Python ArcGIS train_random_trees_regression_model用法及代码示例

本文简要介绍 python 语言中 arcgis.raster.analytics.train_random_trees_regression_model 的用法。

用法:

arcgis.raster.analytics.train_random_trees_regression_model(input_rasters, input_target_data, target_value_field=None, target_dimension_field=None, raster_dimension=None, max_number_of_trees=50, max_tree_depth=30, max_number_of_samples=100000, average_points_per_cell='KEEP_ALL_POINTS', output_scatter_plots_name=None, output_sample_features_name=None, percent_samples_for_testing=10, output_importance_table_name=None, context=None, *, gis=None, future=False, **kwargs)

返回：

字典

对解释变量(自变量)和目标数据集(因变量)之间的关系进行建模。该函数在 ArcGIS Image Server 10.9.1 及更高版本中可用(在 ArcGIS Online 中不可用)。

Parameter	Description
input_rasters	必需的 ImageryLayer 对象。包含解释变量的单波段、多维或多波段栅格或镶嵌数据集。
input_target_data	必需的 FeatureLayer 或 ImageryLayer 对象。包含目标变量(因变量)数据的栅格或要素图层。
target_value_field	可选字符串。要在目标要素图层或栅格中建模的信息的字段名称。
target_dimension_field	可选字符串。输入要素图层中定义维度值的日期字段或数字字段。
raster_dimension	可选字符串。链接到目标数据中维度的输入多维栅格(解释变量)的维度名称。
max_number_of_trees	可选整数。森林中的最大树数。增加树的数量将导致更高的准确率，尽管这种改进会趋于平稳。树的数量线性增加了处理时间。默认值为 50。
max_tree_depth	可选整数。森林中每棵树的最大深度。深度决定了每棵树可以创建的规则数量，从而产生决策。树不会比此设置更深。默认值为 30。
max_number_of_samples	可选整数。将用于回归分析的最大样本数。小于或等于 0 的值表示系统将使用输入目标栅格或要素图层中的所有样本来训练回归模型。默认值为 100,000。
average_points_per_cell	可选字符串。指定当多个训练点落入一个单元格时是否计算平均值。此参数仅在输入目标为要素图层时适用。选项包括： KEEP_ALL_POINTS — 当多个训练点落入单个单元格时，将使用所有点。这是默认设置。 AVERAGE_POINTS_PER_CELL —将计算单元内训练点的平均值。
output_scatter_plots_name	可选字符串。输出散点图的名称包括训练数据、测试数据和位置测试数据的散点图。
output_sample_features_name	可选字符串。包含训练点、测试点和位置测试点的目标值和预测值的输出要素类的名称。
percent_samples_for_testing	可选浮点数。定义用于错误检查的测试点的百分比。该工具检查三种类型的错误：训练点错误、测试点错误和测试位置点错误。默认值为 10。
output_importance_table_name	可选字符串。要创建的输出特征项或表项的名称。此名称是为了创建一个包含说明模型中使用的每个解释变量的重要性的信息的表。数字越大，表示对应变量与预测变量的相关性越高，对预测的贡献越大。值介于 0 和 1 之间，所有值之和等于 1。
context	上下文包含影响任务执行的其他设置。 context 参数覆盖通过arcgis.env 参数设置的值 此函数具有以下设置： 像元大小 (cellSize) - 设置输出栅格像元大小或分辨率 Extent(范围)：定义分析区域的边界框。 例子： {“extent”: {“xmin”: -122.68, “ymin”: 45.53, “xmax”: -122.45, “ymax”: 45.6, “spatialReference”: {“wkid”: 4326}}} 并行处理因子(parallelProcessingFactor)：控制光栅处理(CPU)服务实例。 例子： 具有指定数量的处理实例的语法示例： {“parallelProcessingFactor”: “2”} 具有指定百分比的总处理实例的语法示例： {“parallelProcessingFactor”: “60%”}
gis	可选的地理信息系统。运行此工具的 GIS 。如果未指定，则使用活动 GIS。
future	仅关键字参数。可选布尔值。如果为 True，则结果将是一个 GPJob 对象，并且结果将异步返回。
folder	仅关键字参数。可选的 str 或 dict。使用给定的文件夹名称在门户中创建一个文件夹(如果不存在)，并将输出保留在此文件夹中。 create_folder() 返回的字典也可以作为输入传入。 例子： {‘username’: ‘user1’, ‘id’: ‘6a3b77c187514ef7873ba73338cf1af8’, ‘title’: ‘trial’}

例子：

# Usage Example 1:

my_raster_1 = gis.content.search("raster_1", item_type="Imagery Layer")[0].layers[0]
my_raster_2 = gis.content.search("raster_2", item_type="Imagery Layer")[0].layers[0]
input_rasters = [my_raster_1, my_raster_2]

input_target_data = gis.content.search("my_target_data")[0].layers[0]

train_random_trees_regression_model_op = train_random_trees_regression_model(input_rasters=input_rasters,
                                                                             input_target_data=input_target_data,
                                                                             gis=gis)