ArcGIS与随机森林入门实战：从数据准备到模型部署全流程解析

1次阅读

没有评论

共计 2732 个字符，预计需要花费 7 分钟才能阅读完成。

随机森林（Random Forest）作为经典的集成学习算法，在地理空间分析中表现出色。在 ArcGIS 中结合随机森林，最常见的应用场景包括：

土地利用 / 土地覆盖分类（Land Use/Land Cover Classification）
自然灾害风险预测（如滑坡、洪水）
城市扩张模拟
生态环境质量评估

相比传统的遥感分类方法，随机森林能自动处理非线性关系，对噪声数据更鲁棒，且能输出特征重要性（Feature Importance）帮助解释模型。

ArcGIS Pro 提供了 Classify Pixels Using Deep Learning 工具，但随机森林的实现有局限：

内置工具优势：
图形化界面操作简单
与 ArcGIS 数据无缝衔接
Python 方案优势（推荐）：
可使用 scikit-learn 的完整功能
支持自定义特征工程
内存管理更灵活（特别是处理大型栅格时）
方便版本控制和团队协作

import arcpy
from arcpy.sa import *

# 设置工作空间
arcpy.env.workspace = "C:/data/land_use"
arcpy.env.overwriteOutput = True

# 坐标系转换关键步骤（WGS84 Web 墨卡托）input_fc = "raw_data.shp"
output_fc = "projected_data.shp"
coord_system = "PROJCS['WGS_1984_Web_Mercator_Auxiliary_Sphere',GEOGCS['GCS_WGS_1984',DATUM['D_WGS_1984',SPHEROID['WGS_1984',6378137.0,298.257223563]],PRIMEM['Greenwich',0.0],UNIT['Degree',0.0174532925199433]],PROJECTION['Mercator_Auxiliary_Sphere'],PARAMETER['False_Easting',0.0],PARAMETER['False_Northing',0.0],PARAMETER['Central_Meridian',0.0],PARAMETER['Standard_Parallel_1',0.0],PARAMETER['Auxiliary_Sphere_Type',0.0],UNIT['Meter',1.0]]"
arcpy.Project_management(input_fc, output_fc, coord_system)

计算 Moran’s I 指数（空间自相关指标）：

from libpysal.weights import DistanceBand
from esda.moran import Moran
import numpy as np

# 假设已提取 NDVI 值到数组
ndvi_values = np.array([...])  

# 创建空间权重矩阵（距离阈值 500 米）w = DistanceBand.from_array(coordinates=arcpy.da.FeatureClassToNumPyArray(output_fc, ['SHAPE@XY']),
    threshold=500,
    binary=False
)

moran = Moran(ndvi_values, w)
print(f"Moran's I 值: {moran.I}, p-value: {moran.p_norm}")

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV

# GIS 数据特有的参数建议
param_grid = {'n_estimators': [100, 200],  # 树数量：遥感数据通常需要更多
    'max_depth': [10, 20, None],  # 树深度：高分辨率数据需要更深
    'max_features': ['sqrt', 0.5]  # 特征采样比例
}

rf = RandomForestClassifier(oob_score=True)
grid_search = GridSearchCV(rf, param_grid, cv=3, n_jobs=-1)
grid_search.fit(X_train, y_train)

# 输出最佳参数
print(f"OOB Score: {grid_search.best_estimator_.oob_score_}")
print(f"最佳参数: {grid_search.best_params_}")

使用 arcpy.RasterToNumPyArray 分块读取大型栅格
启用 arcpy.env.compression = "LZ77" 压缩临时数据
对于超大数据集，考虑使用 Dask 并行处理

始终在脚本开头统一设置arcpy.env.outputCoordinateSystem
使用 arcpy.Describe().spatialReference 检查输入数据坐标系
避免在模型训练后应用不同坐标系的预测数据

使用 joblib 保存训练好的模型：

from joblib import dump
dump(grid_search.best_estimator_, 'rf_model.joblib')

在 ArcGIS Pro 中通过 Python 工具箱调用：

import arcpy
from joblib import load

class PredictTool(object):
    def execute(self, parameters):
        model = load('rf_model.joblib')
        # 处理输入参数并预测

配套的 Jupyter Notebook 包含以下完整流程：
1. 使用 arcgis.gis 模块从 Portal 加载数据
2. fiona处理矢量属性
3. 交互式特征重要性可视化

[示例 Notebook 下载链接]（模拟链接）