gma 2 教程（一）概述：2.GMA 安装-CSDN博客

本文链接：https://blog.csdn.net/weixin_42155937/article/details/131483982

依赖环境

系统环境
【操作系统】：64位（amd64）Windows、Linux
【内存】：≥8 GB
Python 环境
【Windows】：3.8.8~3.11
【Linux】：3.9~3.11

目前不支持MacOS和其他平台。建议安装Anaconda创建Python环境。Anaconda是一个开源的Python发行版本，其包含了180多个科学包及其依赖项。

依赖库

gma 的构建依赖部分优秀的第三方Python库，包括：

GDAL (OGR/OSR)

GDAL（Geospatial Data Abstraction Library）是一个在X/MIT许可协议下的开源地理空间数据转换库，起源于1998年，目前已经大幅进化。它利用抽象数据模型来表达所支持的各种文件格式。OGR/OSR是GDAL项目分支，OGR提供对矢量数据的支持，OSR用于处理空间参考系统（SRS）的定义和转换。
由于GDAL对多种栅格数据格式都提供了支持，很多软件都使用它作为底层数据处理的库。比较著名的有：ArcGIS、Google Earth、OpenEV、GRASS GIS、OSSIM、Quantum GIS、MapServer、World Wind等。
GDAL网站：https://gdal.org
Windows已编译GDAL下载（whl）：https://www.lfd.uci.edu/~gohlke/pythonlibs/

NumPy

NumPy是在BSD许可协议下的Python科学计算的基础包。它包含如下的内容：

一个强大的N维数组对象；
复杂的（广播）功能；
用于集成C / C ++和Fortran代码的工具；
有用的线性代数，傅里叶变换和随机数功能。

除了明显的科学用途外，NumPy还可以用作通用数据的高效多维容器。可以定义任意数据类型。这使NumPy能够无缝快速地与各种数据库集成。
NumPy网站：https://numpy.org/

SciPy

SciPy是构建在NumPy上的扩展数学算法和函数集合，是一个用于数学、科学、工程领域的常用软件包，包含线性代数、积分、最优化、插值、特殊函数、快速傅里叶变换、信号处理和图像处理、常微分方程求解和其他科学与工程中常用的计算等功能。
NumPy和SciPy的协同工作可以高效解决很多问题，在天文学、生物学、气象和气候学、材料科学等多个学科得到了广泛应用。
SciPy网站：https://scipy.org/

pandas

pandas是Python的核心数据分析支持库，基于NumPy开发，提供了快速、灵活、明确的数据结构，旨在简单、直观地处理关系型、标记型数据。Pandas适用于处理以下类型的数据：

与SQL或Excel表类似的，含异构列的表格数据；
有序和无序（非固定频率）的时间序列数据；
带行列标签的矩阵数据，包括同构或异构型数据；
任意其它形式的观测、统计数据集转入pandas数据结构时不必事先标记。

pandas的主要数据结构是Series（一维数据）与DataFrame（二维数据），这两种数据结构足以处理金融、统计、社会科学、工程等领域里的大多数典型用例。
pandas网站：https://pandas.pydata.org/

matplotlib

matplotlib是Python中最常用的可视化工具之一，可以非常方便地创建海量类型的2D图表和一些基本的3D图表，包括折线图、柱状图、直方图、散点图、箱线图等，以及多边形、路径、圆或椭圆等其他图形。同时，matplotlib也可以自定义颜色、线型、线宽、标签、标题等，绘制多个子图、添加图例、注释等，能够解决大部分的需要。
Python中常见的绘图库例如seaborn、cartopy等均基于matplotlib开发。
matplotlib网站：https://matplotlib.org/