← Back to branch summary

~ubuntu-branches/ubuntu/vivid/grass/vivid-proposed

« back to all changes in this revision

Viewing changes to raster/r.random.surface/description.html

  • Committer: Package Import Robot
  • Author(s): Bas Couwenberg
  • Date: 2015-02-20 23:12:08 UTC
  • mfrom: (8.2.6 experimental)
  • Revision ID: package-import@ubuntu.com-20150220231208-1u6qvqm84v430b10
Tags: 7.0.0-1~exp1
* New upstream release.
* Update python-ctypes-ternary.patch to use if/else instead of and/or.
* Drop check4dev patch, rely on upstream check.
* Add build dependency on libpq-dev to grass-dev for libpq-fe.h.
* Drop patches applied upstream, refresh remaining patches.
* Update symlinks for images switched from jpg to png.

Show diffs side-by-side

added added

removed removed

Lines of Context:
raster/r.random.surface/description.html
1
 
<h2>DESCRIPTION</h2>
2
 
 
3
 
<em>r.random.surface</em> generates a spatially dependent random surface. 
4
 
The random surface is composed of values representing the deviation from the
5
 
mean of the initial random values driving the algorithm. The initial random
6
 
values are independent Gaussian random deviates with a mean of 0 and
7
 
standard deviation of 1. The initial values are spread over each output map
8
 
using filter(s) of diameter distance.  The influence of each random value on
9
 
nearby cells is determined by a distance decay function based on exponent.
10
 
If multiple filters are passed over the output maps, each filter is given a
11
 
weight based on the weight inputs.  The resulting random surface can have
12
 
<em>any</em> mean and variance, but the theoretical mean of an infinitely
13
 
large map is 0.0 and a variance of 1.0. Description of the algorithm is in
14
 
the <b>NOTES</b> section.
15
 
 
16
 
<p>
17
 
The random surface generated are composed of floating point numbers, and
18
 
saved in the category description files of the output map(s).  Cell values
19
 
are uniformly or normally distributed between 1 and high values inclusive
20
 
(determined by whether the <b>-u</b> flag is used). The category names
21
 
indicate the average floating point value and the range of floating point
22
 
values that each cell value represents.
23
 
 
24
 
<p>
25
 
<em>r.random.surface's</em> original goal is to generate random fields for
26
 
spatial error modeling. A procedure to use <em>r.random.surface</em> in
27
 
spatial error modeling is given in the <b>NOTES</b> section.
28
 
 
29
 
<h3>Detailed parameter description</h3>
30
 
<dl>
31
 
<dt><b>output</b></dt>
32
 
<dd>Random surface(s). The cell values are a random distribution
33
 
between the low and high values inclusive.  The category values of the
34
 
output map(s) are in the form <em>#.# #.# to #.#</em> where each #.#
35
 
is a floating point number. The first number is the average of the
36
 
random values the cell value represents. The other two numbers are the
37
 
range of random values for that cell value. The <em>average</em> mean
38
 
value of generated <tt>output</tt> map(s) is 0. The <em>average</em>
39
 
variance of map(s) generated is 1. The random values represent the
40
 
standard deviation from the mean of that random surface.</dd>
41
 
 
42
 
<dt><b>distance</b></dt>
43
 
<dd>Distance determines the spatial dependence of the output
44
 
map(s). The distance value indicates the minimum distance at which two
45
 
map cells have no relationship to each other. A distance value of 0.0
46
 
indicates that there is no spatial dependence (i.e., adjacent cell
47
 
values have no relationship to each other). As the distance value
48
 
increases, adjacent cell values will have values closer to each
49
 
other. But the range and distribution of cell values over the output
50
 
map(s) will remain the same.  Visually, the clumps of lower and higher
51
 
values gets larger as distance increases. If multiple values are
52
 
given, each output map will have multiple filters, one for each set of
53
 
distance, exponent, and weight values.</dd>
54
 
 
55
 
<dt><b>exponent</b></dt>
56
 
<dd>Exponent determines the distance decay exponent for a particular
57
 
filter. The exponent value(s) have the property of determining
58
 
the <em>texture</em> of the random surface. Texture will decrease as
59
 
the exponent value(s) get closer to 1.0. Normally, exponent will be
60
 
1.0 or less. If there are no exponent values given, each filter will
61
 
be given an exponent value of 1.0. If there is at least one exponent
62
 
value given, there must be one exponent value for each distance value.</dd>
63
 
 
64
 
<dt><b>flat</b></dt>
65
 
<dd>Flat determines the distance at which the filter.</dd>
