自然地形在游戏场景、影视特效、地理仿真等领域的应用越来越普遍。无论是开放世界中的雪山峡谷，还是虚拟制片里的河流冲积平原，逼真的地形细节往往决定了一个场景的沉浸感。手动在3D建模软件中雕刻地形需要耗费大量时间，而且很难保证不同区域之间的自然过渡。程序化生成结合AI算法提供了一条更高效的路径：让计算机通过噪声函数、物理侵蚀模拟或深度学习模型自动产出山川、河流与峡谷。本文将从基础噪声合成开始，逐步深入水力侵蚀模型，最后对比深度学习方法，给出可落地的技术方案。
从噪声到山脉：程序化地形生成基础
地形生成最常用的数据结构是高度图。高度图本质上是一张灰度图片，每个像素的灰度值代表该位置的地表海拔。生成山脉的第一步是构造一个连续且具有多尺度细节的高度场。Perlin噪声是这一类需求的首选工具。它由Ken Perlin在1983年提出，能够生成在空间上连续且无明显重复的随机值分布。单层Perlin噪声的起伏比较平缓，适合表现丘陵，但无法直接形成尖锐的山脊。
为了模拟真实山脉的多级细节，通常采用分形布朗运动，也就是fBm。fBm的核心思想是将多个不同频率和振幅的Perlin噪声叠加在一起。每一层噪声的频率翻倍，振幅减半，这样高频噪声负责小尺度凹凸，低频噪声负责大尺度轮廓。下面是一段Python实现，使用numpy和自定义的简单Perlin噪声函数，通过fBm合成一个基本的地形高度图。
import numpy as np
def perlin_noise_2d(shape, res):
# 简化的价值噪声，仅用于演示fBm叠加原理
def f(t):
return 6*t**5 - 15*t**4 + 10*t**3
delta = (res[0] / shape[0], res[1] / shape[1])
d = (shape[0] // res[0], shape[1] // res[1])
grid = np.mgrid[0:res[0]:delta[0], 0:res[1]:delta[1]].transpose(1, 2, 0) % 1
angles = 2 * np.pi * np.random.rand(res[0]+1, res[1]+1)
grad = np.dstack((np.cos(angles), np.sin(angles)))
g00 = grad[0:-1, 0:-1].repeat(d[0], 0).repeat(d[1], 1)
g10 = grad[1:, 0:-1].repeat(d[0], 0).repeat(d[1], 1)
g01 = grad[0:-1, 1:].repeat(d[0], 0).repeat(d[1], 1)
g11 = grad[1:, 1:].repeat(d[0], 0).repeat(d[1], 1)
n00 = np.sum(g00 * grid, axis=2)
n10 = np.sum(g10 * (grid - np.array([1, 0])), axis=2)
n01 = np.sum(g01 * (grid - np.array([0, 1])), axis=2)
n11 = np.sum(g11 * (grid - np.array([1, 1])), axis=2)
t = f(grid)
n0 = n00 * (1 - t[:, :, 0]) + t[:, :, 0] * n10
n1 = n01 * (1 - t[:, :, 0]) + t[:, :, 0] * n11
return (n0 * (1 - t[:, :, 1]) + t[:, :, 1] * n1)
def fbm(shape, octaves=6, persistence=0.5, lacunarity=2.0):
height = np.zeros(shape)
amplitude = 1.0
frequency = 1.0
max_value = 0.0
for _ in range(octaves):
res = (int(shape[0] * frequency) + 1, int(shape[1] * frequency) + 1)
height += amplitude * perlin_noise_2d(shape, res)
max_value += amplitude
amplitude *= persistence
frequency *= lacunarity
return height / max_value
这段代码生成的fBm高度图已经能够表现出山脉的大致轮廓，但缺点也很明显：它只依赖随机噪声，缺少河流切割形成的V形谷、山脊两侧的不对称性以及冲积扇等地貌特征。换句话说，噪声地形在宏观上像山，但微观上缺乏真实地形的演变痕迹。要让峡谷和河流自然出现在地形中，必须引入物理过程模拟。
河流与峡谷的塑造：水力侵蚀模拟
真实地形中的峡谷几乎全部由流水侵蚀形成。模拟水力侵蚀需要在高度图上执行一个迭代过程：每一轮先根据当前地形计算水流方向，然后让水流携带沉积物沿坡面运动，在坡度陡的地方下切，在坡度缓的地方沉积。其中最关键的一步是流向计算。D8算法是最简单也最常用的流向模型，它把每个网格单元的水流方向限定为周围8个相邻单元中坡度最陡的一个。
在实现时，可以维护两个数组：一个是水量分布，一个是沉积物含量。每个迭代步骤中，先根据高度图计算每个单元的流向，然后模拟降雨，让每个单元获得少量水量，最后按照流向把水量和沉积物向下游传递。对于每个单元，如果水量携带的沉积物超过其搬运能力，多余的沉积物就会沉积下来抬高地形；如果水量还有剩余搬运能力，就会从地表侵蚀掉一部分物质，降低地形高度。这个过程反复执行数百次，河流会逐渐下切形成沟谷，沟谷两侧因坡面侵蚀后退，最终演化成峡谷。下面给出一个简化版的侵蚀迭代代码。
def erode_terrain(height, iterations=200, rain_amount=0.01, erosion_rate=0.01, deposition_rate=0.005, capacity_factor=2.0):
