ArcGIS决策树实战：从数据预处理到空间分析模型构建

1次阅读

共计 2611 个字符，预计需要花费 7 分钟才能阅读完成。

地理空间数据分类与传统表格数据最大的区别在于其特有的 空间自相关性（Spatial Autocorrelation）。这意味着相邻地理单元的特征值往往比随机分布更相似，例如：

边界效应：行政边界两侧的土壤类型可能突变，而传统决策树会忽略这种空间不连续性
坐标系影响：使用地理坐标系（如 WGS84）时，相同经纬度跨度在高纬度地区的实际面积更小，可能导致特征计算偏差
尺度效应：分析结果会随研究区域尺度（市、县、街道）变化而显著不同

空间权重集成 ：ArcGIS Pro 的空间统计工具箱直接支持生成空间权重矩阵
地理处理框架：模型构建器可实现从数据预处理到结果可视化的完整工作流
GPU 加速 ：通过GeoAnalytics Server 支持分布式计算

# Scikit-learn 与 ArcPy 结合示例
from sklearn.tree import DecisionTreeClassifier
import arcpy

# 转换要素类为 numpy 数组
arr = arcpy.da.FeatureClassToNumPyArray(
    input_features="land_use",
    field_names=["NDVI", "Elevation", "Class"],
    spatial_reference=arcpy.SpatialReference(3857)  # Web 墨卡托投影
)

使用热点分析识别空间聚类模式：

# 生成空间权重矩阵（Queen 邻接）hotspot = arcpy.stats.HotSpots(
    Input_Feature_Class="crime_points",
    Input_Field="OFFENSE_COUNT",
    Output_Feature_Class="hotspots",
    Conceptualization_of_Spatial_Relationships="QUEEN"  # 共享边或顶点即视为邻接
)

构建包含空间特征的训练集：

# 计算 NDVI 植被指数
ndvi = arcpy.sa.RasterCalculator(["nir_band", "red_band"], 
    "(Float(nir_band) - Float(red_band)) / (Float(nir_band) + Float(red_band))"
)

# 将栅格值提取到点
arcpy.sa.ExtractValuesToPoints(
    "sampling_points", 
    ndvi, 
    "points_with_ndvi"
)

from sklearn.tree import export_text

# 转换数据格式
train_data = arcpy.da.FeatureClassToNumPyArray(
    "training_samples",
    ["NDVI", "Slope", "Landuse_Code"],
    skip_nulls=True
)

# 构建决策树（基尼系数分裂）clf = DecisionTreeClassifier(
    criterion="gini",  # 与信息增益（entropy）对比
    max_depth=8,
    min_samples_leaf=5
)
clf.fit(train_data[['NDVI','Slope']], train_data['Landuse_Code'])

# 输出决策规则
print(export_text(clf, feature_names=['NDVI','Slope']))

# 设置处理分块大小
arcpy.env.compression = "LZ77"
arcpy.env.tileSize = "256 256"

# 并行计算配置
arcpy.env.parallelProcessingFactor = "75%"  # 使用 75% 的 CPU 核心

import pickle

# 保存模型
with open('spatial_tree.pkl', 'wb') as f:
    pickle.dump(clf, f)

# 在 ArcGIS Pro 中发布为 GP 服务
arcpy.mp.ImportToolbox("spatial_tree.pkl")
toolbox = arcpy.mp.ArcGISProject("current").listToolboxes()[0]
arcpy.server.StageService(toolbox, "D:/output_folder")

现象：训练数据使用 WGS84，而应用区域使用 UTM 投影导致预测偏移
解决：统一使用arcpy.Project_management() 转换到相同坐标系

空间过采样：在少数类样本周围生成缓冲区增加样本
空间欠采样 ：使用arcpy.stats.SpatiallyBalancedPoints() 生成均衡采样点

空间交叉验证 ：采用arcpy.stats.SpatialCrossValidation() 确保训练 / 测试集地理隔离
莫兰指数检验：验证残差是否仍存在空间自相关

通过 ArcGIS GeoEvent Processor 可实现：

接入 IoT 传感器实时数据流
调用预训练决策树模型进行即时分类
通过 Dashboard 展示空间预测结果

# 实时处理配置示例
gps_stream = arcgis.geoanalytics.get_datastores().search("GPS_Stream")[0]

processor = arcgis.geoanalytics.realtime.StreamProcessor(
    input_stream=gps_stream,
    processing_mode="continuous",
    output_name="realtime_prediction"
)

processor.start()

在实际国土调查项目中，采用空间决策树方法将林地分类准确率从 82% 提升至 89%。关键收获：