CN105955929A - 一种面向数据科学可视化的反距离加权混合插值方法 - Google Patents

Abstract

本发明公开了一种面向数据科学可视化的反距离加权的混合插值插值方法。针对传统插值方法的优势和劣势，将反距离加权插值方法与克里格插值方法相混合，并结合参估点的方位搜索法，以及改进的插值点的循环插值模式，提出的一种新的混合插值方法。其数据插值的方法步骤为：（1）、获取所需数据信息；（2）、计算实验变异函数；（3）、选择合适的变异函数理论模型进行参数拟合，确定变异函数参数；（4）、确定参与点的搜索方案；（5）、确定需要的插值网格总数，进行插值次数划分；（6）、循环插值，直到达到插值效果。

Description

一种面向数据科学可视化的反距离加权混合插值方法

技术领域

本发明涉及到计算机科学可视化领域，具体涉及一种面向数据科学可视化的反距离加权混合插值方法。

背景技术

随着计算机技术的发展，为了对研究中的数据进行更深入地了解，科学可视化技术应运而生。科学可视化技术可以使数据更直观、更形象、更有效的展示在人们面前，方便人们发现和挖掘数据之间的规律和信息，有利于更深入的科学研究。但是，我们往往搜集的数据都是离散的，在进行可视化的过程当中就涉及到对未知数据的估计问题。所以人们针对这方面进行了研究，其中一种方法就是利用邻近的已知的空间数据对未知的空间数据值进行估计和推测，即空间插值算法。目前常用的空间插值算法有最近距离法、反距离加权法、样条曲线法、克里格插值法和趋势面法。就实际应用而言，反距离加权法和克里格插值法在空间内插中使用频率较高，使用范围较广。一般情况下，克里格插值法的插值效果在总体上由于反距离加权法，而反距离加权法的计算效率又高于克里格插值法。

以上的插值方法都能进行插值计算，但是结合特定的环境条件下，从逼近程度、运算速度、使用范围来评价以上插值方法都有其明显的缺点。为了既满足插值计算的准确性要求，又实现计算效率高的要求，本发明采用在将反距离加权插值方法与克里格插值方法相结合，采用方位搜索法确定参估点，并采用循环插值的动态插值方式对未知数据点进行的插值的新方法。

发明内容

本发明的目的在于针对已有技术存在的不足，提供一种面向数据科学可视化的反距离加权混合插值方法，是一种基于动态方位搜索方法的，结合反距离加权方法和克里格插值方法优势的空间插值方法。此算法克服了传统插值算法中计算效率高的准确度不够，准确度够的计算效率不高的问题。

为达到上述发明目的，本发明的构思是：

本发明借助于克里格插值法的思想对反距离加权法进行改进，并结合参估点的搜索方法、改进的插值循环模式的一种改进的插值方法。以下对本发明作进一步的说明，包括如下内容。

(1)、算法表达式的改进

对反距离加权算法的基本表达式作一个形式上的变换。设所研究区域为A，插值点x₀(x₀∈A)领域内的n个已知点x_i(x_i∈A,且i＝1,...,n)的属性值为Z(x_i)，令λ_i(i＝1,...,n)表示权重系数，根据反距离加权法的权重系数公式可得：

${\mathrm{\λ}}_i=w_{i0}=\frac{1/d_{i0}^k}{\underset{i=1}{\overset{n}{\Σ}}(1/d_{i0}^k)}---\left(1\right)$

其中，d_i0表示x₀与x_i之间的距离，w_i0表示反距离加权方法的权重，k是距离的幂。那么反距离加权法的属性值公式可改写为：

其中，Z(x₀)表示所估插值点x₀属性值，Z(x_i)表示参估点x_i的属性值，λ_i(i＝1,...,n)是归一化的加权系数且对比克里格算法，两种算法的表达式形式是相似的。由于反距离加权法中的λ_i(i＝1,...,n)的值是由两点间的距离直接得到的，通常去距离平方的倒数作为权重系数。这种系数和x_i之间的构型没有任何关系，只要x₀和x_i两点间的距离一定，则权重系数都是一样的。而克里格插值算法的权重系数λ_i是通过求解基于变异函数的普通克里格方程组得到的，它不仅与x₀和x_i两点间的距离有关，还取决于x_i(i＝1,...,n)的构性。

