ArcGIS Pro随机森林模型深度机器学习预测海草栖息地【教程】

开始之前，总体梳理一下项目流程，大致了解一下我们是怎么一步一步得到最终结果的

1、创建训练数据集

1. 下载数据（链接：https://pan.baidu.com/s/1tM4ZXplEP2MC787OKSgt6A 提取码：achj）
2. 克隆python环境（关于克隆环境和安装包上一篇有详细步骤）
3. 添加Python包：scikit-learn和seaborn

              1）-程序包管理器中“添加程序包”

              2）-Conda或pip安装

4.打开工程文件

分析之前需要了解诸如海洋温度，盐度和营养物浓度之类的变量，以预测海草生长地点的适宜性。由于字段数据并不完美，并且通常缺少值，因此您需要填写值以完成原始数据，然后才能在分析中使用它们。

共有四个要素类：

• EMU_Global_90m：生态海洋单位点数据，其中包含高达90米水深的海洋测量值。
• Seagrass_USA：海草发生的面数据。Seagrass_USA中的每个多边形都是确定的海草栖息地。
• US_coastline_shallow：美国海岸的多边形数据，其覆盖的测深范围一直到在Seagrass_USA中观察到海草栖息地的深度。
• bathymetry_shallow：全局浅测深多边形，用于全局预测海草。

打开EMU_Global_90m属性表，变量包括盐度，海洋温度和硝酸盐含量等。但包含许多缺失值。这些属性将作为预测变量用于随机森林模型中。

4.1 使用【填充缺失值】工具，设置如下参数后运行。要填充的字段分别为：氧气、硝酸盐、磷酸盐、盐度、硅酸盐、srtm30和温度。

（注：警告消息是由于盐度、SRTM30和温度属性没有缺失值，但稍后需要用它们分析）

填充后的属性表如下

_STD字段显示用于估计缺失值的相邻数据点的标准偏差。

_ESTIMATED字段：若使用工具填充了属性，则为1，若数据已存在，则为0。

现在，我们已获得所需海洋变量的空间完整数据。

此时，蓝圈表示添加了新数据值，空白圆圈表示仅包含原始数据。

 

4.2 图层符号化

       对EMU_Global_90m_Filled图层在符号系统中选择“单一符号”，选择“Circle1”样式，大小设置为6pt

4.3 创建训练数据

接下来，将创建随机森林预测模型需要的训练数据，探究海草密度与海洋状况之间的关系。训练数据集将由7个预测变量（海洋测量值）和1个结果变量（位置是否合适的海草栖息地）组成。

为了便于稍后使用的Python脚本访问，这些预测变量必须位于单个要素类中。所以需要创建一个新的随机点要素类，将海洋测量数据添加到每个点。

4.3.1 将视图导航至“弗洛里达”书签的位置

4.3.2 打开【创建随机点】工具，设置如下参数后运行，生成10000个随机点

4.3.3 打开【经验贝叶斯克里金法】，输入EMU_Global_90m_Filled图层。对于Z值字段分别输出下列每一个属性的栅格结果：

Z 值字段	Output raster
TEMP(备注：TEMP_UNFILLED)	temp
DISSO2 (备注: DISSO2_FILLED)	dissO2
NITRATE (备注: NITRATE_FILLED)	nitrate
PHOSPHATE (备注： PHOSPHATE_FILLED)	phosphate
SILICATE (备注: SILICATE_FILLED)	silicate
SRTM30 (备注: SRTM30_UNFILLED)	srtm30
SALINITY (备注: SALINITY_UNFILLED)	salinity

得到7幅栅格数据，类似下图

 

4.3.4 使用【提取多值到点】工具，设置如下参数运行，将上述7个属性的值提取到我们刚才生成的随机点中。

 

4.4 创建训练标签

为了让深度学习的模型了解什么样的海洋环境适合海草的生长，我们需要做一个简单的查询来区分在Seagrass_USA图层内（赋值1）或外（赋值0）的属性。

4.4.1 使用【添加字段】工具为USA_Train图层添加“Present”字段，设置为双精度类型

4.4.2 使用【计算字段】工具设置“Present”值为0

4.4.3 【按位置选择】“USA_Train”图层和“Seagrass_USA”图层【相交】的部分

4.4.4 再次使用【计算字段】工具，将选中要素赋值为1.

4.4.5 清空选择要素

流程

2、执行随机森林

之前，我们创建了具有8变量的训练数据集，这些数据有助于确定海草栖息地的适用性。现在，用准备好的数据和机器学习库来创建预测模型。

首先，检查变量的相关性，以确保随机森林分类是最佳选择。

随机森林是一种需要训练的有监督的机器学习方法，或者使用已知预测模型的数据集。

将数据分为两部分，一部分训练随机森林分类器，另一部分测试结果。根据结果​​的准确性，可以将模型应用于所拥有的全局数据，并将其保存为要素类。

 

2.1 将空间数据加入Python

导入所需要的模型库

 

 

2.2 选择分类

 

2.3 分割数据

2.4 训练随机森林分类器

最后将生成的“GlobalPrediction”图层添加到显示界面

3、评估预测结果

3.1使用【Kernel Density】，在环境选项卡中设置mask为Bathymetry_shallow。工具设置参数如下运行。

 

3.2 对结果图层【SeagrassHabitats】进行符号渲染，分类类型选择“拉伸”，配色方案选择Heat Map1

将图层属性的坐标系统中勾选“Enable wrapping around the date line ”，渲染结果如图所示

 

3.3 插入图框-激活-调整位置

3.4 插入文本框-设置标题

3.5 插入图例、比例尺……