Générer un modèle numérique d'élévation aléatoire mais crédible? [fermé]

Existe-t-il un moyen de générer un DEM, par programme ou autrement, qui alimentera ArcGIS Desktop pour une analyse spatiale plus poussée?

Cela doit peut-être être décomposé en étapes plus petites:

1. Générer une grille
2. Remplir la grille avec des valeurs où: 0 > value < maxElevation
3. Cellules voisines: (x1-x2) < maxSlope

Essayez ou lisez cette page pour obtenir de bonnes informations. et le deuxième lien vous montre la voie du modèle numérique élevé d'élévatine.

1. Python numérique et scientifique et visualisation de données
2. création d'un champ altitude / hauteur gdal numpy python

Vous pouvez utiliser Fractales pour cela: .

La ligne supérieure a été générée avec la dimension fractale d = 2.0005 (à gauche: carte d'élévation, à droite: carte d'aspect), la ligne inférieure avec une dimension fractale d = 2,90 (à gauche: carte d'élévation, à droite: carte d'aspect). J'ai utilisé r.surf.fractal de GRASS GIS. Ensuite, exportez simplement le DEM artificiel avec r.out.gdal (ou l'interface graphique) vers GeoTIFF.

Vous pouvez également envisager de créer un script prenant au hasard une partie d’un DEM réel existant.

Voici une excellente ressource sur les algorithmes de génération de terrain et les logiciels sur vterrain.org: http://vterrain.org/Elevation/Artificial/

Voici une solution R utilisant un noyau gaussien pour ajouter une autocorrélation à un raster aléatoire. Bien que, je dois dire que la fonction GRASS r.surf.fractal, suggérée par @markusN, semble être la meilleure approche.

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")

Vous pouvez essayer d’utiliser le bruit Perlin pour créer un terrain fractal aléatoire. Cette réponse sur Stackoverflow explique une manière de commencer à utiliser Python. L'astuce serait de zoomer sur une très petite zone de la grille bruyante pour qu'elle ne soit pas trop irrégulière.

libnoise vous donne ce que vous voulez. Vous devrez probablement le personnaliser dans une certaine mesure. Vérifiez l'exemple de «surface planétaire complexe».

libnoise est une bibliothèque C ++ portable utilisée pour générer du bruit cohérent, un type de bruit à évolution constante. libnoise peut générer du bruit Perlin, du bruit multifractal strié et d'autres types de bruit cohérent.

Les programmeurs graphiques utilisent souvent le bruit cohérent pour générer des textures d'apparence naturelle, un terrain planétaire, etc. La scène montagnarde montrée ci-dessus a été rendue à Terragen avec un fichier de terrain généré par libnoise. Vous pouvez aussi voir d'autres exemples de ce que libnoise peut faire.

En libnoise, les générateurs de bruit cohérent sont encapsulés dans des classes appelées modules de bruit. Il existe de nombreux types de modules de bruit. Certains modules de bruit peuvent combiner ou modifier les sorties d’autres modules de bruit de différentes manières; vous pouvez joindre ces modules pour générer un bruit cohérent très complexe.

Ce code peut être utilisé pour créer un DEM "pente de colline" comprenant à peu près n'importe quel nombre de lignes et de colonnes:

# 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)