光栅数据回归树的实现方法——python

我试图用python在一些光栅数据上构建并实现回归树算法，但似乎找不到最好的方法。我将尝试解释我试图做的事情：

我想要的输出是光栅图像，其值表示湖泊深度，称之为depth.tif。我有一系列的光栅图像，每个都代表不同陆地卫星波段的反射率值，比如[B1.tif，B2.tif，…，B7.tif]，我想用它们作为预测湖泊深度的自变量

对于我的训练数据，我有一个约6000个已知湖泊深度点的形状文件。为了创建一棵树，我提取了每个点对应的反射率值，然后将其导出到表中。然后，我在机器学习软件weka中使用该表创建了一个600分支的回归树，该回归树将根据反射值集预测深度值。但由于树太大，我无法用python手动编写它。我遇到了pythonweka包装器模块，因此我可以在python中使用weka，但是我一直在使用整个光栅部分。由于我的数据有一个额外的维度（如果转换为数组，每个自变量实际上是一组ncolumns x nrows值，而不是像所有示例中那样的一行值），我不知道它是否可以实现我想要的功能。在所有weka python包装器的示例中，我都找不到一个处理空间数据的包装器，我想这正是让我讨厌的地方

为了澄清，我想使用训练数据（现在是一个点形状文件/表格，但如果必要，可以转换为与反射光栅大小相同的光栅，除了我已知的几个点深度数据外，所有单元格中都没有数据），建立回归树，使用反射光栅预测深度。然后我想把这棵树应用到同一组反射光栅上，以获得到处都有预测深度值的光栅

我意识到这是令人困惑的，我可能没有做最好的解释工作。除了尝试在python中实现weka（如sklearn）之外，我还可以选择其他选项，只要它们是开源的。我的问题是，我所描述的可以做到吗？我很确定它可以，因为它非常类似于图像分类，除了目标值（深度）是连续的，而不是离散类，但到目前为止我失败了。如果是的话，什么是最好的/最直接的方法和/或有任何可能有帮助的例子

---

感谢

我有一些使用陆地卫星数据预测土壤环境特性的经验，这似乎与您上面描述的问题有些关联。虽然当时我开发了自己的模型，但我可以描述我为了绘制预测数据而经历的一般过程

对于训练数据，我能够提取已知土壤样本采集的空间点的陆地卫星值（以及其他属性）。这样，我就可以使用陆地卫星数据作为预测环境数据的输入。该数据的一部分也将保留用于测试，以确认经过训练的模型没有过度拟合训练数据，并且能够很好地预测输出

一旦该过程完成，就可以通过获取所需区域每个点的空间信息（匹配所需图像的分辨率）来绘制所需区域。从那里，您应该能够将这些陆地卫星因子输入到模型中进行预测，并输出用于绘制预测深度的地图。在本例中，您可能只需使用Weka预测所有情况，然后使用另一个工具根据您的估计构建地图

我相信我很久以前就编写了一些代码来提取ArcGIS中的每个必需因子，但我已经有一段时间没有这么做了。应该有一些很好的教程可以帮助你在这方面

---

我希望这对您的特殊情况有所帮助。

听起来您没有使用任何空间信息来构建树 （例如关于相邻像素的信息），只是反射。所以，你可以 将决策树应用于像素，就像所有像素都在一个区域中一样 一维列表或数组

6000点训练数据文件的600分支树似乎是 过度肥胖。考虑一个需要树停止分裂的选项 当节点或类似节点上的点少于N个时。可能有 也可以设置一个修剪因子。您可以测试不同的设置 直到你找到一个能从交叉验证或 伸出的测试集