GR 可能几十到几百

• RT 可能 0.1 到几百

• DEN 在 1.8～3.0 之间

• AC 在几十到百余

若不做缩放，某些数值范围大的曲线会在优化中占主导地位。

常用方法：

• 标准化（Standardization）：减去均值，除以标准差。

• 归一化（Normalization）：把数值压缩到 [0,1] 或 [-1,1] 区间。

做缩放时建议：

• 以训练集的统计量（均值、标准差、最值）为基准

• 对测试集和应用阶段也使用同一组参数，避免信息泄露。

三、什么是特征工程？地学视角下的几个实用套路

预处理解决的是“数据问题”，特征工程解决的是：

我到底给模型什么样的“视角”，
让它更容易学到地质相关的规律？

下面按“从简单到复杂”，给几个非常实用、且贴合地学直觉的特征构造思路。

1. 使用原始曲线值作为基础特征

最直接的特征就是：

• GR、RT、DEN、AC、CALI、NPHI、RHF 等。

在很多情况下，仅使用原始曲线 + 合理的模型，就能取得不错效果。
但原始特征往往未必是“最有信息密度”的表达，还可以进一步加工。

2. 构造组合比值 / 差值特征

很多地质判别本身就是基于比值、差值的经验：

• 某些比值反映泥质含量、致密程度、流体类型；

• RT 与 DEN 的组合有助于区分油气水层；

• 特定元素比值（如 Sr/Ba、V/(V+Ni)）用于环境判识等。

在模型里，可以显式添加这些派生特征，例如：

• RT_log = log(RT) —— 兼顾 RT 的宽范围变化；

• GR_norm = GR / GR_mean_layer —— 层内归一化；

• DEN_minus_AC = DEN - a·AC（基于经验构造）。

这些特征本质上就是把地质知识“编码”进模型输入。

3. 滑动窗口特征：引入“上下文信息”

测井的每一个采样点，都不是孤立的，它的上下若干点往往可以提供：

• 趋势信息（渐变 / 突变）；

• 层内 vs 层间差异；

• 微层结构特征。

滑动窗口特征的经典做法：

• 对每条曲线，在某个窗长（如 0.5 m、1 m、2 m）范围内计算：

  • 均值、方差

  • 最大值、最小值

  • 梯度、斜率等

例如：

对某深度点 z，取 [z−0.5m, z+0.5m] 的 AC 值，计算：

• mean(AC)

• std(AC)

• AC(z+Δz)−AC(z−Δz)/2Δz

这些值再作为新特征输入模型，可以显著提升岩性分类、层位识别等任务的稳定性。

4. 层位 / 区段标签作为特征

有时，同一种曲线组合在不同地层，意义完全不同。
例如：

• 沙四段 vs 沙三段；

• 上部细粒段 vs 下部粗碎屑段。

这时可以将“层位信息”编码为特征：

• 使用 one-hot 编码：

  • 沙四段： [1, 0, 0]

  • 沙三段： [0, 1, 0]

  • 沙二段： [0, 0, 1]

或更简单的：

• 给每个大层一个整数编号，再让树模型去自动学习。

这样，模型在学习“特征 → 孔隙度 / 岩性”的关系时，会自动区分“同一组曲线在不同层段的行为差异”。

5. 气藏 /流体信息、构造位置等宏观特征

在更复杂的油气系统分析中，还可以加入：

• 距断层距离、构造高点 / 低点位置

• 与已知产层的距离、与油水界面相对位置

• 某区域的地震属性统计值等

这些特征往往不适用于细粒度的“逐采样点预测”，但在井级、层段级别的甜点评价中非常有用。

四、一个地学友好的“数据+特征流水线”示意

以“多井岩性分类”为例，一个推荐的流水线可以概括为：

1. 单井 QC：

   • 检查曲线单位和范围；

   • 做基础滤波和异常值截断。

2. 多井统一：

   • 统一采样间隔（如插值到 0.25 m）；

   • 深度基准统一（MD → TVDSS 等）。

3. 缺失 / 空洞处理：

   • 确定每条曲线的可用区间；

   • 对少量缺失做插值或删除；

   • 对严重缺失的井或曲线，考虑剔除。

4. 特征构造：

   • 原始曲线 + 若干组合比值/差值；

   • 窗口统计特征（均值、方差、梯度）；

   • 层位 one-hot 特征。

5. 特征缩放（视模型而定）：

   • 对线性模型 / SVM / 神经网络做规范化或标准化；

   • 树模型可不必强制。

6. 再把处理后的数据送入建模/交叉验证流程。

这一套做下来，即使模型只是“中规中矩”的 RandomForest 或 SVM，
也往往能比“原始数据+复杂模型”获得更稳定、可解释性更强的结果。

五、结语：让模型看到“对的东西”，比换更复杂的模型更重要

这一篇我们没有讲任何“新模型”，而是围绕：

• 数据预处理：清洗、对齐、补全、滤波、缩放；

• 特征工程：原始特征 + 组合特征 + 窗口特征 + 层位/构造特征；

这些看起来“琐碎”的工作，恰恰是 AI 在地学中能否落地、能否长期可靠的关键。

你可以在之后的实际项目中试着对比：

同样的模型，用“简单原始数据” vs “经过认真预处理+特征工程的数据”，
看看效果差多少。

在下一篇文章中，我们可以进一步讨论：

• 过拟合、欠拟合和交叉验证：
  如何判断模型是“记住了训练数据”，还是学到“可泛化的规律”；
  如何用 K 折交叉验证更稳健地评估模型在地学场景中的表现。

如果你有具体的数据场景（比如：某个井组的曲线和实验数据），也可以直接告诉我，我可以按照你的实际问题，给一份更贴合的“预处理+特征工程方案”。