地球科学领域开源python包 #2

本文收集了地球科学领域常用的开源Python软件包，涵盖包括地球物理学、地球化学、地质学、气候科学、海洋科学等地球科学领域。这是该系列资源的第二篇推送，第一篇内容在此处：地球科学领域开源python包#1。

Verde**:** 是一个基于机器学习方法处理地形、点云、水深、地球物理等空间数据，并在二维表面上进行插值（即网格划分）的Python库。Verde 实现了与scikit-learn 库类似的接口，提供了经常与插值相结合使用的其他分析方法，如趋势去除、阻塞/窗口操作、交叉验证等！https://www.fatiando.org/verde

使用verde.BlockMean对数据进行去量化，并在插值过程中使用基于数据不确定性的权重

Harmonica**:** 是一个用于重力和磁力数据处理与建模的 Python 库。它包括常用的处理步骤，如计算布格和地形修正、还原到极点、向上延续、等效源等。还有用于基本几何形状的前向建模函数，如点源、棱镜和魔方。https://www.fatiando.org/harmonica

scikit-learn: 是一个开源的基于python语言的机器学习工具包。它通过NumPy, SciPy和Matplotlib等python数值计算的库实现高效的算法应用，并且涵盖了几乎所有主流机器学习算法。尽管 Scikit-learn 并非专门从事地理空间分析，但其多功能性已扩展到空间分析领域。Scikit-learn 可帮助建立用于空间预测、分类和聚类的机器学习模型，并结合空间特征以提高准确性。https://scikit-learn.org/

lidar: 是一个用于在数字高程模型（DEM）中划分地表凹陷的嵌套层次的Python软件包。它尤其适用于分析高分辨率地形数据，例如由光探测与测距（LiDAR）数据生成的 DEM。https://github.com/opengeos/lidar

ParTerra-Python: 融合OpenStreetMap (OSM) 数据和任何基础高程数据集融合在一起，创建高分辨率数字地形模型（DTM）。https://gitlab.com/deltares/parterra/parterra-python

GeoViews: 是一个可视化地理、气象和海洋数据的python库，基于HoloViews库构建，可用于构建灵活的多维数据可视化。GeoViews基于 Cartopy 库添加了一系列地理绘图类型，使用Matplotlib 或Bokeh软件包绘制。有了GeoViews，可以轻松处理大规模多维地理空间数据集，即时可视化其中的任何子集或组合，同时始终能够访问任何绘图背后的原始数据。https://geoviews.org/

Datashader: 高性能和可扩展地对海量数据进行可视化。Datashader 包含一些工具，只需几行代码就能以可组合的方式轻松创建这些管道。Datashader可以单独使用，但也可以作为绘图库的预处理阶段，使绘图库可以处理比原来大得多的数据集。datashader渲染可视化使用Numba以透明方式编译为机器代码，并使用Dask或CUDA在CPU或GPU上灵活分配。这种方法提供了一个高度优化的渲染管道，即使在普通PC上也能处理超大数据集。https://datashader.org/
Leafmap: 是一个用于在Jupyter环境中以最少的编码进行交互式制图和地理空间分析的Python软件包。它是geemap Python软件包的衍生项目，后者是专为与谷歌地球引擎（GEE）协同工作而设计的。然而，并非每个人都能访问GEE云计算平台。Leafmap就是为了填补非 GEE 用户的这一空白而设计的。它是一个免费开源的Python软件包，用户只需在Jupyter环境（如 Google Colab、Jupyter Notebook 和 JupyterLab）中进行少量编码，就能对地理空间数据进行分析和可视化。https://leafmap.org/