执行物种分布建模 | Documentation

link管理

链接快照平台

输入网页链接，自动生成快照
标签化管理网页链接

相关文章推荐

谈吐大方的仙人球 · 线性回归(梯度下降法)-SPSSPRO帮助中心· 21 小时前 ·

帅气的闹钟 · 悦享福州文史｜闽都一枝兰　清范馨香远——追忆 ...· 6 天前 ·

俊秀的鼠标垫 · FORERUNNER 165 系列 ...· 2 周前 ·

玩足球的馒头 · findstr | Microsoft Learn· 9 月前 ·

神勇威武的灌汤包 · mongodb 按条件 ...· 9 月前 ·

狂野的皮蛋 · 怎么继承 CSSProperties ...· 1 年前 ·

使用基于森林的分类技术设置工程训练基于森林的增强分类与回归模型解释并改进随机森林模型使用 MaxEnt 技术训练仅存在预测模型解释并改进仅存在预测模型比较随机森林和 MaxEnt 想要了解更多？相关 Esri 培训

<p id="GUID-968F7565-B175-44BC-8E9E-F2B863B53DD6"/><p id="GUID-A079A8D6-4EB5-4823-9B8B-D1EB34707B60">野猪作为一种入侵物种，每年都会导致大量自然栖息地遭到破坏或退化，威胁生物多样性并扰乱本土物种。其拱地觅食行为也会破坏农业和灌溉系统，它们还会携带传染性疾病并传染给家畜。根据 iNaturalist 的观测对这些动物的分布进行建模可以帮助野生动物和保护管理人员追踪、评估并遏制其破坏行为。</p><p id="GUID-6F2560D8-6791-4898-A45E-C72CBCE77136">在本教程中，您将侧重于两种用于物种分布建模的方法：基于森林的增强分类和回归以及仅存在预测。可以单独使用或者组合使用这两种方法以创建并评估物种分布。</p><p id="GUID-5678A91A-B507-4D93-917E-617B68BAF14A">本教程中概述的方法旨在演示一些适用于物种分布建模的方法。并非旨在规定该主题的工作流或单一方法。当您在工作中使用这些方法时，请务必将您自己的专业知识应用于所建模的现象，以产生最佳结果。</p></div> <div class="requirements" id="requirements"><h4 class="leader-1 trailer-half">要求</h4><ul><li purpose="li" id="LI_760DCB1FD2DB4AA299ED80CB72EE0C0F" conrefsub="GUID-33DD3BCE-FFEC-4235-A376-3F0693A4C2F4/LI_7E5E45AD7B614041BB2EEFDBDFBBBB51"><span class="ph">ArcGIS Pro Standard</span> 或 Advanced（<a class="xref xref" esrisubtype="extrel" hrefpfx="" href="/en/become-a-member/">请参阅软件访问权限选项</a>）</li><li purpose="li" id="LI_B0F4EEDB50684765AA4A6A53DD541702"><span class="ph">ArcGIS Spatial Analyst 扩展模块</span></li></ul></div> <div class="lesson-plan" id="lesson-plan"><h2 class="leader-1">Outline</h2><table class="table-striped"><tbody><tr><td><a href="#%E4%BD%BF%E7%94%A8%E5%9F%BA%E4%BA%8E%E6%A3%AE%E6%9E%97%E7%9A%84%E5%88%86%E7%B1%BB%E6%8A%80%E6%9C%AF"><h5 class="trailer-0">使用基于森林的分类技术</h5></a><p>使用基于森林的增强分类与回归工具对物种分布进行建模和分析。</p></td><td><ul class="tpc-duration">30 分钟</ul></td></tr><tr><td><a href="#%E4%BD%BF%E7%94%A8 MaxEnt %E6%8A%80%E6%9C%AF"><h5 class="trailer-0">使用 MaxEnt 技术</h5></a><p>使用“仅存在预测”工具对物种分布进行建模和分析，并比较结果。</p></td><td><ul class="tpc-duration">30 分钟</ul></td></tr></tbody></table></div> <p id="GUID-31F75A18-7C54-4ECC-973F-FD5845CE7842">建模物种分布的一种方法是使用常见的机器学习算法：随机森林。 <span class="ph">ArcGIS Pro</span> 中的<a target="_blank" class="xref xref" href="https://pro.arcgis.com/en/pro-app/latest/tool-reference/spatial-statistics/forestbasedclassificationregression.htm">基于森林的增强分类与回归</a>工具提供两种算法以供选择：随机森林算法的改编版本或极限梯度提升 (XGBoost) 算法。在本模块中，您将使用基于森林的算法，该算法根据作为训练数据集的一部分提供的已知值来训练模型，然后可将其用于预测未知值。您将运行该工具两次，第一次用于训练初步模型并评估其精度，第二次用于改进模型并生成栅格预测图层。</p><section class="section1 padded-anchor" id="subsection-1" purpose="section1"><h2>设置工程</h2><p id="GUID-DD3B6812-E9DA-45DC-A855-D0AC28C42F10">首先，您将下载物种分布建模所需的数据。已将数据共享为工程包，可以在 <span class="ph">ArcGIS Pro</span> 中下载并打开此数据。已对数据进行提取、裁剪和投影（处理过程如下所述）。有关如何针对物种分布建模准备自己的数据的详细信息，请参阅教程<a class="xref xref" esrisubtype="extrel" hrefpfx="" href="/en/projects/prepare-data-for-species-distribution-modeling/">针对物种分布建模准备数据</a>。</p><section class="wfsteps padded-anchor" purpose="wfsteps"><div class="steps" id="ESRI_STEPS_C4C7ADEEDAEB4DC48D7D9B7C40CC03B9"><ol class="list-numbered" purpose="ol"><li purpose="step" id="ESRI_STEP_59523E31760A4141914488243BF80E49"><span purpose="cmd">下载<a target="_blank" class="xref xref" href="https://arcgis.com/home/item.html?id=ffa72e21401f42cc88f98d36f0c3807c">教程数据</a>。