Gerando modelo de elevação digital aleatório, mas crível? [fechadas]

Existe uma maneira de gerar um DEM, programaticamente ou não, que será alimentado no ArcGIS Desktop para análises espaciais adicionais?

Talvez isso precise ser dividido em etapas incrementais menores:

1. Gere uma grade
2. Preencha a grade com os valores em que: 0 > value < maxElevation
3. Células vizinhas: (x1-x2) < maxSlope

Tente ou leia esta página para obter boas informações. e o segundo link mostra o caminho do modelo digital aleatório de elevação.

1. Visualização numérica e científica de Python e dados
2. criando elevação / altura campo gdal numpy python

Você pode usar fractais para isso: .

A linha superior foi gerada com a dimensão fractal d = 2.0005 (esquerda: mapa de elevação, direita: mapa de aspectos), a linha inferior com dimensão fractal d = 2.90 (esquerda: mapa de elevação, direita: mapa de aspectos). Eu usei o r.surf.fractal do GRASS GIS. Em seguida, basta exportar o DEM artificial com r.out.gdal (ou a GUI) para o GeoTIFF.

Você também pode considerar ter um script que faça parte aleatória de um DEM real existente.

Aqui está um ótimo recurso sobre algoritmos e software de geração de terreno em vterrain.org: http://vterrain.org/Elevation/Artificial/

Aqui está uma solução R usando um Kernel Gaussiano para adicionar correlação automática a uma varredura aleatória. No entanto, devo dizer que a função GRASS r.surf.fractal, sugerida por @markusN, parece ser a melhor abordagem.

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")

Você pode tentar usar o ruído Perlin para criar algum terreno fractal aleatório. Esta resposta no Stackoverflow explica uma maneira de começar no Python. O truque seria aumentar o zoom em uma área muito pequena da grade barulhenta, para não parecer muito irregular.

libnoise dá o que você deseja. Você provavelmente precisará personalizá-lo até certo ponto. Veja o exemplo da 'superfície planetária complexa'.

libnoise é uma biblioteca C ++ portátil usada para gerar ruído coerente, um tipo de ruído que muda suavemente. libnoise pode gerar ruído Perlin, ruído multifractal estriado e outros tipos de ruído coerente.

O ruído coerente é frequentemente usado pelos programadores gráficos para gerar texturas com aparência natural, terreno planetário e outras coisas. A cena da montanha mostrada acima foi renderizada em Terragen com um arquivo de terreno gerado por libnoise. Você também pode ver alguns outros exemplos do que o libnoise pode fazer.

Em libnoise, geradores de ruído coerente são encapsulados em classes chamadas módulos de ruído. Existem muitos tipos diferentes de módulos de ruído. Alguns módulos de ruído podem combinar ou modificar as saídas de outros módulos de ruído de várias maneiras; você pode unir esses módulos para gerar um ruído coerente muito complexo.

Esse código pode ser usado para criar um DEM "Hill Slope" de praticamente qualquer número de linhas e colunas:

# 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)