rows, cols = height.shape
water = np.zeros_like(height)
sediment = np.zeros_like(height)
for _ in range(iterations):
# 1. 降雨
water += rain_amount
# 2. 计算D8流向，仅演示简化逻辑：向下坡移动水量
new_water = np.zeros_like(water)
new_sediment = np.zeros_like(sediment)
for i in range(1, rows-1):
for j in range(1, cols-1):
current_h = height[i, j]
min_h = current_h
di, dj = 0, 0
for ni, nj in [(i-1,j),(i+1,j),(i,j-1),(i,j+1),(i-1,j-1),(i-1,j+1),(i+1,j-1),(i+1,j+1)]:
if height[ni, nj] < min_h:
min_h = height[ni, nj]
di, dj = ni-i, nj-j
if di != 0 or dj != 0:
transfer = water[i, j] * 0.5 # 一半水量流向下游
new_water[i+di, j+dj] += transfer
new_water[i, j] -= transfer
sed_transfer = sediment[i, j] * 0.5
new_sediment[i+di, j+dj] += sed_transfer
new_sediment[i, j] -= sed_transfer
water += new_water
sediment += new_sediment
# 3. 侵蚀与沉积
for i in range(1, rows-1):
for j in range(1, cols-1):
slope = 0.0
for ni, nj in [(i-1,j),(i+1,j),(i,j-1),(i,j+1)]:
slope = max(slope, height[i, j] - height[ni, nj])
capacity = capacity_factor * water[i, j] * slope
if sediment[i, j] > capacity:
excess = sediment[i, j] - capacity
height[i, j] += excess * deposition_rate
sediment[i, j] -= excess
else:
deficit = capacity - sediment[i, j]
eroded = min(deficit * erosion_rate, height[i, j] * 0.1)
height[i, j] -= eroded
sediment[i, j] += eroded
return height
上述代码只是概念演示，实际工程中还需要处理边界条件、水流加速效应、坡度限制等问题。但即便这样简化，经过几百次迭代后，原本平滑的噪声地形也会出现明显的沟壑与山脊。峡谷的深度和形态可以通过调节侵蚀率、降雨量和迭代次数来控制。例如增大侵蚀率会让河流下切更快，形成深邃的V形谷；减小沉积率则会让山坡更陡峭。这种基于物理模拟的方法生成的峡谷具有自然流域的拓扑结构，这是纯噪声方法无法做到的。
需要注意的是，D8算法虽然简单，但在平坦区域容易形成平行水流，导致不自然的河道分布。更高级的算法如D-infinity或者多流向算法可以改善这个问题，但计算成本也会相应增加。在游戏开发中，如果地形尺寸不大，D8配合适当的随机扰动通常已经足够。此外，还可以结合构造隆升模拟，先让部分区域抬升，再让侵蚀作用于隆升区域，这样能生成类似喜马拉雅山脉那样年轻而陡峭的峡谷地貌。
深度学习方案与工程落地的权衡
近年来，基于深度学习的图像生成模型也被用于地形生成。生成对抗网络和扩散模型可以从大量真实地形数据中学习到山川、河流与峡谷的统计分布，然后根据随机噪声或条件输入生成新的高度图。这类方法的优势在于能够捕捉到非常复杂的地形模式，例如蜿蜒河道的曲流、冲积扇的扇形结构，以及不同气候条件下的侵蚀特征。一个典型的做法是使用条件GAN，以低分辨率的地形轮廓作为条件，生成高分辨率的地形细节。
然而，深度学习方案在实际工程中面临几个突出问题。首先是数据获取困难：真实的高精度地形数据虽然可以从卫星遥感获得，但带标注的、具有明确地质成因分类的数据集很少。其次是可控性差：如果项目需要指定某一区域必须出现峡谷而其他区域保持平坦，基于GAN的模型很难精确满足这种局部约束。第三是物理一致性不足：神经网络生成的图像可能看起来像峡谷，但水流方向、流域边界等物理属性不一定合理，当后续需要在其上运行流体仿真时会出现问题。程序化方法虽然细节不如深度学习丰富，但每一步都基于明确的物理规则，可控性和可解释性更强。
在实际项目中，比较务实的做法是将两者结合。先用程序化方法生成大尺度的地形骨架，包括山脉位置、主要河流路径和峡谷分布，然后使用深度学习模型进行细节增强，例如在程序化结果的基础上超分辨率生成更精细的岩石纹理和微小沟壑。另外，扩散模型可以作为程序化侵蚀模拟的加速器，用训练好的网络直接预测数百次侵蚀迭代后的结果，从而在保持物理合理性的同时大幅缩短生成时间。对于大多数游戏和仿真项目，纯程序化方法配合精心调参已经能够满足需求，深度学习更适合作为高级工具用于需要极致真实感的影视级资产生产。
最终选择哪种技术路线，取决于项目的性能预算、美术风格要求和物理仿真需求。如果只是远距离观看的地形背景，fBm噪声加一层简单的侵蚀就足够了；如果需要近距离特写且带有流体交互，必须投入精力实现完整的水力侵蚀模拟；如果有大量地形样本可供学习，并且对生成速度要求不高，深度学习模型值得尝试。理解每种方法背后的原理，才能根据具体场景做出合适的取舍。