Zufälliges, aber glaubwürdiges digitales Höhenmodell erstellen? [geschlossen]

Gibt es eine Möglichkeit, programmgesteuert oder auf andere Weise ein DEM zu generieren, das zur weiteren räumlichen Analyse in ArcGIS Desktop eingespeist wird?

Möglicherweise muss dies in kleinere inkrementelle Schritte unterteilt werden:

1. Erstellen Sie ein Raster
2. Füllen Sie das Raster mit Werten, bei denen: 0 > value < maxElevation
3. Nachbarzellen: (x1-x2) < maxSlope

Versuchen Sie oder lesen Sie diese Seite für einige gute Informationen. und zweiter link zeigen ihnen den weg des zufälligen digitalen höhenmodells.

1. Numerische und wissenschaftliche Python- und Datenvisualisierung
2. Erstellen von Höhen- / Höhenfeldern GDAL Numpy Python

Sie können Fraktale für diese verwenden: .

Die obere Zeile wurde mit der fraktalen Dimension d = 2.0005 (links: Höhenkarte, rechts: Aspektkarte), die untere Zeile mit der fraktalen Dimension d = 2.90 (links: Höhenkarte, rechts: Aspektkarte) erzeugt. Ich habe r.surf.fractal von GRASS GIS verwendet. Dann exportieren Sie einfach das künstliche DEM mit r.out.gdal (oder der GUI) nach GeoTIFF.

Sie können auch ein Skript verwenden, das einen zufälligen Teil eines vorhandenen realen DEM übernimmt.

Hier finden Sie eine großartige Ressource zu Algorithmen und Software für die Geländegenerierung auf vterrain.org: http://vterrain.org/Elevation/Artificial/

Hier ist eine R-Lösung, die einen Gaußschen Kern verwendet, um einem zufälligen Raster eine Autokorrelation hinzuzufügen. Obwohl ich sagen muss, dass die von @markusN vorgeschlagene Funktion GRASS r.surf.fractal der beste Ansatz ist.

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")

Sie können versuchen, Perlin-Rauschen zu verwenden, um ein zufälliges fraktales Terrain zu erstellen. Diese Antwort auf Stackoverflow erklärt, wie Sie in Python beginnen können. Der Trick wäre, in einen sehr kleinen Bereich des verrauschten Gitters hineinzuzoomen, damit es nicht zu unregelmäßig aussieht.

libnoise gibt dir was du willst. Sie müssen es wahrscheinlich bis zu einem gewissen Grad anpassen. Überprüfen Sie das Beispiel 'Komplexe Planetenoberfläche'.

libnoise ist eine portable C ++ - Bibliothek, mit der kohärentes Rauschen erzeugt wird, eine Art sich sanft änderndes Rauschen. libnoise kann Perlin-Rauschen, geriffeltes multifraktales Rauschen und andere Arten von kohärentem Rauschen erzeugen.

Kohärentes Rauschen wird häufig von Grafikprogrammierern verwendet, um natürlich aussehende Texturen, planetares Terrain und andere Dinge zu erzeugen. Die oben gezeigte Bergszene wurde in Terragen mit einer von libnoise erzeugten Geländedatei gerendert. Sie können auch einige andere Beispiele für die Funktionsweise von libnoise anzeigen.

In libnoise werden kohärente Rauschgeneratoren in Klassen eingekapselt, die als Rauschmodule bezeichnet werden. Es gibt viele verschiedene Arten von Rauschmodulen. Einige Rauschmodule können die Ausgänge anderer Rauschmodule auf verschiedene Arten kombinieren oder modifizieren. Sie können diese Module zusammenfügen, um ein sehr komplexes kohärentes Rauschen zu erzeugen.

Dieser Code kann verwendet werden, um ein "Hill Slope" -DM mit nahezu beliebig vielen Zeilen und Spalten zu erstellen:

# 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)