66
 
 
67
 
<dt><b>weight</b></dt>
68
 
<dd>Weight determines the relative importance of each filter. For
69
 
example, if there were two filters driving the algorithm and
70
 
weight=1.0, 2.0 was given in the command line: The second filter would
71
 
be twice as important as the first filter. If no weight values are
72
 
given, each filter will be just as important as the other filters
73
 
defining the random field. If weight values exist, there must be a
74
 
weight value for each filter of the random field.</dd>
75
 
 
76
 
<dt><b>high</b></dt>
77
 
<dd>Specifies the high end of the range of cell values in the output
78
 
map(s). Specifying a very large high value will minimize
79
 
the <em>errors</em> caused by the random surface's discretization. The
80
 
word errors is in quotes because errors in discretization are often
81
 
going to cancel each other out and the spatial statistics are far more
82
 
sensitive to the initial independent random deviates than any
83
 
potential discretization errors.</dd>
84
 
 
85
 
<dt><b>seed</b></dt>
86
 
<dd>Specifies the random seed(s), one for each map,
87
 
that <em>r.random.surface</em> will use to generate the initial set of
88
 
random values that the resulting map is based on. If the random seed
89
 
is not given, <em>r.random.surface</em> will get a seed from the
90
 
process ID number.</dd>
91
 
 
92
 
</dl>
93
 
 
94
 
<h2>NOTES</h2>
95
 
 
96
 
While most literature uses the term random field instead of random surface,
97
 
this algorithm always generates a surface. Thus, its use of random surface.
98
 
 
99
 
<p>
100
 
<em>r.random.surface</em> builds the random surface using a filter algorithm
101
 
smoothing a map of independent random deviates. The size of the filter is
102
 
determined by the largest distance of spatial dependence. The shape of the
103
 
filter is determined by the distance decay exponent(s), and the various
104
 
weights if different sets of spatial parameters are used. The map of
105
 
independent random deviates will be as large as the current region PLUS the
106
 
extent of the filter. This will eliminate edge effects caused by the
107
 
reduction of degrees of freedom. The map of independent random deviates will
108
 
ignore the current mask for the same reason.
109
 
 
110
 
<p>
111
 
One of the most important uses for <em>r.random.surface</em> is to determine
112
 
how the error inherent in raster maps might effect the analyses done with
113
 
those maps.
114
 
 
115
 
<h2>REFERENCES</h2>
116
 
Random Field Software for GRASS by Chuck Ehlschlaeger
117
 
 
118
 
<p>
119
 
  As part of my dissertation, I put together several programs that help
120
 
GRASS (4.1 and beyond) develop uncertainty models of spatial data. I hope
121
 
you find it useful and dependable. The following papers might clarify their
122
 
use:
123
 
 
124
 
<ul>
125
 
<li> Ehlschlaeger, C.R., Shortridge, A.M., Goodchild, M.F., 1997. 
126
 
 Visualizing spatial data uncertainty using animation. 
127
 
 Computers & Geosciences 23, 387-395. doi:10.1016/S0098-3004(97)00005-8</li>
128
 
 
129
 
<li><a href="http://www.geo.hunter.cuny.edu/~chuck/paper.html">Modeling
130
 
Uncertainty in Elevation Data for Geographical Analysis</a>, by
131
 
Charles R. Ehlschlaeger, and Ashton M.  Shortridge. Proceedings of the
132
 
7th International Symposium on Spatial Data Handling, Delft,
133
 
Netherlands, August 1996.</li>
134
 
 
135
 
<li><a href="http://www.geo.hunter.cuny.edu/~chuck/acm/paper.html">Dealing
136
 
with Uncertainty in Categorical Coverage Maps: Defining, Visualizing,
137
 
and Managing Data Errors</a>, by Charles Ehlschlaeger and Michael
138
 
Goodchild.  Proceedings, Workshop on Geographic Information Systems at
139
 
the Conference on Information and Knowledge Management, Gaithersburg
140
 
MD, 1994.</li>
141
 
 
142
 
<li><a href="http://www.geo.hunter.cuny.edu/~chuck/gislis/gislis.html">Uncertainty
143
 
in Spatial Data: Defining, Visualizing, and Managing Data
144
 
Errors</a>, by Charles Ehlschlaeger and Michael
145
 
Goodchild. Proceedings, GIS/LIS'94, pp. 246-253, Phoenix AZ,
146
 
1994.</li>
147
 
</ul>
148
 
 
149
 
<h2>SEE ALSO</h2>
150
 
 
151
 
<em>
152
 
  <a href="r.random.html">r.random</a>, 
153
 
  <a href="r.random.cell.html">r.random.cell</a>, 
154
 
  <a href="r.mapcalc.html">r.mapcalc</a>
155
 
</em>
156
 
 
157
 
<h2>AUTHORS</h2>
158
 
Charles Ehlschlaeger, Michael Goodchild, and Chih-chang Lin; National Center
159
 
for Geographic Information and Analysis, University of California, Santa
160
 
Barbara.
161
 
 
162
 
<p>
163
 
<i>Last changed: $Date: 2011-10-07 21:53:04 +0200 (Fri, 07 Oct 2011) $</i>