所以本发明在反距离加权算法和克里格插值算法比较的基础上，将变异函数引入到反距离加权法中。变异函数是距离的函数，用变异函数代替反距离加权法中的距离的幂，则反距离加权法中的权重系数可由变异函数表示，权重系数λ_i的计算公式可改写为：

${\mathrm{\λ}}_i=\frac{\frac{1}{\mathrm{\γ}(x_i,x_0)}}{\underset{i=1}{\overset{n}{\Σ}}\frac{1}{\mathrm{\γ}(x_i,x_0)}}---\left(3\right)$

其中，从而将反距离加权法的计算公式改为：

$Z\left(x_0\right)=\underset{i=1}{\overset{n}{\Σ}}{\mathrm{\λ}}_{i}Z\left(x_i\right)=\frac{\underset{i=1}{\overset{n}{\Σ}}Z\left(x_i\right)/\mathrm{\γ}(x_i,x_0)}{\underset{i=1}{\overset{n}{\Σ}}1/\mathrm{\γ}(x_i,x_0)}---\left(4\right)$

其中，γ(x_i,x₀)是变异函数，定义为：

$\mathrm{\γ}(x_i,x_0)=\mathrm{\γ}(x_i-x_0)=\frac{1}{2}E{\[Z\left(x_i\right)-Z\left(x_0\right)\]}^2---\left(5\right)$

其中，Z(x_i)表示x_i点的属性值，Z(x₀)表示x₀点的属性值。

(2)、参估点选择方案的改进

根据反距离加权算法，反距离加权算法是寻找与插值点距离较近的n个已知点来作为参估点进行插值运算。但是，对n个已知点的方位位置并没有做限制。那么，假设在某种已知点分布极不均匀的情况下，对某个插值点x₀搜索了n个参估点，但是这个距离较近的参估点全部在x₀的右侧，而实际情况是x₀的影响是比较大的，不可忽略的。如果在这种情况下，仍然用这n个点对x₀进行插值，那么插值结果就会与实际情况有明显偏差。为了避免这种情况的出现，可以采用方位搜索法，这样不单可以对参估点进行方位的选择，还确定了参估点的最大个数。与普通的反距离加权算法相比，方位搜索法可以针对不同的已知点构性采用不同的变异函数形式以及不同的变异函数参数，具有一定的灵活性，提高了执行效率。四方搜索法如图6所示。

(3)、插值计算方式的改进

传统的网格插值模式是根据插值精度的要求对网格进行一次性的划分，然后根据已知的离散点，对网格上需要插值的点进行插值计算。为了提高插值效果，提出了一种多次插值的优化模式。假设需要进行一个8n×8n的网格插值，则可以首先对网格进行2n×2n的插值，然后将得到的插值点数值重新记录成新的样本点，然后对网格进行4n×4n的计算，依次循环，直至得到用户需要的结果。此方法将已经插值得到的点重新进行一轮新的插值，增加了样本点的选择数量，提高了插值点的精度，从而并没有明显的增加计算机的负担。

根据上述发明构思，本发明采用下述技术方案：

一种面向数据科学可视化的反距离加权混合插值方法，其特征在于结合了传统插值方法的优势，具体实施步骤如下：

(1)、获取所需要的数据信息，对变量进行初始化，对数据进行预处理；

(2)、确定变异函数的基本步长；

(3)、计算实际的变异函数；

(4)、选择合适的变异函数理论模型进行参数拟合，确定变异函数参数；

(5)、确定参与点的搜索方案

(6)、确定需要插值的网格总数，进行插值次数划分

(7)、使用反距离混合插值算法对未知点进行估值

(8)、根据所需的插值效果确定的插值次数，反复插值

上述变量的初始化和数据的预处理：

使用的数据主要来源于已经被处理过的科学监测数据，数据的位置由经度和纬度共同决定，强度值取自遥感数据所提供的不同种类的、不同时间段的监测数据值；在同一平面内，纬度经度为唯一的标识一点，因此研究时直接将经纬度看作是该点的坐标，从而将某一点的数据转化为三个域进行描述：x坐标表示纬度，y坐标表示经度，z表示属性值。变量的初始化和数据预处理步骤如下：

