ArcGIS Pro 随机森林入门指南：从数据准备到模型评估

1次阅读

没有评论

共计 1799 个字符，预计需要花费 5 分钟才能阅读完成。

随机森林作为集成学习算法，在空间数据分析中表现出三大优势：

天然抗过拟合：通过多棵决策树投票降低方差
特征重要性输出：直观反映各空间变量对结果的贡献度
兼容混合数据类型：可同时处理遥感影像、矢量属性和地形指标

新手常遇到这些问题：

空间自相关陷阱：相邻样本的相似性导致模型评估虚高
参数盲选：直接使用默认的 n_estimators=100 可能浪费计算资源
坐标系统冲突：训练数据与预测区域的空间参考不一致

在 ArcGIS Pro 中完成一次随机森林建模仅需 5 步：

打开【地理处理】→【工具箱】→【Spatial Statistics Tools】→【建模空间关系】→【森林 -based 分类和回归】
设置输入要素（建议提前用【创建训练样本】工具生成）
指定分类字段（确保字段类型为整型）
调整关键参数（后文详解）
设置输出模型位置（.rf 后缀文件）

import arcpy
from arcpy.sa import *

# 环境设置
arcpy.env.workspace = "C:/Data/forest_model.gdb"
arcpy.env.overwriteOutput = True

# 加载数据
train_data = "landuse_samples"
predictors = ["NDVI", "elevation", "distance_to_water"]

# 执行建模
rf_model = RandomForestClassifier(
    in_features=train_data,
    explanatory_variables=predictors,
    max_depth=15,          # 典型值 10-20
    min_samples_leaf=5,    # 防止过拟合
    n_estimators=200,      # 根据计算资源调整
    seed=42                # 确保可重复性
)

# 保存模型
rf_model.save("landuse_rf_model")

通过网格搜索寻找最优组合（需安装 scikit-learn）：

from sklearn.model_selection import GridSearchCV

param_grid = {'n_estimators': [50, 100, 200],
    'max_features': ['sqrt', 0.5],
    'max_depth': [10, 15, None]
}

grid_search = GridSearchCV(
    estimator=rf_model,
    param_grid=param_grid,
    cv=3,  # 空间交叉验证更佳
    n_jobs=-1
)

生成特征重要性条形图：

右键模型输出→【查看特征重要性】
使用【图表】模块导出 PNG
调整 X 轴标签旋转角度避免重叠

Moran’s I 检验残差空间分布：

# 计算预测残差
residuals = arcpy.sa.ResidualAnalysis(
    in_features="validation_points",
    explanatory_variables=predictors,
    dependent_variable="actual_value"
)

# 空间自相关检测
morans_i = arcpy.stats.SpatialAutocorrelation(
    residuals,
    "CONTIGUITY_EDGES_CORNERS"
)
print(f"Moran's I index: {morans_i[0]}, p-value: {morans_i[1]}")