ArcGIS 10.6 中随机森林算法的实现与优化指南

1次阅读

共计 1919 个字符，预计需要花费 5 分钟才能阅读完成。

随机森林（Random Forest）是一种集成学习算法，通过构建多棵决策树并综合其预测结果来提高模型的准确性和鲁棒性。在空间数据分析中，随机森林算法具有以下优势：

处理高维数据能力强：能够有效处理遥感影像、地形数据等多维空间特征。
抗过拟合性能好：通过随机采样和特征子集选择降低模型方差。
可解释性较高：提供特征重要性排序（Feature Importance），便于分析驱动因子。

典型应用场景包括：

土地利用 / 土地覆盖分类（Land Use/Land Cover Classification）
地质灾害风险预测
生态环境质量评估

对比维度	Model Builder 可视化工具	Python 脚本调用
上手难度	低，无需编程基础	中，需熟悉 Python 和 arcpy
灵活性	有限，依赖现有工具链	高，可自定义预处理和后期处理
可重复性	需手动保存模型	通过脚本文件天然可复用
性能优化空间	较小	大，可控制并行度和内存管理
调试便利性	可视化日志	需自行添加日志输出

import arcpy
from sklearn.ensemble import RandomForestClassifier
import numpy as np

# 输入参数
train_fc = arcpy.GetParameterAsText(0)  # 训练样本要素类
feature_fields = arcpy.GetParameter(1)  # 特征字段列表（如 NDVI、坡度等）label_field = arcpy.GetParameterAsText(2)  # 分类标签字段
output_model = arcpy.GetParameterAsText(3)  # 模型输出路径

# 数据准备
try:
    # 将要素类转为 numpy 数组
    arr = arcpy.da.FeatureClassToNumPyArray(
        train_fc, 
        field_names=feature_fields + [label_field],
        skip_nulls=True  # 自动跳过空值
    )

    X = arr[feature_fields].view(np.float32).reshape(-1, len(feature_fields))
    y = arr[label_field]

    # 模型训练
    rf = RandomForestClassifier(
        n_estimators=100,  # 树的数量
        max_depth=15,      # 最大深度
        n_jobs=-1,         # 使用所有 CPU 核心
        random_state=42    # 固定随机种子
    )
    rf.fit(X, y)

    # 保存模型（需配合 pickle 等库）import pickle
    with open(output_model, 'wb') as f:
        pickle.dump(rf, f)

    arcpy.AddMessage(f"模型训练完成，OOB 准确率: {rf.oob_score_:.2f}")

except Exception as e:
    arcpy.AddError(f"训练失败: {str(e)}")