ArcGIS Pro中使用随机森林算法预测土壤有机质：新手入门指南

1次阅读

没有评论

共计 2025 个字符，预计需要花费 6 分钟才能阅读完成。

随机森林是一种集成学习方法，通过构建多个决策树并汇总结果来提高预测准确性。在土壤科学中，它特别适合处理以下场景：

处理高维环境因子数据（如多光谱遥感、地形指数等）
自动评估变量重要性，识别关键影响因素
对非线性和交互关系建模，无需严格的数据分布假设

传统土壤制图方法（如克里金插值）依赖空间自相关假设，而随机森林能同时利用空间特征和环境协变量，显著提升有机质含量预测精度。

ArcGIS Pro 3.0+（需安装 Spatial Analyst 扩展模块）
Python 3.7+（推荐使用 Pro 自带的 conda 环境）

通过 ArcGIS Pro 的 Python 包管理器安装：

conda install -c esri scikit-learn pandas matplotlib

或使用 pip：

pip install scikit-learn pandas matplotlib

需要两类数据：

土壤采样点：包含有机质含量字段的矢量点数据
环境因子：与土壤形成相关的栅格数据集（如高程、NDVI、降水量等）

使用 arcpy 提取采样点处的环境因子值：

import arcpy
from arcpy.sa import ExtractValuesToPoints

# 输入数据路径
sample_points = "C:/data/soil_samples.shp"
env_raster = "C:/data/elevation.tif"
output_points = "C:/data/samples_with_values.shp"

# 执行值提取
ExtractValuesToPoints(sample_points, env_raster, output_points)

import pandas as pd
from sklearn.model_selection import train_test_split

# 读取属性表
data = pd.DataFrame(arcpy.da.TableToNumPyArray(output_points, ['OM', 'RASTERVALU']))

# 划分训练集 / 测试集
X = data[['RASTERVALU']]  # 特征变量
y = data['OM']            # 目标变量
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

from sklearn.ensemble import RandomForestRegressor

# 初始化模型
rf = RandomForestRegressor(
    n_estimators=100,  # 树的数量
    max_depth=10,      # 最大深度
    random_state=42
)

# 训练模型
rf.fit(X_train, y_train)

from sklearn.metrics import mean_squared_error

# 预测测试集
y_pred = rf.predict(X_test)

# 计算均方根误差
rmse = mean_squared_error(y_test, y_pred, squared=False)
print(f"RMSE: {rmse:.2f}")

import matplotlib.pyplot as plt

# 获取重要性分数
importance = rf.feature_importances_

# 绘制条形图
plt.bar(['Elevation'], importance)
plt.title('Feature Importance')
plt.show()

减少n_estimators（建议从 50 开始逐步增加）
使用 max_samples 参数限制每棵树的样本量

确保所有输入数据使用相同的空间参考
使用 arcpy.Project_management() 统一坐标系

添加地形指数（坡度、曲率等）
尝试波段比值（如 NDVI）

使用 GridSearchCV 自动搜索最优参数组合：

from sklearn.model_selection import GridSearchCV

param_grid = {'n_estimators': [50, 100, 200],
    'max_depth': [5, 10, 15]
}

grid_search = GridSearchCV(rf, param_grid, cv=5)
grid_search.fit(X_train, y_train)
print(grid_search.best_params_)