ArcGIS Pro 中随机森林插值的原理与实践：从数据准备到结果优化

1次阅读

共计 1854 个字符，预计需要花费 5 分钟才能阅读完成。

随机森林（Random Forest）作为一种集成学习方法，在空间插值中表现出色，尤其在处理非线性和高维地理数据时。相比传统插值方法（如克里金法），随机森林能够自动捕捉变量间的复杂关系，且对异常值和噪声数据有较好的鲁棒性。在以下场景中特别适用：

多源异构数据融合（如遥感影像 + 气象站点数据）
存在明显空间异质性的区域（如山地降水分布）
需要量化预测不确定性的场景

训练数据格式：需包含目标变量（如 PM2.5 浓度）和解释变量（如高程、NDVI 等）的要素类或表格
空间参考一致性：所有输入图层必须具有相同的坐标系统
缺失值处理：建议删除缺失率 >15% 的记录或用中位数填充

空间自相关变量：添加目标变量的空间滞后项（如周边 3km 均值）
交互特征：通过 Field Calculator 创建变量组合（如 高程 * 坡度）
标准化处理：对量纲差异大的变量使用 Z -Score 标准化

坐标系统不匹配：使用 Project 工具统一转换
样本不平衡：通过 Subset Features 工具分层抽样
多重共线性：利用 Spatial Statistics 工具箱计算 VIF

打开 Geoprocessing 面板，搜索 ”Forest-based Prediction” 工具
关键参数说明：
Number of trees：初始设为 100-200
Minimum leaf size：控制模型复杂度，通常 5 -20
Variables to include：优先选择重要性 >0.8 的特征
输出设置：
勾选 ”Compute prediction variance” 获取不确定性估计
设置输出栅格像元大小（建议为最小采样间隔的 1 /2）

使用 Validation 选项卡进行交叉验证
通过特征重要性排序剔除冗余变量
调整 max_depth 防止过拟合（建议 3 - 5 层）

import arcpy
from arcpy.sa import *

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

# 执行随机森林插值
rf_result = ForestBasedPrediction(
    in_features="sampling_points",
    variable_predict="PM25",
    explanatory_variables=["Elevation", "NDVI", "WindSpeed"],
    number_trees=150,
    minimum_leaf_size=10,
    output_raster="RF_PM25",
    compute_prediction_variance=True
)

# 保存结果
rf_result.save("PM25_Prediction")

# 计算精度指标
arcpy.management.CalculateAccuracyAssessment(
    "sampling_points", 
    "PM25", 
    "PM25_Prediction", 
    "Accuracy_Report"
)