ArcGIS pro/ArcGIS 10.6及以上版本的最强工具箱——“WhiteboxTools”(468新功能:GIS分析,水文分析,图像分析,激光雷达分析,数学和统计分析,数据流网络分析和)!

简介: ArcGIS pro/ArcGIS 10.6及以上版本的最强工具箱——“WhiteboxTools”(468新功能:GIS分析,水文分析,图像分析,激光雷达分析,数学和统计分析,数据流网络分析和)!

WhiteboxTools-ArcGIS

用于 WhiteboxTools 的 ArcGIS Python 工具箱。

此存储库与用于 WhiteboxToolsArcGIS Python Toolbox相关,后者是名为WhiteboxTools的独立可执行命令行程序的 ArcGIS 前端。


重要说明:此工具箱仅支持ArcGIS Pro 和 ArcGIS 10.6 或更高版本。不要浪费时间在 ArcGIS 10.5 或更早版本上尝试。


内容

  1. 描述
  2. 安装
  3. 用法
  4. 可用工具
  5. 支持的数据格式
  6. 贡献
  7. 执照
  8. 报告错误
  9. 工具箱截图


介绍

WhiteboxTools-ArcGIS是用于WhiteboxTools的 ArcGIS Python 工具箱,WhiteboxTools是由圭尔夫大学地貌测量学和水文地质学研究组的John Lindsay 教授(网页jblindsay)开发的高级地理空间数据分析平台。WhiteboxTools可用于执行常见的地理信息系统 (GIS) 分析操作,例如成本-距离分析、距离缓冲和栅格重分类。遥感和图像处理任务包括图像增强(例如全色锐化、对比度调整)、图像拼接、大量过滤操作、简单分类(k-means)和常见的图像变换。白盒工具还包含用于空间水文分析(例如流量累积、流域划定、河流网络分析、汇移除)、地形分析(例如常见地形指数,如坡度、曲率、湿度指数、山体阴影;测高分析;多尺度地形)的高级工具位置分析)和激光雷达数据处理。LiDAR 点云可以被查询(LidarInfo、LidarHistogram)、分割、平铺和连接,分析异常值,插值到栅格(DEM,强度图像),并且可以对地面点进行分类或过滤。白盒工具不是制图或空间数据可视化包;相反,它旨在用作其他数据可视化软件(主要是 GIS)的分析后端。建议引用:Lindsay, JB (2016)。Whitebox GAT:地貌测量分析案例研究。计算机与地球科学,95, 75-84。doi:10.1016/j.cageo.2016.07.003


安装过程

第一步:下载工具箱

  1. 单击此页面右上角的绿色按钮(克隆或下载)以将工具箱下载为 zip 文件。
  2. 解压缩下载的 zip 文件。

工具箱下载链接:https://gishub.org/whitebox-arcgis-download

第 2 步:连接到工具箱

  1. 导航到目录窗口树中的文件夹连接节点。
  2. 右键单击该节点并选择Connect To Folder

  3. 键入路径或导航到WhiteboxTools-ArcGIS文件夹,然后单击确定
  4. 浏览工具箱并开始使用其工具。


用法

打开工具箱中的任何工具并开始使用它。查看WhiteboxTools 用户手册,了解每个工具的更详细帮助文档。

用户手册链接:https://www.whiteboxgeo.com/manual/wbt_book/


可用工具

WhiteboxTools库目前包含468种工具,并将它们分配基于每个对它们的主要功能分为以下类别之一:数据工具,GIS分析,水文分析,图像分析,激光雷达分析,数学和统计分析,数据流网络分析和地形分析。有关可用工具的列表以及文档和使用详细信息,请参阅WhiteboxTools 用户手册


支持的数据格式

所述WhiteboxTools库可以目前支持读/写中的光栅数据白盒GAT,的GeoTIFF,ESRI(ArcGIS中)ASCII和二进制(.FLT&.HDR),草GIS,IDRISI,SAGA GIS(二进制和ASCII),和冲浪者7级的数据格式. 该库主要使用 Whitebox 栅格数据集进行测试,如果您在以其他格式读取/写入数据时遇到问题,您应该报告问题。请注意,鉴于保持纯(或尽可能接近)Rust 代码库的设计目标,没有计划在项目中合并第三方库,如GDAL

目前,WhiteboxTools读取矢量地理空间数据的能力有限。库中很快将增强对 Shapefile(和其他常见矢量格式)的支持。

可以以常见的LAS数据格式读取/写入 LiDAR 数据。WhiteboxTools可以使用常见的 DEFLATE 算法读取和写入已压缩(使用 .zip 扩展名压缩)的 LAS 文件。请注意,压缩存档文件中应仅包含 LAS 文件。该库目前不支持压缩的 LiDAR 格式 LAZ 和 ESRI LiDAR 格式。


贡献

如果您想作为开发人员为项目做出贡献,请按照以下说明开始:

  1. Fork WhiteboxTools-ArcGIS 存储库 ( https://github.com/giswqs/WhiteboxTools-ArcGIS )
  2. 创建您的功能分支(git checkout -b my-new-feature)
  3. 提交您的更改(git commit -am '添加一些功能')
  4. 推送到分支(git push origin my-new-feature)
  5. 创建一个新的拉取请求

