Генерация случайной, но правдоподобной цифровой модели рельефа? [закрыто]

Есть ли способ сгенерировать ЦМР, программно или иным образом, который будет поступать в ArcGIS Desktop для дальнейшего пространственного анализа?

Возможно, это нужно разбить на более мелкие пошаговые шаги:

1. Создать сетку
2. Заполните сетку значениями где: 0 > value < maxElevation
3. Соседние клетки: (x1-x2) < maxSlope

Попробуйте или прочитайте эту страницу для получения полезной информации. и вторая ссылка показывает вам случайную цифровую модель элеватина.

1. Числовой и научный Python и визуализация данных
2. создание поля высот / высоты gdal numpy python

Вы можете использовать фракталы для этого: .

Верхний ряд был создан с фрактальной размерностью d = 2.0005 (слева: карта высот, справа: карта аспекта), нижний ряд с фрактальной размерностью d = 2.90 (слева: карта высот, справа: карта аспекта). Я использовал r.surf.fractal из GRASS GIS. Затем просто экспортируйте искусственную матрицу высот с помощью r.out.gdal (или GUI) в GeoTIFF.

Вы также можете рассмотреть возможность использования сценария, который принимает случайную часть существующей реальной матрицы высот.

Вот отличный ресурс по алгоритмам генерации рельефа и программному обеспечению на vterrain.org: http://vterrain.org/Elevation/Artificial/

Вот решение R, использующее ядро ​​Гаусса для добавления автокорреляции к случайному растру. Хотя, я должен сказать, что функция GRASS r.surf.fractal, предложенная @markusN, кажется лучшим подходом.

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")

Вы можете попробовать использовать шум Перлина для создания некоторого случайного фрактального ландшафта. Этот ответ на Stackoverflow объясняет, как вы можете начать работу с Python. Хитрость в том, чтобы увеличить на очень небольшой площади шумной сетки , так что это не слишком нерегулярно смотреть.

libnoise дает вам то, что вы хотите. Вам, вероятно, придется настроить его в некоторой степени. Проверьте пример «сложной планетарной поверхности».

libnoise - это переносимая библиотека C ++, которая используется для генерации когерентного шума, типа плавно изменяющегося шума. libnoise может генерировать шум Перлина, шум мультифрактального гребня и другие виды когерентного шума.

Когерентный шум часто используется графическими программистами для создания естественно выглядящих текстур, планетарного ландшафта и других вещей. Горная сцена, показанная выше, была отрисована в Террагене с помощью файла ландшафта, сгенерированного libnoise. Вы также можете посмотреть другие примеры того, что может делать libnoise.

В libnoise генераторы когерентного шума инкапсулированы в классы, называемые шумовыми модулями. Существует много разных типов шумовых модулей. Некоторые шумовые модули могут комбинировать или модифицировать выходы других шумовых модулей различными способами; Вы можете объединить эти модули вместе для создания очень сложного когерентного шума.

Этот код может быть использован для создания матрицы высот «наклона холма», состоящей из практически любого числа строк и столбцов:

# 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)