Существуют ли открытые или недорогие инструменты для обнаружения и заполнения приемников на ЦМР? ArcGIS Spatial Analyst находится вне моего ценового диапазона.
Существуют ли какие-либо инструменты с открытым исходным кодом для обнаружения и заполнения приемников на ЦМР? [закрыто]
Ответы:
GRASS имеет r.fill.dir и, что еще лучше, r.terraflow , который является одним из немногих гидрологических инструментов для работы с массивными растрами. Также есть TauDem , который включает в себя PitRemoveдля заполнения.
Я также написал часть программного обеспечения, RichDEM, в котором есть множество быстрых (иногда в тысячи раз быстрее) алгоритмов для заполнения депрессии и других гидрологических приложений. См .: richdem.readthedocs.io/en/latest/depression_filling.html
—
Ричард,
TauDem является кроссплатформенным и прекрасно работает на Linux и OS X.
—
mankoff
@mankoff спасибо за обновление, это здорово. Более ранние выпуски были только для Windows (я знаю, что 3.1 была, но, возможно, и более поздние версии). К сожалению, страница загрузки не содержит ссылок на нее, но я вижу PPA, содержащий ее, а также пакет homebrew.
—
scw
SAGA имеет несколько методов заполнения
http://www.saga-gis.org/saga_modules_doc/ta_preprocessor/index.html
Плоская
раковина обнаружения Дренажная трасса
Снятие раковины обнаружения заполнения
Заполните раковины (Planchon / Darboux, 2001)
Заполните раковины (Wang & Liu)
Заполните раковины XXL (Wang & Liu)
Обратите внимание, что метод Planchon & Darboux (2001) дает те же результаты, что и Wang & Liu (2006), только намного, намного медленнее. Никто не должен использовать P & D, если есть альтернатива. Barnes (2014), Zhou (2016) и Wei (2018) улучшают скорость Wang & Liu (2006), коллективно достигая ускорения в 6 и более раз.
—
Ричард
На самом деле это область активных исследований для меня.
Вы можете использовать алгоритм Priority-Flood, как описано в этой журнальной статье, которая также доступна на arXiv. Это позволяет заполнять депрессии за O (n log n) для данных с плавающей запятой и O (n) для целочисленных данных. Исходный код доступен здесь .
Вышеупомянутый алгоритм является последовательным и хорошо работает до ста миллионов ячеек или около того. Иногда, однако, ваши наборы данных больше.
В этой статье , также доступной на arXiv , описан алгоритм с отличным масштабированием, подходящий для наборов данных, содержащих до триллиона и более ячеек. Источник доступен здесь .
Все вышеперечисленное теперь включено в оболочку Python RichDEM . Документация с примерами и красивыми картинками доступна здесь .
(Отказ от ответственности: я написал статьи и код, упомянутые выше.)
Да, есть. Я еще не проверял, но я пробежал глазами по исходному коду. Кажется, хорошая программа.
Landserf (бесплатно для использования) - Нажмите, чтобы перейти на домашнюю страницу
Я использовал это, и люблю это.
Я также думаю, что алгоритмы гораздо более точны в Ландсерфе, чем в Арке, очень математические расчеты используются, и Джо Вуд перечисляет математические вычисления, использованные для его анализа.