ArcGIS Pro 中随机森林分类与制图实战：从数据准备到成果输出

1次阅读

没有评论

共计 2319 个字符，预计需要花费 6 分钟才能阅读完成。

传统的地理空间分类方法，比如最大似然分类或决策树，往往面临几个常见问题：

对异常值敏感，容易受到噪声干扰
分类边界过于刚性，难以捕捉复杂地物特征
需要严格的统计分布假设
调参过程繁琐，且效果提升有限

随机森林算法通过集成多个决策树，有效解决了这些问题。它的核心优势在于：

能够自动处理高维特征
对异常值和噪声具有鲁棒性
提供特征重要性评估
内置交叉验证机制（通过 OOB 误差）
无需复杂的数据预处理

在开始之前，请确保你的环境满足以下要求：

ArcGIS Pro 2.7 或更高版本
Python 环境（建议使用 ArcGIS Pro 自带的）

需要安装的 Python 库：

# 在 ArcGIS Pro 的 Python 环境中运行
import arcpy
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
import numpy as np
import pandas as pd

如果缺少某些库，可以通过 ArcGIS Pro 的 Python 包管理器或命令行安装：

conda install scikit-learn pandas

训练样本采集：
使用 ArcGIS Pro 的影像分类工具创建训练样本
确保每个类别有足够多的样本点（建议每类至少 50 个）
样本应均匀分布在整个研究区域
特征工程：
提取多光谱波段的反射率值
可以添加 NDVI、NDWI 等指数作为额外特征
考虑纹理特征（如 GLCM）用于区分相似地物

以下是使用 arcpy 调用 scikit-learn 随机森林的核心代码框架：

# 将训练样本转换为 numpy 数组
train_data = arcpy.RasterToNumPyArray(training_raster)
labels = arcpy.RasterToNumPyArray(training_labels)

# 将数据重塑为 2D 数组（样本数 x 特征数）nsamples, nrows, ncols = train_data.shape
train_data = train_data.reshape(nsamples, nrows * ncols)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(train_data, labels, test_size=0.3, random_state=42)

# 初始化随机森林模型
rf = RandomForestClassifier(
    n_estimators=100,  # 树的数量
    max_depth=None,    # 树的最大深度
    min_samples_split=2,  # 分裂所需最小样本数
    oob_score=True,    # 计算 OOB 误差
    random_state=42,
    n_jobs=-1         # 使用所有 CPU 核心
)

# 训练模型
rf.fit(X_train, y_train)

# 评估模型
print("OOB score:", rf.oob_score_)
print("Test accuracy:", rf.score(X_test, y_test))

n_estimators：森林中树的数量，通常越大越好，但会增加计算时间
max_depth：限制树的最大深度，防止过拟合
min_samples_split：节点分裂所需的最小样本数
oob_score：是否使用袋外样本来估计泛化精度
class_weight：处理类别不平衡问题

模型训练完成后，我们可以将分类结果应用到整个研究区域：

# 对整个区域进行分类
full_raster = arcpy.RasterToNumPyArray(input_raster)
full_data = full_raster.reshape(-1, nrows * ncols)

# 预测
predictions = rf.predict(full_data)

# 将预测结果保存为栅格
output_raster = arcpy.NumPyArrayToRaster(predictions.reshape(full_raster.shape[1], full_raster.shape[2]),
    arcpy.Point(full_raster.extent.XMin, full_raster.extent.YMin),
    full_raster.meanCellWidth,
    full_raster.meanCellHeight
)

# 保存结果
output_raster.save("Classification_Result.tif")

在 ArcGIS Pro 中渲染分类结果：