(1)输入n个离散数据；

(2)按x轴坐标对离散数据进行排序；

(3)设定一个基准方向；

(4)确定变异函数方向的个数Num；

(5)使用步长数组变量FeetLength[Num]存放基本步长；

(6)使用方向数组变量Direction[Num]存放变异函数的方向；

(7)使用方向点数组变量PointX[Num][n]和PointY[Num][n]记录在每个方向上对应的两个点的数据信息；

(8)使用数组变量Var[Num][n]和Num[Num][n]记录最终实验变异函数数值和各方向点对数；

上述计算实际变异函数的基本步长：

(1)遍历数组中的全部数据点对，重复步骤2-6的步骤；

(2)选取一对离散数据；

(3)计算该对数据两点间的距离d及两点与x轴的夹角θ；

(4)夹角θ与Direction[i](0≤i≤Num-1)相比较,Direction[i]-δ<θ<Direction[i]+δ，则将两个点分别保存到PointX[i][j]和PointY[i][j]中。

其中δ表示允许误差，Direction[i]表示插值点变异函数的方向，PointX[i][j]和PointY[i][j]表示一个方向上对应的两个点的数据信息，Num表示变异方向的个数；

(5)若Direction[i]-δ<θ<Direction[i]+δ，且d<FeetLength[i]，则FeetLength[i]＝d，FeetLength[i]表示一个点的基本步长；

(6)计算下一对数据。

上述实际变异函数的计算：

(1)遍历每个方向上对应的两个点的数据信息的二维数组，重复2-6的操作；

(2)将两点的属性值相减，取平方，结果赋予变量Q；

(3)求当前两点间的距离d；

(4)距离d与该方向上的对应步长相除，并向下取整，将此值赋予k；

(5)判断d所属的步长范围：

a)若k×FeetLength[i]-β<d<k×FeetLength[i]+β,则将Q的值累加计入Var[i][k],对应的Num[i][k]数值加1。

其中β表示角度误差,Q是属性值的方差，FeetLength[i]表示已知点的步长，k表示整数；

b)若(k+1)*FeetLength[i]-β<d<(k+1)*FeetLength[i]+β,则将Q的值累加计入对应的变异函数值,对应的点对数加1。

其中β表示角度误差,Q是属性值的方差，FeetLength[i]表示i点的步长，k表示整数；

(6)返回取下一对数据点；

(7)同时遍历各方向步长的最终变异函数值和各方向对应的点对数，将最终实验变异函数值数组中的各元素值对应的除以对应各方向对应的点对数数组中各元素的两倍，再存放于实验变异函数数组中。此时，变异函数数组就是所需要的实验变异函数数值。

上述选择合适的变异函数理论模型进行参数拟合，确定变异函数参数

为了获得比较稳定的、符合实际需要的、插值效果较好的变异函数，实际操作时，可根据应用环境的特点和需求，选择球状模型、指数模型、高斯模型进行拟合，然后选择拟合效果最好的理论变异函数；根据确定的变异函数计算出对应的权重系数；

上述参估点四方位的搜索：

四方搜索法实现较为简单，执行效率较快；但是，有时也会因为参估点信息不够而引起估值不够准确，因此可采用六方搜索法或者八方搜索法，来增加参估点数量，从而提高估值准确性；确定了反映区域化变量空间结构性变化的函数之后，按照方位搜索法进行查找参估点，根据实际情况选择四方搜索法、或六方搜索法、或八方搜索法。以四方位搜索法为例，具体步骤如下：

