数据组合。如果将搜索框置于条件数据网格（即，仅包括条件数据的实际地质模 型的网格）中任意位置，将获得一个条件数据事件，如果将搜索框置于候选训练图像网格 中任意位置，可获得一个训练数据事件。数据事件最小差异度是指某个条件数据事件与所 有可取的训练数据事件的差异度最小值。对此，可以根据条件数据的维度定义一个或多个 二维和/或三维虚拟网格，用于存储条件数据事件与训练数据事件差异度计算结果，即最 小差异度。
[0035] 步骤3的详细步骤包括：
[0036] 步骤31，对于N个搜索框中任一个搜索框，计算该搜索框在仅包括条件数据的实 际地质模型的网格中捕获的任一条件数据事件与该搜索框在任一个候选训练图像中捕获 的所有训练数据事件之间的差异度，选取其中最小的差异度作为该候选训练图像对应该搜 索框以及该条件数据事件的最小差异度。
[0037] 步骤32,利用N个搜索框，分别计算得到NXC个条件数据事件与M个候选训练图 像的训练事件之间的NXCXM个最小差异度值，并根据该些最小差异度值建立NXM个最小 差异度模型。
[0038] 具体而言，在条件数据网格内可以定义一条访问路径（R)，该网格内任意一个网格 单元均在路径上随机或有序排布。针对路径（R)上的每一个网格单元，计算搜索框的参考 单元置于该处时获取到的条件数据事件。比如，条件数据网格有C个网格单元，那么利用某 一个搜索框，在条件数据网格中就可以捕获C个条件数据事件。（在步骤2,如果有N个搜 索框，就有NXC个条件数据事件。）
[0039] 进一步的，以一个搜索框为例，利用步骤31，计算（利用该搜索框捕获的）条件数 据网格中某一个条件数据事件与（利用该搜索框捕获的）一个候选训练图像的所有训练事 件的差异度，然后选取最小的差异度。此时，在该搜索框条件下且对应于该条件数据事件， 获得了一个候选训练图像的一个最小差异度。
[0040] 这样，从整体来看，条件数据网格有C个网格单元，也就有C个条件数据事件，对应 一个候选训练图像也就可以选出C个最小差异度，根据这C个最小差异度可以建立（在该 搜索框的条件下）这个候选训练图像的最小差异度模型。
[0041] -个候选训练图像可以利用不同的搜索框，建立多个最小差异度模型。如步骤32 所述，在N个搜索框条件下，对应M个候选训练图像可以建立NXM个最小差异度模型。
[0042] 在本实施例中，数据事件之间的差异度（Variability，V)主要是通过数据事件中 各网格单元的属性值之差的加权求和得到。假设采用预先定义的某个搜索框在仅包括条件 数据的实际地质模型的网格中获取的条件数据事件（ConditionalDataEvent，CDE)和同 一搜索框在候选训练图像中获取的训练数据事件（TrainingDataEvent，TDE)共同包含K' 个网格单元，W1为所获得的K'个网格单元的权重。计算条件数据事件与训练数据事件的差 异度的公式如下：
[0044] V(CDE，TDE)为差异度；
[0045] 其中，K'为条件数据事件与训练数据事件共有的网格单元的数量；
[0046] W1SK'个共有的网格单元中第i个网格单元的权重；
[0047] CDE1R表条件数据事件中第i个网格单元的值；
[0048] TDE1R表训练数据事件中第i个网格单元的值；
[0049] -般情况下，共有的网格单元的数量K'与搜索框内最大网格单元数量K可以是相 同的。
[0050] 在上述步骤31中，权重W1是利用以下公式计算得到：
[0051] 在仅包括条件数据的实际地质模型及候选训练图像均为三维的情况下：
[0053] X1S共有的网格单元中第i个网格单元的X坐标，X。为搜索框的参考网格单元的 X坐标；
[0054] 共有的网格单元中第i个网格单元的y坐标，y。为搜索框的参考网格单元的 y坐标；
[0055] Z1S共有的网格单元中第i个网格单元的z坐标，z。为搜索框的参考网格单元的 z坐标；
[0056] 在仅包括条件数据的实际地质模型或候选训练图像中至少有一者为二维的情况 下：
[0058] X1S共有的网格单元中第i个网格单元的X坐标，X。为搜索框的参考网格单元的 X坐标；
[0059] 共有的网格单元中第i个网格单元的y坐标，y。为搜索框的参考网格单元的 y坐标。
[0060] 在本实施例中，权重的计算采用了上述的距离反比法，但需要指出的是，本发明计 算权重的方法包括但不限于距离反比法，还包括其它计算和/或直接给定权重的方法。
[0061 ] 步骤4的详细步骤包括：
[0062] 根据最小差异度模型，计算获得候选训练图像评价指标包括：最小差异度均值、最 小差异度方差、最小差异度最大值、最小差异度最小值、最小差异度之和以及最小差异度频 数分布主体对应的最小差异度之中的至少一项评价参数；
[0063] 根据评价参数选取最符合实际地质特征的候选训练图像。即，通过获得的评价指 标中的一项或多项评价参数判断候选训练图像与条件数据的相关度，并选取相关性较好的 若干训练图像。
[0064] 具体而言，优选训练图像是根据搜索框对评价参数分组后，选取每一组最小差异 度均值最低、和/或最小差异度方差最小、和/或最小差异度最大值最小、和/或最小差异 度最小值最小、和/或最小差异度之和最小、和/或最小差异度频数分布主体对应的最小差 异度最偏向于〇的候选训练图像为最符合实际地质特征的训练图像。
[0065] 为了对上述基于数据事件差异度选择训练图像的方法进行更为清楚的解释，下面 结合一个具体的实施例来进行说明，然而值得注意的是该实施例仅是为了更好地说明本发 明，并不构成对本发明不当的限定。
[0066] 图2为本发明一实施例的优选训练图像的详细流程图。其中，详细流程如下：
[0067] 步骤101，定义搜索框，搜索框可以为多个。
[0068] 图3a及图3b示意出了两种不同大小的搜索框，包括如图3a所示11X11网格的 搜索框和图3b所示的21X21网格的搜索框。两种搜索框各包含的条件数据网格单元和/ 或训练图像网格单元的数量各不相同，因而代表的地质意义也有差别。本实施例提供了两 种搜索框，但搜索框的大小和结构并不限于以上两种。搜索框的大小可以根据条件数据的 大小、地质体的宽度和/或厚度、地质体延伸方向等特征进行合理设定。每个搜索框均须设 定一个参考网格单元，参考网格单元可位于搜索框内任意一个网格单元。搜索框内每一个 网格单元都是由该网格单元相对于搜索框参考网格单元的位置定义的，图3a中示意性地 标识了搜索框内多个不同位置的网格单元的坐标，例如：第6行第6列的网格单元为参考网 格单元，坐标（0, 0)，则第2行第2列的网格单元的坐标可以为（-4, 4)，其它网格单元也可 通过类似方式设定。
[0069] 步骤102,建立条件数据事件、训练数据事件。
[0070] 在本实施例中，根据地质建模中常见的控制地下地质体形成的古河流流向不确定 的情况，设定了如图4a至图4f所示的6幅候选训练图像的示意图。该6个候选训练图像 中，河流的宽度一致，其对应的河流流向分别为0°、30°、60°、9