除非另有明确说明,任何有意提交以包含在作品中的贡献均应作为MIT 许可证获得许可,没有任何附加条款或条件。


执照

WhiteboxToolsArcGIS 工具箱是在MIT 许可下分发的,这是一种宽松的开源(免费软件)许可。


报告错误

ArcGIS Toolbox for WhiteboxTools按原样分发,不保证应用程序的适用性。如果您遇到软件缺陷(即错误),请报告问题。提供错误发生条件的详细描述将有助于识别错误。使用GitHub 上的问题跟踪器报告软件问题并请求功能增强。请不要直接通过电子邮件向吴秋生博士或约翰林赛博士发送错误信息。


工具箱截图

 



相关文章
|
7月前
|
数据采集 监控 网络安全
VMware Cloud Foundation Operations for Networks 9.0.1.0 发布 - 云网络监控与分析
VMware Cloud Foundation Operations for Networks 9.0.1.0 发布 - 云网络监控与分析
463 3
VMware Cloud Foundation Operations for Networks 9.0.1.0 发布 - 云网络监控与分析
|
7月前
|
机器学习/深度学习 大数据 关系型数据库
基于python大数据的青少年网络使用情况分析及预测系统
本研究基于Python大数据技术,构建青少年网络行为分析系统,旨在破解现有防沉迷模式下用户画像模糊、预警滞后等难题。通过整合多平台亿级数据,运用机器学习实现精准行为预测与实时干预,推动数字治理向“数据驱动”转型,为家庭、学校及政府提供科学决策支持,助力青少年健康上网。
|
9月前
|
数据采集 存储 数据可视化
Python网络爬虫在环境保护中的应用:污染源监测数据抓取与分析
在环保领域,数据是决策基础,但分散在多个平台,获取困难。Python网络爬虫技术灵活高效,可自动化抓取空气质量、水质、污染源等数据,实现多平台整合、实时更新、结构化存储与异常预警。本文详解爬虫实战应用,涵盖技术选型、代码实现、反爬策略与数据分析,助力环保数据高效利用。
465 0
|
12月前
|
监控 安全 Linux
Arista CloudVision 2025.1 - 多云和数据中心网络自动化、监控和分析
Arista CloudVision 2025.1 - 多云和数据中心网络自动化、监控和分析
477 2
Arista CloudVision 2025.1 - 多云和数据中心网络自动化、监控和分析
|
运维 监控 安全
如何高效进行网络质量劣化分析与流量回溯分析?-AnaTraf
在数字化时代,网络质量分析与流量回溯对保障业务运行至关重要。网络拥塞、丢包等问题可能导致业务中断、安全隐患及成本上升。传统工具常缺乏细粒度数据,难以溯源问题。流量回溯分析可还原现场,助力精准排障。AnaTraf网络流量分析仪作为专业工具,能高效定位问题,提升团队响应力,降低运营风险。
如何高效进行网络质量劣化分析与流量回溯分析?-AnaTraf
|
大数据
“你朋友圈的真面目,大数据都知道!”——用社交网络分析看透人情世故
“你朋友圈的真面目,大数据都知道!”——用社交网络分析看透人情世故
518 16
|
存储 人工智能 编解码
Deepseek 3FS解读与源码分析(2):网络通信模块分析
2025年2月28日,DeepSeek 正式开源其颠覆性文件系统Fire-Flyer 3FS(以下简称3FS),重新定义了分布式存储的性能边界。本文基于DeepSeek发表的技术报告与开源代码,深度解析 3FS 网络通信模块的核心设计及其对AI基础设施的革新意义。
Deepseek 3FS解读与源码分析(2):网络通信模块分析
|
机器学习/深度学习 运维 自然语言处理
VMware Cloud Foundation Operations for Networks 9.0 发布 - 云网络监控与分析
VMware Cloud Foundation Operations for Networks 9.0 发布 - 云网络监控与分析
162 0
|
机器学习/深度学习 数据可视化 PyTorch
深入解析图神经网络注意力机制:数学原理与可视化实现
本文深入解析了图神经网络(GNNs)中自注意力机制的内部运作原理,通过可视化和数学推导揭示其工作机制。文章采用“位置-转移图”概念框架,并使用NumPy实现代码示例,逐步拆解自注意力层的计算过程。文中详细展示了从节点特征矩阵、邻接矩阵到生成注意力权重的具体步骤,并通过四个类(GAL1至GAL4)模拟了整个计算流程。最终,结合实际PyTorch Geometric库中的代码,对比分析了核心逻辑,为理解GNN自注意力机制提供了清晰的学习路径。
873 7
深入解析图神经网络注意力机制:数学原理与可视化实现
|
机器学习/深度学习 算法 PyTorch
深度强化学习中SAC算法:数学原理、网络架构及其PyTorch实现
软演员-评论家算法(Soft Actor-Critic, SAC)是深度强化学习领域的重要进展,基于最大熵框架优化策略,在探索与利用之间实现动态平衡。SAC通过双Q网络设计和自适应温度参数,提升了训练稳定性和样本效率。本文详细解析了SAC的数学原理、网络架构及PyTorch实现,涵盖演员网络的动作采样与对数概率计算、评论家网络的Q值估计及其损失函数,并介绍了完整的SAC智能体实现流程。SAC在连续动作空间中表现出色,具有高样本效率和稳定的训练过程,适合实际应用场景。
5523 7
深度强化学习中SAC算法:数学原理、网络架构及其PyTorch实现