(1)设一个数组存放所有需要插值点的信息；

(2)从数组中选择一个插值点，赋值给P0；

(3)根据方位搜索法中的四方搜索法，遍历存放的已知点的信息的数组，重复步骤4-9，选择满足要求的四个已知样本点；

变量dp1、dp2、dp3和dp4表示四个象限中的最短距离，初始化时，a表示变程；四个变量P1、P2、P3和P4分别表示四个象限中达到最短距离的已知点数据信息。

(4)取一个已知点，赋值给Pi，Pi表示一个已知样本点；

(5)设变量d0表示P0和Pi之间的距离，若d0＞a，则回到步骤4；

(6)若Pi.x≥P0.x,Pi.y≥P0.y,且d0≤dp1，则dp1＝d0，P1＝Pi；

(7)若Pi.x＜P0.x,Pi.y＞P0.y,且d0≤dp2，则dp2＝d0，P2＝Pi；

(8)若Pi.x≤P0.x,Pi.y≤P0.y,且d0≤dp3，则dp3＝d0，P3＝Pi；

(9)若Pi.x＞P0.x,Pi.y＜P0.y,且d0≤dp4，则dp4＝d0，P4＝Pi；

上述确定需要插值的网格总数，进行插值次数的划分：

若需要划分8n×8n的网格，则将网格划分分成三次，分别是2n×2n和4n×4n的网格，进行依次插值，n是整数；

上述反距离混合插值算法插值：

对其中一个插值点P0运用反距离混合算法插值的求解过程如下：

(1)由四方搜索法得到4个参估点，以及四个参估点到P0点的距离，将它们分别代入所求的变异函数中，得到对应的变异函数值；

(2)根据4个变异函数值，求得对应的权重系数；

(3)将4个权重系数以及对应的四个参估点的属性值代入到以下公式2中得到P0的属性值。其中，其中，Z(x₀)表示所估插值点x₀属性值，Z(x_i)表示参估点x_i的属性值，λ_i(i＝1,...,n)是归一化的加权系数且γ(x_i,x₀)是变异函数。

$Z\left(x_0\right)=\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&lambda;}}_{i}Z\left(x_i\right)=\frac{\underset{i=1}{\overset{n}{\&Sigma;}}Z\left(x_i\right)/\mathrm{\&gamma;}(x_i,x_0)}{\underset{i=1}{\overset{n}{\&Sigma;}}1/\mathrm{\&gamma;}(x_i,x_0)}---\left(2\right)$

在插值得到的点也作为其中的已知样本点，根据下一个需要插值点的位置，搜索参与算法的参估点，重复步骤1-3，完成第一轮的插值；

上述根据所需的插值效果确定插值次数，反复插值：

根据所需要的插值效果确定出的插值次数，进行第二轮、第三轮的插值，直至满足插值要求。

反距离加权混合插值方法原理：反距离加权算法简单、实现容易、执行效率高，但是因为仅考虑了两点间的距离，所以获得的插值精确度不是很高，偏差不能估计；克里格插值法除了考虑两点间的距离，还考虑了两点间的构性等因素，插值结果精度较为准确，并且可以对偏差做出估计，但是其算法过程较为复杂，实现相对麻烦，并且执行效率受到限制。那么针对反距离加权法和克里格插值法的优缺点，用反映区域化变量空间结构性变化的以距离为自变量的变异函数代替距离的幂来求解反距离加权法的权重系数，又为避免参估点分布不均而带来的插值结果产生较大偏差，使用方位搜索法进行参估点的搜索，同时将插值网格进行多次划分，将前几轮插值得到的估计点作为下一轮插值的样本已知点进行新一轮的估值。

本发明与现有技术相比较，具有如下显而易见的突出实质性特质和显著技术进步：此算法克服了传统插值算法中计算效率高的准确度不够，准确度够的计算效率不高的问题。使在数据科学可视化时，计算效率更高，可视化效果也达到可视化要求。

附图说明

图1面向科学可视化的反距离加权混合插值方法流程框图。

图2变量初始化和数据预处理流程图。

图3计算基本步长的流程图。

图4实际变异函数值的计算流程图。

图5参估点的搜索方案选择流程图。

图6改进的反距离加权算法流程图。

图7方位搜索法示意图。

图8多次迭代循环插值示意图。

具体实施方式

本发明的优选实施例结合附图详述如下：

实施例一：参见图1—图8，本面向数据科学可视化的反距离混合插值方法。

实施例二：本面向数据数据科学可视化的反距离混合插值方法，具体操作步骤如下：

(1)、获取所需要的数据信息

本算法使用的数据主要来源于已经被处理过的科学监测数据。数据的位置由经度和纬度共同决定，强度值取自遥感数据所提供的不同种类的、不同时间段的监测数据值。在同一平面内，纬度经度可以唯一的标识一点，因此研究时直接将经纬度看作是该点的坐标。从而可以将某一点的数据转化为三个域进行描述：x坐标表示纬度，y坐标表示经度，z表示属性值。

