¿Generando un modelo de elevación digital aleatorio pero creíble? [cerrado]

¿Hay alguna forma de generar un DEM, programáticamente o de otro modo, que se incorpore a ArcGIS Desktop para un análisis espacial adicional?

Quizás esto deba dividirse en pasos incrementales más pequeños:

1. Generar una cuadrícula
2. Rellene la cuadrícula con valores donde: 0 > value < maxElevation
3. Células vecinas: (x1-x2) < maxSlope

Pruebe o lea esta página para obtener buena información. y el segundo enlace muestra el camino del modelo de elevación digital aleatorio.

1. Python numérico y científico y visualización de datos
2. creando campo de elevación / altura gdal numpy python

Puede utilizar fractales para esto: .

La fila superior se generó con la dimensión fractal d = 2.0005 (izquierda: mapa de elevación, derecha: mapa de aspecto), la fila inferior con dimensión fractal d = 2.90 (izquierda: mapa de elevación, derecha: mapa de aspecto). Solía r.surf.fractal de GRASS GIS. Luego, simplemente exporte el DEM artificial con r.out.gdal (o la GUI) a GeoTIFF.

También podría considerar tener un script que tome parte aleatoria de un DEM real existente.

Aquí hay un gran recurso sobre algoritmos y software de generación de terreno en vterrain.org: http://vterrain.org/Elevation/Artificial/

Aquí hay una solución R que usa un kernel gaussiano para agregar autocorrelación a un ráster aleatorio. Aunque, tengo que decir que la función GRASS r.surf.fractal, sugerida por @markusN, parece ser el mejor enfoque.

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")

Podría intentar usar el ruido Perlin para crear un terreno fractal aleatorio. Esta respuesta en Stackoverflow explica una forma en que podría comenzar en Python. El truco sería acercar un área muy pequeña de la cuadrícula ruidosa para que no se vea demasiado irregular.

libnoise te da lo que quieres. Es probable que tenga que personalizarlo hasta cierto punto. Verifique el ejemplo de 'superficie planetaria compleja'.

libnoise es una biblioteca portátil de C ++ que se usa para generar ruido coherente, un tipo de ruido que cambia suavemente. libnoise puede generar ruido de Perlin, ruido multifractal ondulado y otros tipos de ruido coherente.

Los programadores gráficos suelen utilizar el ruido coherente para generar texturas de aspecto natural, terreno planetario y otras cosas. La escena de la montaña que se muestra arriba se renderizó en Terragen con un archivo de terreno generado por libnoise. También puede ver algunos otros ejemplos de lo que puede hacer libnoise.

En libnoise, los generadores de ruido coherente se encapsulan en clases llamadas módulos de ruido. Hay muchos tipos diferentes de módulos de ruido. Algunos módulos de ruido pueden combinar o modificar las salidas de otros módulos de ruido de varias maneras; Puede unir estos módulos para generar un ruido coherente muy complejo.

Este código se puede usar para crear un DEM de "pendiente de la colina" de casi cualquier número de filas y columnas:

# 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)