在三维地震成像中通常需要构建三维初始模型，这些模型往往来自已有的公共速度模型或其他前人研究，尽管提供的模型多为规则网格，由于我们所需网格大小是自定义的，所以需要对其进行网格化。而网格化所用的插值算法多为线性插值，它存在一个弊端： 如果我们的网格范围比原先的大，将会出现 NaN 结果，无法用于后续计算。

本文介绍通过两次插值的方法解决这一问题。

1. 将原始模型线性插值到自定义网格

第一次插值，即将原始模型数据假设为散点，在Python用 scipy.interpolate.griddata 进行网格化。

import numpy as np
from scipy.interpolate import griddata
new_dep, new_lat, new_lon = np.meshgrid(dep, lat, lon, indexing='ij')
grid_vp = griddata(
    points[:, 0:3],
    points[:, 3], 
    (new_dep, new_lat, new_lon), 
    method='linear'
这里dep, lat和lon为所需网格深度、纬度和经度方向的坐标，均为一维数组。points是原始模型数据，共4列，分别为深度、纬度、经度和数值。这时线性插值后的结果如图。黄色区域即为NaN值区域，这样的模型不能满足我们的计算需求。
2. 用临近点插值将NaN值点赋值
这里用到第二次插值，利用临近点插值 (Nearest Interpolation) 进行外插，填补空值点，同时保证数值不会偏离正常值。这里的思路是将非空值点取出当作散点，用相同的网格进行临近点插值。
index = np.where(~np.isnan(data))
values = data[index]
points = np.array(index).T
zidx = np.arange(data.shape[0])
yidx = np.arange(data.shape[1])
xidx = np.arange(data.shape[2])
zz, xx, yy = np.meshgrid(zidx, yidx, xidx, indexing='ij')
interpolated = griddata(
    points, values, 
    (zz, xx, yy), 
    method='nearest'
result = interpolated.reshape(data.shape)
两次插值之后的结果如下图，NaN值部分已经由最底层速度填补。