(2)、计算实验的变异函数

第一步：对算法中涉及的变量和数据进行初始化处理，变量初始化和数据预处理流程图如1所示。按照x轴坐标对离散数据进行排序，设定一个基准方向，确定变异函数方向的个数，定义存放步长、变异函数方向、变异函数值的变量。

第二步：确定变异函数的基本步长L，一般为各方向上各点距离最小值，计算基本步长的流程图如3所示。

第三步：利用公式计算实际的变异函数，计算实际变异函数的流程图如图4所示。

${\mathrm{\&gamma;}}^{*}\left(h\right)=\frac{1}{2n}\underset{i=1}{\overset{n}{\&Sigma;}}{\&lsqb;Z\left(x_i\right)-Z(x_i+h)\&rsqb;}^2---\left(6\right)$

r^*(h)表示所求的变异函数值，Z(x_i)和Z(x_i+h)分别是函数Z(x)在空间位置x_i处和偏离x_i点h处的实测值(i＝1,...,n)，n是分割距离为h时的样本总数。

(3)、选择合适的变异函数理论模型进行参数拟合，确定变异函数参数；

为了获得比较稳定的、符合实际需要的、插值效果较好的变异函数，实际操作时，可以根据应用环境的特点和需求，选择球状模型、指数模型、高斯模型进行拟合，然后选择拟合效果最好的理论变异函数。根据确定的变异函数代入公式(1)计算出对应的权重系数。

(4)、确定参与点的搜索方案

确定了反映区域化变量空间结构性变化的函数之后，按照方位搜索法进行查找参估点，根据实际情况可以选择四方搜索法、六方搜索法、八方搜索法等。

以四方搜索法为例，设数组UnKnownP[]存放所有需要插值点的信息，从数组中选择一个插值点UnKnownP[k]，赋给P0；遍历存放已知点信息的数组Array[]，根据参估点搜索流程图4，选择满足要求的已知点P1、P2、P3、P4；变量dp1、dp2、dp3、dp4分别保存四个象限中的最短距离，初始化时，变程值取a；四个变量P1、P2、P3、P4分别存放象限中达到最短距离的已知点数据信息。

四方搜索法实现较为简单，执行效率较快。但是，有时也会因为参估点信息不够而引起估值不够准确，因此可以采用六方搜索法或者八方搜索法，来增加参估点数量，从而提高估值准确性。其算法流程与四方搜索法相似，只是判定条件略有不同，从而找到各象限中的与插值点距离最近的参估点。在本发明，选用四方搜索法进行插值。

(5)确定需要插值的网格总数，进行插值次数划分。

例如需要划分8n×8n的网格，则将网格划分分成三次，分别是2n×2n和4n×4n的网格，进行依次插值。

(6)、对所求插值点进行估值；

在求得各参估点对应的权重系数λ_i，然后再代入到公式4中，即可求的插值点的数据值。对其中一个插值点P0的求解过程如下：

第一步：由四方搜索法得到4个参估点P1、P2、P3、P4，dp1、dp2、dp3、dp4中对应存放着四点分别到P0点的距离，将它们分别代入所求的变异函数中，得到对应的变异函数值R1、R2、R3、R4；

第二步：将R1、R2、R3、R4代入到公式6中，求得对应的权重系数W1、W2、W3、W4；

第三步：将W1、W2、W3、W4以及对应的四个参估点的属性值代入到公式4中得到P0的属性值。

(7)、在插值得到的点也作为其中的已知样本点，根据下一个需要插值点的位置，搜索参与算法的参估点。重复步骤6-7，完成第一轮的插值。

(8)、根据所需要的插值效果确定出的插值次数，进行第二轮、第三轮的插值，直至满足插值要求。

Claims (9)

