ArcGIS Pro随机森林入门指南：从数据准备到模型评估全流程实战

1次阅读

共计 2084 个字符，预计需要花费 6 分钟才能阅读完成。

在 ArcGIS Pro 中使用随机森林（Random Forest）时，新手常会遇到以下几个典型问题：

空间自相关处理不当：地理数据往往具有空间依赖性，传统交叉验证会导致数据泄漏
类别不平衡：土地利用分类中，城市用地样本远少于农田时，模型会偏向多数类
特征工程缺失：直接使用原始波段值，忽略 NDVI 等指数特征
参数理解不足：n_estimators 和 max_depth 等参数对结果影响显著但难以调优

维度	ArcGIS Spatial Analyst 工具	scikit-learn 实现
执行效率	适合中小数据集，有并行优化	大数据集更高效，支持 GPU 加速
可视化支持	内置结果可视化（变量重要性图表）	需手动 matplotlib 绘图
空间数据处理	原生支持栅格运算和地理坐标系	需额外处理投影转换
模型持久化	保存为.tbx 工具或图层文件	pickle 序列化模型文件

计算 NDVI（归一化植被指数）的 ArcPy 示例：

import arcpy
from arcpy.sa import *

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

# 计算 NDVI
nir_band = Raster("B5.tif")  # 近红外波段
red_band = Raster("B4.tif")   # 红波段
ndvi = (nir_band - red_band) / (nir_band + red_band)

# 保存结果
ndvi.save("NDVI.tif")

对要素类（Feature Class）进行 one-hot 编码：

import pandas as pd
from arcpy import FeatureClassToNumPyArray

# 读取要素类属性表
data = FeatureClassToNumPyArray("sample_points.shp", 
                              ["NDVI", "Elevation", "Landuse"])
df = pd.DataFrame(data)

# 对类别型变量编码
landuse_dummies = pd.get_dummies(df['Landuse'], prefix='Landuse')
df = pd.concat([df.drop('Landuse', axis=1), landuse_dummies], axis=1)

from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
import numpy as np

# 准备数据
X = df.drop('Class', axis=1).values  # 特征矩阵
y = df['Class'].values               # 标签

# 空间分层抽样（按区块划分）block_ids = np.random.randint(0, 5, size=len(y))  # 模拟空间区块
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, stratify=block_ids)

# 初始化模型
rf = RandomForestClassifier(
    n_estimators=100,   # 树的数量
    max_depth=10,       # 最大深度
    min_samples_split=5, # 节点分裂最小样本数
    class_weight='balanced', # 处理类别不平衡
    n_jobs=-1          # 使用所有 CPU 核心
)

# 训练与评估
rf.fit(X_train, y_train)
print("OOB Score:", rf.oob_score_)