ArcGIS Pro中基于随机森林的增强分类与回归实战：从数据准备到模型优化

1次阅读

共计 2332 个字符，预计需要花费 6 分钟才能阅读完成。

椒盐噪声（Salt-and-pepper Noise）：传统分类方法如最大似然法，容易在结果中产生零星分布的误分类像元，影响视觉效果和统计精度。
样本不平衡（Class Imbalance）：当某些地物类别样本量过少时（如稀有植被类型），模型会偏向主导类别。
特征冗余（Feature Redundancy）：高光谱数据中波段间高度相关性会降低模型效率，且难以解释关键驱动因素。

决策树（Decision Tree）：
优点：直观易懂，支持类别型和数值型混合数据
缺点：容易过拟合，对噪声敏感
ArcGIS 实现：TrainDecisionTree工具
支持向量机（SVM）：
优点：小样本表现优异，高维空间分离能力强
缺点：核函数选择依赖经验，概率输出需额外计算
ArcGIS 实现：TrainSupportVectorMachine工具
随机森林（Random Forest）：
核心优势：
- 内置特征重要性评估（Variable Importance）
- 天然抗过拟合（通过 Bagging 和随机子空间）
- 提供 OOB 误差（Out-of-Bag Estimate）作为无偏验证
ArcGIS 实现：TrainRandomTreesClassifier工具

投影转换（CRS Consistency）：

# 确保所有输入数据为相同坐标系（建议 Albers 等面积投影）arcpy.ProjectRaster_management("raw_data.tif", "projected_data.tif", "PROJCS['NAD_1983_Albers']")

训练样本生成：
使用 Image Classification Wizard 交互绘制样本
或通过 arcpy.sa.CreateAccuracyAssessmentPoints 程序化生成

关键参数设置演示：

# 导入模块
from arcpy.sa import *

# 执行随机森林训练
rf_result = TrainRandomTreesClassifier(
    input_raster="multispectral.tif",
    input_training_sample="training.shp",
    max_num_trees=500,       # ntree 参数
    max_tree_depth=30,       
    samples_per_tree=0.7,    # 每棵树使用的样本比例
    variables_per_split=3    # mtry 参数（建议取特征数平方根）)

精度评估矩阵（Confusion Matrix）：

# 生成分类结果
classified_raster = ClassifyRaster("multispectral.tif", rf_result)

# 计算精度
accuracy = ComputeConfusionMatrix(
    in_class_data=classified_raster,
    in_reference_data="validation_samples.shp",
    out_confusion_matrix="accuracy_table.dbf"
)

import matplotlib.pyplot as plt

# 获取重要性数据
importance = rf_result[1]  # 第二个返回值是特征重要性
features = ["Band1", "NDVI", "Elevation"]  # 对应输入特征名称

# 绘制条形图
plt.barh(features, importance)
plt.xlabel('Importance Score')
plt.title('Feature Importance Ranking')
plt.savefig('importance_plot.png', dpi=300, bbox_inches='tight')

分块处理（Chunk Processing）：

# 设置处理范围
arcpy.env.extent = "MINOF"
arcpy.env.cellSize = 10  # 适当降低分辨率
arcpy.env.compression = "LZ77"  # 启用压缩

# 检查所有输入数据的 CRS 是否一致
def check_crs(*datasets):
    crs_list = [arcpy.Describe(dataset).spatialReference.name for dataset in datasets]
    if len(set(crs_list)) > 1:
        raise ValueError(f"坐标系不一致: {crs_list}")