1.一种面向数据科学可视化的反距离加权混合插值方法，其特征在于具体操作步骤如下：

(1)、获取所需要的数据信息，对变量进行初始化，对数据进行预处理，

(2)、确定变异函数的基本步长，

(3)、计算实际的变异函数，

(4)、选择合适的变异函数理论模型进行参数拟合，确定变异函数参数，

(5)、确定参与点的搜索方案，

(6)、确定需要插值的网格总数，进行插值次数划分，

(7)、使用反距离混合插值算法对未知点进行估值，

(8)、根据所需的插值效果确定的插值次数，反复插值。

2.根据权利要求1所述的面向数据科学可视化的反距离加权混合插值方法，其特征在于所述步骤(1)获取所需要的数据信息，对变量进行初始化及数据的预处理：

使用的数据主要来源于已经被处理过的科学监测数据，数据的位置由经度和纬度共同决定，强度值取自遥感数据所提供的不同种类的、不同时间段的监测数据值；在同一平面内，纬度经度为唯一的标识一点，因此研究时直接将经纬度看作是该点的坐标，从而将某一点的数据转化为三个域进行描述：x坐标表示纬度，y坐标表示经度，z表示属性值，变量的初始化和数据预处理步骤如下：

(1-1)输入n个离散数据；

(1-2)按x轴坐标对离散数据进行排序；

(1-3)设定一个基准方向；

(1-4)确定变异函数方向的个数Num；

(1-5)使用数组变量FeetLength[Num]存放基本步长；

(1-6)使用数组变量Direction[Num]存放变异函数的方向；

(1-7)使用数组变量PointX[Num][n]和PointY[Num][n]记录在每个方向上对应的两个点的数据信息；

(1-8)使用数组变量Var[Num][n]和Num[Num][n]记录最终实验变异函数数值和各方向点对数。

3.根据权利要求1所述的面向数据科学可视化的反距离加权混合插值方法，其特征在于所述步骤(2)计算实际变异函数的基本步长：

(2-1)遍历数组中的全部数据点对，重复步骤(2-2)-步骤(2-6)；

(2-2)选取一对离散数据；

(2-3)计算该对数据两点间的距离d及两点与x轴的夹角θ；

(2-4)夹角θ与Direction[i](0≤i≤Num-1)进行比较，Direction[i]-δ<θ<Direction[i]+δ，则将两个点分别保存到PointX[i][j]和PointY[i][j]中，

其中δ表示允许误差，Direction[i]表示插值点变异函数的方向，PointX[i][j]和PointY[i][j]表示一个方向上对应的两个点的数据信息，Num表示变异方向的个数；

(2-5)若Direction[i]-δ<θ<Direction[i]+δ，且d<FeetLength[i]，则FeetLength[i]＝d，FeetLength[i]表示一个点的基本步长；

(2-6)计算下一对数据。

4.根据权利要求1所述的面向数据科学可视化的反距离加权混合插值方法，其特征在于所述步骤(3)实际变异函数的计算

(3-1)遍历每个方向上对应的两个点的数据信息的二维数组，重复步骤(3-2)-步骤(3-6)的操作；

(3-2)将两点的属性值相减，取平方，结果赋予变量Q；

(3-3)求当前两点间的距离d；

(3-4)距离d与该方向上的对应步长相除，并向下取整，将此值赋予k；

(3-5)判断d所属的步长范围：

a)若k*FeetLength[i]-β<d<k*FeetLength[i]+β,则将Q的值累加计入Var[i][k],对应的Num[i][k]数值加1；

其中β表示角度误差,Q是属性值的方差，FeetLength[i]表示已知点的步长，k表示整数；

b)若(k+1)×FeetLength[i]-β<d<(k+1)×FeetLength[i]+β,则将Q的值累加计入对应的变异函数值,对应的点对数加1；

其中β表示角度误差,Q是属性值的方差，FeetLength[i]表示i点的步长，k表示整数；

(3-6)返回取下一对数据点；

(3-7)同时遍历各方向步长的最终变异函数值和各方向对应的点对数，将最终实验变异函数值数组中的各元素值对应的除以对应各方向对应的点对数数组中各元素的两倍，再存放于实验变异函数数组中；此时，变异函数数组就是所需要的实验变异函数数值。

