ArcGIS Pro随机森林分类实战：从数据准备到模型优化全流程解析

共计 2067 个字符，预计需要花费 6 分钟才能阅读完成。

典型应用场景

随机森林在 ArcGIS Pro 中常用于需要处理复杂空间关系的场景：

• 土地利用 / 覆被分类：融合多光谱影像、NDVI 指数与地形特征
• 灾害风险评估：结合历史灾害点与地质环境变量
• 城市功能区识别：混合 POI 数据与夜间灯光遥感

工具链选型建议

ArcGIS 内置工具优势

1. 无缝集成空间数据处理流程
2. 可视化界面适合快速验证
3. 自动处理坐标系转换问题

scikit-learn 实现优势

1. 支持更丰富的超参数调优方法
2. 特征重要性分析更灵活
3. 可集成其他机器学习组件

选型原则：原型阶段用内置工具，生产环境推荐 Python 脚本方案

核心实现流程

地理数据预处理

import arcpy
import numpy as np

# 坐标系转换（WGS84 转 UTM）arcpy.Project_management(
    in_dataset="raw_data.shp",
    out_dataset="projected_data.shp",
    out_coor_system=arcpy.SpatialReference(32651)  # WGS84 UTM Zone 51N
)

# 空值处理与特征提取
arr = arcpy.da.FeatureClassToNumPyArray(
    in_table="projected_data.shp",
    field_names=["NDVI", "Elevation", "Slope"],
    where_clause="CLASS IS NOT NULL"  # 过滤未标注样本
)

特征重要性可视化

import matplotlib.pyplot as plt

# 在 ArcGIS Pro 内创建图表
fig, ax = plt.subplots(figsize=(10,6))
ax.barh(range(len(importances)), importances, align='center')
ax.set_yticks(range(len(feature_names)))
ax.set_yticklabels(feature_names)
ax.set_xlabel('Feature Importance Score')

# 保存为工程内的图表
arcpy.AddMessage("特征重要性分析完成")  # 显示在 Geoprocessing 面板
plt.savefig("C:/temp/feature_importance.png")  

超参数调优实战

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

# ArcGIS Pro 预装库版本检查
import sklearn
print(f"scikit-learn 版本: {sklearn.__version__}")  # 需≥0.22

param_grid = {'n_estimators': [100, 200],
    'max_depth': [10, 20, None],
    'min_samples_split': [2, 5]
}

rf = RandomForestClassifier(oob_score=True)
grid_search = GridSearchCV(
    estimator=rf,
    param_grid=param_grid,
    cv=3,
    n_jobs=4  # 根据 ArcGIS Pro 可用内核调整
)
grid_search.fit(X_train, y_train)

生产环境避坑指南

内存优化方案

1. 分块处理大型栅格：使用 arcpy.sa.Tile 分割数据
2. 降低分类精度：设置arcpy.env.compression = "LZ77"
3. 限制树深度：max_depth=15比默认值更安全

模型持久化方案

import joblib
from pathlib import Path

# 保存模型
model_path = Path(arcpy.env.scratchFolder) / "rf_model.joblib"
joblib.dump(grid_search.best_estimator_, model_path)

# 跨平台加载注意事项
arcpy.AddMessage(f"模型已保存到: {model_path}")

分类结果后处理

• 形态学平滑：

  arcpy.sa.ExtractByAttributes(
      in_raster="raw_classification.tif",
      where_clause="VALUE > 0"  # 过滤背景值
  )

• 小图斑合并：

  arcpy.sa.RegionGroup(
      in_raster="smoothed.tif",
      number_neighbors=8,
      zone_connectivity="WITHIN"
  )

完整代码结构示例

点击下载 Jupyter Notebook 包含：

1. 样本均衡处理（SMOTE 算法实现）
2. 空间交叉验证（GroupKFold按行政区划分）
3. 混淆矩阵与 Kappa 系数计算

延伸思考

当训练样本不足时，可以尝试：

1. 使用空间自相关分析扩充伪标签
2. 结合未标注数据的聚类结果
3. 迁移学习预训练模型

期待大家在评论区分享更多实战经验！