Rasgele fakat inandırıcı dijital yükseklik modeli üretiliyor mu? [kapalı]

Daha fazla mekansal analiz için ArcGIS Masaüstüne beslenecek bir program veya başka şekilde bir DEM oluşturmanın bir yolu var mı?

Belki de bunun daha küçük artımlı adımlara ayrılması gerekir:

1. Izgara oluştur
2. Izgarayı aşağıdaki değerlerle doldurun: 0 > value < maxElevation
3. Komşu hücreler: (x1-x2) < maxSlope

Bazı iyi bilgiler için bu sayfayı deneyin veya okuyun. ve ikinci bağlantı size rasgele dijital yükseklik modelinin yolunu göstermektedir.

1. Sayısal ve Bilimsel Python ve Veri Görselleştirme
2. yükselti / yükseklik alanı gdal numpy python oluşturma

Bunun için fraktalları kullanabilirsiniz: .

Fraktal boyut d = 2.0005 (sol: yükseklik haritası, sağ: görünüş haritası), fraktal boyut d = 2.90 olan alt satır (sol: yükseklik haritası, sağ: görünüş haritası) ile oluşturulmuştur. GRASS GIS'ten r.surf.fractal'ı kullandım . Sonra yapay DEM'i GeoTIFF'e r.out.gdal (veya GUI) ile dışa aktarın.

Ayrıca, mevcut bir gerçek DEM'in rastgele parçasını alan bir senaryoya sahip olmayı da düşünebilirsiniz.

İşte vterrain.org'daki arazi oluşturma algoritmaları ve yazılımları için harika bir kaynak: http://vterrain.org/Elevation/Artificial/

Rasgele bir rasterine otomatik korelasyon eklemek için Gauss Kernel'i kullanan bir R çözümü. Yine de, @ markusN tarafından önerilen GRASS r.surf.fractal fonksiyonunun en iyi yaklaşım gibi göründüğünü söylemeliyim.

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")

Bazı rastgele fraktal arazi oluşturmak için Perlin sesini kullanmayı deneyebilirsiniz . Stackoverflow'taki bu cevap Python'a başlamanın bir yolunu açıklıyor. İşin hilesi değil çok gürültülü ızgaranın çok küçük bir alanı yakınlaştırmak olacaktır çok düzensiz görünümlü.

libnoise size ne istediğinizi verir. Büyük olasılıkla bir dereceye kadar özelleştirmek zorunda kalacaksınız. 'Karmaşık gezegensel yüzey' örneğini kontrol edin.

libnoise, tutarlı bir şekilde değişen bir tür gürültü olan tutarlı bir gürültü üretmek için kullanılan taşınabilir bir C ++ kütüphanesidir. Libnoise, Perlin gürültüsü, dağılmış çok çekirdekli gürültü ve diğer tutarlı gürültü türlerini üretebilir.

Tutarlı gürültü genellikle grafik programcılar tarafından doğal görünümlü dokular, gezegensel arazi ve diğer şeyler üretmek için kullanılır. Yukarıda gösterilen dağ manzarası, libnoise tarafından üretilen bir arazi dosyasıyla Terragen'de gösterildi. Ayrıca, kütüphanenin yapabileceği diğer bazı örnekleri de görüntüleyebilirsiniz.

Libnoise, tutarlı gürültü jeneratörleri, gürültü modülleri adı verilen sınıflarda kapsüllenir. Çok çeşitli gürültü modülleri vardır. Bazı gürültü modülleri, diğer gürültü modüllerinin çıkışlarını çeşitli şekillerde birleştirebilir veya değiştirebilir; Çok karmaşık bir tutarlı gürültü oluşturmak için bu modülleri birleştirebilirsiniz.

Bu kod, hemen hemen herhangi bir sayıda satır ve sütundan oluşan bir "Tepe eğimi" DEM oluşturmak için kullanılabilir:

# 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)