5.根据权利要求1所述的面向数据科学可视化的反距离加权混合插值方法，其特征在于所述步骤(4)选择合适的变异函数理论模型进行参数拟合，确定变异函数参数：

为了获得比较稳定的、符合实际需要的、插值效果较好的变异函数，实际操作时，根据应用环境的特点和需求，选择球状模型、指数模型、高斯模型进行拟合，然后选择拟合效果最好的理论变异函数；根据确定的变异函数计算出对应的权重系数。

6.根据权利要求1所述的面向数据科学可视化的反距离加权混合插值方法，其特征在于所述步骤(5)参与点四方位的搜索：

四方搜索法实现较为简单，执行效率较快；但是，有时也会因为参与点信息不够而引起估值不够准确，因此采用六方搜索法或者八方搜索法，来增加参与点数量，从而提高估值准确性；确定了反映区域化变量空间结构性变化的函数之后，按照方位搜索法进行查找参与点，根据实际情况选择四方搜索法、或六方搜索法、或八方搜索法；对于四方位搜索法，具体步骤如下：

(5-1)设一个数组存放所有需要插值点的信息；

(5-2)从数组中选择一个插值点，赋值给P0；

(5-3)根据方位搜索法中的四方搜索法，遍历存放的已知点的信息的数组，重复步骤(5-4)-步骤(5-9)，选择满足要求的四个已知样本点；

变量dp1、dp2、dp3和dp4表示四个象限中的最短距离，初始化时，a表示变程；四个变量P1、P2、P3和P4分别表示四个象限中达到最短距离的已知点数据信息；

(5-4)取一个已知点，赋值给Pi，Pi表示一个已知样本点；

(5-5)设变量d0表示P0和Pi之间的距离，若d0＞a，则回到步骤4；

(5-6)若Pi.x≥P0.x,Pi.y≥P0.y,且d0≤dp1，则dp1＝d0，P1＝Pi；

(5-7)若Pi.x＜P0.x,Pi.y＞P0.y,且d0≤dp2，则dp2＝d0，P2＝Pi；

(5-8)若Pi.x≤P0.x,Pi.y≤P0.y,且d0≤dp3，则dp3＝d0，P3＝Pi；

(5-9)若Pi.x＞P0.x,Pi.y＜P0.y,且d0≤dp4，则dp4＝d0，P4＝Pi。

7.根据权利要求1所述的面向数据科学可视化的反距离加权混合插值方法，其特征在于所述步骤(6)确定需要插值的网格总数，进行插值次数的划分

若需要划分8n×8n的网格，则将网格划分分成三次，分别是2n×2n和4n×4n的网格，进行依次插值，n是整数。

8.根据权利要求1所述的面向数据科学可视化的反距离加权混合插值方法，其特征在于所述步骤(7)反距离混合插值算法插值

对其中一个插值点P0运用反距离混合算法插值的求解过程如下：

(7-1)由四方搜索法得到4个参估点，以及四个参估点到P0点的距离，将它们分别代入所求的变异函数中，得到对应的变异函数值；

(7-2)根据4个变异函数值，求得对应的权重系数；

(7-3)将4个权重系数以及对应的四个参估点的属性值代入到以下公式2中得到P0的属性值，其中，其中，Z(x₀)表示所估插值点x₀属性值，Z(x_i)表示参估点x_i的属性值，λ_i(i＝1,...,n)是归一化的加权系数且γ(x_i,x₀)是变异函数，

$Z\left(x_0\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{i}Z\left(x_i\right)=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}Z\left(x_i\right)/\mathrm{\&gamma;}\left(x_i,x_0\right)}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}1/\mathrm{\&gamma;}\left(x_i,x_0\right)}---\left(2\right)$

在插值得到的点也作为其中的已知样本点，根据下一个需要插值点的位置，搜索参与算法的参估点，重复步骤1-3，完成第一轮的插值。

9.根据权利要求1所述的面向数据科学可视化的反距离加权混合插值方法，其特征在于所述步骤(8)根据所需的插值效果确定插值次数，反复插值：根据所需要的插值效果确定出的插值次数，进行第二轮、第三轮的插值，直至满足插值要求。