在这里插入图片描述
如图所示，需要这两个数据：高程点和等高线，重点需要高程值这个字段。
在这里插入图片描述
找到如图位置，3D analyst 下的data management 下的TIN 下的Creat TIN ，创建TIN即可。
在这里插入图片描述
如上图所示，为生成的TIN。
然后通过转换工具转换为栅格DEM数据，
在这里插入图片描述
找到conversion下的from TIN，然后点击TIN to Raster 然后像元大小可以自己设置。
在这里插入图片描述

然后，生成了空间分辨率为10米的DEM数据。

Logo
DAMO开发者矩阵

DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。

更多推荐

基于模型预测控制（MPC）与滚动时域估计（MHE）集成的目标点镇定研究（Matlab代码实现）

本文提出一种“模型预测控制（MPC）+ 滚动时域估计（MHE）”一体化框架，旨在解决在传感器和执行器双重噪声环境下，将移动机器人稳定到指定目标点 xs​ 的问题。与现有研究仅单独考虑状态或控制噪声、且将估计与控制分步求解的做法不同，本文创新性地把传感器噪声和执行器噪声同时纳入联合优化，实现了真正意义上的“估计–控制闭环”。采用多重打靶法将 MPC 问题转化为非线性规划（NLP），并利用 CASAD

avatar DAMO开发者矩阵
cover

bond0配置教程

avatar DAMO开发者矩阵

基于模型预测控制（MPC）与滚动时域估计（MHE）集成的目标点镇定研究（Matlab代码实现）

本文提出一种“模型预测控制（MPC）+ 滚动时域估计（MHE）”一体化框架，旨在解决在传感器和执行器双重噪声环境下，将移动机器人稳定到指定目标点 xs​ 的问题。与现有研究仅单独考虑状态或控制噪声、且将估计与控制分步求解的做法不同，本文创新性地把传感器噪声和执行器噪声同时纳入联合优化，实现了真正意义上的“估计–控制闭环”。采用多重打靶法将 MPC 问题转化为非线性规划（NLP），并利用 CASAD

avatar DAMO开发者矩阵