Tạo mô hình độ cao kỹ thuật số ngẫu nhiên nhưng đáng tin cậy? [đóng cửa]

Có cách nào để tạo DEM, theo chương trình hay cách khác, sẽ cung cấp cho ArcGIS Desktop để phân tích không gian hơn nữa không?

Có lẽ điều này cần được chia thành các bước gia tăng nhỏ hơn:

1. Tạo lưới
2. Điền vào lưới với các giá trị trong đó: 0 > value < maxElevation
3. Các tế bào lân cận: (x1-x2) < maxSlope

Hãy thử hoặc đọc trang này để biết một số thông tin tốt. và liên kết thứ hai cho bạn thấy cách của mô hình nâng cao kỹ thuật số ngẫu nhiên.

1. Python và khoa học số và trực quan hóa dữ liệu
2. tạo cao độ / chiều cao trường gdal numpy python

Bạn có thể sử dụng fractals cho việc này : .

Hàng trên được tạo với kích thước fractal d = 2.0005 (bên trái: bản đồ độ cao, bên phải: bản đồ khía cạnh), hàng dưới với kích thước fractal d = 2.90 (bên trái: bản đồ độ cao, bên phải: bản đồ khía cạnh). Tôi đã sử dụng r.surf.fractal của GRASS GIS. Sau đó, chỉ cần xuất DEM nhân tạo với r.out.gdal (hoặc GUI) sang GeoTIFF.

Bạn cũng có thể xem xét việc có một tập lệnh lấy một phần ngẫu nhiên của một DEM thực sự hiện có.

Đây là một tài nguyên tuyệt vời về các thuật toán và phần mềm tạo địa hình trên vterrain.org: http://vterrain.org/Elevation/Art mẫu /

Đây là một giải pháp R sử dụng Hạt nhân Gaussian để thêm tự động tương quan vào một raster ngẫu nhiên. Mặc dù, tôi phải nói rằng hàm GRASS r.surf.fractal, được đề xuất bởi @markusN, có vẻ như là cách tiếp cận tốt nhất.

require(raster)

# Create 100x100 random raster with a Z range of 500-1500
r <- raster(ncols=100, nrows=100, xmn=0)
  r[] <- runif(ncell(r), min=500, max=1500)  

# Gaussian Kernel Function
GaussianKernel <- function(sigma=s, n=d) {
          m <- matrix(nc=n, nr=n)
            col <- rep(1:n, n)
            row <- rep(1:n, each=n)
          x <- col - ceiling(n/2)
          y <- row - ceiling(n/2)
         m[cbind(row, col)] <- 1/(2*pi*sigma^2) * exp(-(x^2+y^2)/(2*sigma^2))
        m / sum(m)
       }

# Create autocorrelated raster using 9x9 Gaussian Kernel with a sigma of 1
r.sim <- focal(r, w=GaussianKernel(sigma=1, n=9))

# Plot results
par(mfcol=c(1,2))
  plot(r, main="Random Raster")
  plot(r.sim, main="Autocorrelated Random Raster sigma=1, n=9")

Bạn có thể thử sử dụng tiếng ồn Perlin để tạo một số địa hình fractal ngẫu nhiên. Câu trả lời này trên Stackoverflow giải thích một cách bạn có thể bắt đầu trong Python. Mẹo nhỏ là phóng to một khu vực rất nhỏ của lưới nhiễu để nó không quá bất thường.

libnoise cung cấp cho bạn những gì bạn muốn. Bạn có thể sẽ phải tùy chỉnh nó ở một mức độ nào đó. Kiểm tra ví dụ 'bề mặt hành tinh phức tạp'.

libnoise là một thư viện C ++ di động được sử dụng để tạo ra tiếng ồn kết hợp, một loại tiếng ồn thay đổi trơn tru. libnoise có thể tạo ra nhiễu Perlin, nhiễu đa âm và các loại nhiễu kết hợp khác.

Tiếng ồn kết hợp thường được sử dụng bởi các lập trình viên đồ họa để tạo ra kết cấu trông tự nhiên, địa hình hành tinh và những thứ khác. Khung cảnh núi được hiển thị ở trên được hiển thị ở Terragen với tệp địa hình được tạo bởi libnoise. Bạn cũng có thể xem một số ví dụ khác về những gì libnoise có thể làm.

Trong libnoise, các bộ tạo nhiễu kết hợp được gói gọn trong các lớp được gọi là các mô-đun nhiễu. Có nhiều loại mô-đun tiếng ồn khác nhau. Một số mô-đun nhiễu có thể kết hợp hoặc sửa đổi đầu ra của các mô-đun nhiễu khác theo nhiều cách khác nhau; bạn có thể nối các mô-đun này lại với nhau để tạo ra nhiễu kết hợp rất phức tạp.

Mã này có thể được sử dụng để tạo DEM "Độ dốc đồi" với khoảng bất kỳ số lượng hàng và cột nào:

# Building a fake hillslope
# hisllop is 5 rows by 6 columns

x <- seq(-15, 15, by=0.01)
z <- 1/(1+1.5^-x)
plot(z)

z <- 150 - (1-z)*5
plot(z)

# Doing it by hand - DELETE if needed - JUST HERE AS AN EXAMPLE!!!
elev <- c(mean(z[0:500]), mean(z[501:1000]), mean(z[1001:1500]), mean(z[1501:2000]), mean(z[2001:2500]),mean(z[2501:3000]))
plot(elev, type="l")


# doing it by loop
bins <- 6      # could also be considered the length or the hillslope - AKa the number of columns
elev1 <- numeric(bins)


for(i in 0:(bins-1))
{
  begin <- floor( (0 + (length(z)/bins)*i) )
  print(begin)
  end <- floor( ( (length(z)/bins) * (i+1) ) )
  print(end)
  print(mean(z[begin:end]))
  elev1[i+1] <- mean(z[begin:end])  

}

plot(elev1, type="l")


# Making the hillslope wide - AKA creating identical rows
width <- 5

# creating empty matric
hillslope <- matrix(0, nrow=bins, ncol=width)

#overwriting the matrix with the elevation column
system.time(
  { 
    for(i in 1:width) 
      hillslope[,i] <- elev1; 
    hillslope <- as.data.frame(hillslope) 
    }
  )



# applying random error grid
error <- rnorm((width*bins), mean = 0, sd = 0.25)
error.matrix <- as.matrix(error, nrow=bins )



random.hillslope <- as.matrix(hillslope + error.matrix)
image(random.hillslope)