</span></li><li purpose="step" id="ESRI_STEP_54C46A0E0EE04F34AA4DA856EA7F6345"><span purpose="cmd">双击 <span class="uicontrol">Hurricane_Elsa</span> 工程包以打开 <span class="ph">ArcGIS Pro</span>。如有必要，请使用获得许可的 ArcGIS 帐户进行登录。</span><div class="info" purpose="info"><p id="GUID-A7D4FEA5-53DE-4F33-9CC5-5DD3DFBC6974">此工程包含物种分布建模所需的数据。</p><p id="GUID-AC6C809F-6CC1-452A-8FA0-1F6A39EAD879"/><ul purpose="ul" id="UL_11EE3D52DBB841469F5651B50E15C190"><li purpose="li" id="LI_BBA3A2ED8F304A9ABC7BBD376A9A3430">野猪观测点来自 <a target="_blank" class="xref xref" href="https://www.arcgis.com/home/item.html?id=99e3e9ccfaec422db6d4266569aa19d7">iNaturalist Observations</a>。 Sus_scrofa_California 图层恰好包含这些观测点。 Sus_scrofa_California_absence_presence 图层还包含伪缺失点，即尚未观察到野猪的点，这是基于森林的回归建模的要求。</li><li purpose="li" id="LI_1CD030B0E15943B7B29CD48DD581B7AF">从 <a target="_blank" class="xref xref" href="https://www.arcgis.com/home/item.html?id=e56c9cb70aa949adb791c4311003d9ae">Bioclimate Baseline 1970-2000</a> 图层中提取了代表有关温度和降水的 19 个环境变量的生物气候数据。已将其投影至 NAD 1983 California (Teale) Albers (Meters) 并将其裁剪至加利福尼亚州。经过裁剪的图层略微延伸至州边界之外，以确保可以提取位于州边界上或附近的观测点或伪缺失点的环境数据。</li><li purpose="li" id="LI_0636E08E935C4BB0826E3FA65E4C25E3">高程和坡度数据源自 <a target="_blank" class="xref xref" href="https://www.usgs.gov/centers/eros/science/usgs-eros-archive-digital-elevation-global-multi-resolution-terrain-elevation">USGS EROS Archive - Digital Elevation - Global Multi-resolution Terrain Elevation Data 2010</a>，已将其投影至 NAD 1983 California (Teale) Albers (Meters) 并将其裁剪至加利福尼亚州。</li><li purpose="li" id="LI_8249B4D9C92D44EB9CFD2022ED9DC3DA">土地覆被数据提取自 <a target="_blank" class="xref xref" href="https://www.arcgis.com/home/item.html?id=3ccf118ed80748909eb85c6d262b426f">USA NLCD Land Cover</a>，已将其投影至 NAD 1983 California (Teale) Albers (Meters) 并将其裁剪至加利福尼亚州。</li></ul></div></li></ol></div></section></section><section class="section1 padded-anchor" id="subsection-2" purpose="section1"><h2>训练基于森林的增强分类与回归模型</h2><p id="GUID-BC8273FE-52AB-4D67-A5F4-5E9E2890DFB1"><a target="_blank" class="xref xref" href="https://pro.arcgis.com/en/pro-app/latest/tool-reference/spatial-statistics/forestbasedclassificationregression.htm">基于森林的增强分类与回归</a>工具根据作为训练数据集的一部分提供的已知值来训练模型，然后可将其用于预测未知值。可以在三种模式下运行此工具：仅训练、预测要素和预测栅格。在本部分中，您将使用训练模式来创建初步模型。运行该工具后，其将创建一系列图表和其他输出，帮助您评估模型的精度，并制定有关如何对其进行改进的决策。</p><section class="wfsteps padded-anchor" purpose="wfsteps"><div class="steps" id="ESRI_STEPS_E5C870155E4140F881EDA964357064CF"><ol class="list-numbered" purpose="ol"><li purpose="step" id="ESRI_STEP_E6767B9DAC4345EDBE2D702221580EDE"><span purpose="cmd">在<span class="uicontrol">地理处理</span>窗格中，搜索并打开<span class="uicontrol">基于森林的增强分类与回归</span>工具。</span><div class="info" purpose="info"><p id="GUID-CF56B05D-C308-4A55-8041-5C66297D2463">您将运行该工具两次，第一次用于分析输入数据，第二次用于调整输入以获得更好的模型。在生成预测之前，可以使用此选项评估模型的精度。此选项将在消息窗口和变量重要性图表中输出模型诊断。</p></div></li><li purpose="step" id="ESRI_STEP_AFBB25437BEF45D2A229542966BDD00A"><span purpose="cmd">对于<span class="uicontrol">预测类型</span>，选择 <span class="uicontrol">Train only</span>并确保<span class="uicontrol">模型类型</span>设置为 <span class="uicontrol">Forest-based</span>。</span><div class="info" purpose="info"><p id="GUID-4C795E66-8A67-49C1-9918-02601B575108"><figure class="fig" href="#"><img src="GUID-218B30F6-7CC4-45FB-B330-B3BFF114C78C-web.png" alt="将“基于森林的增强分类与回归”工具设置为“Train only”。" title="将“基于森林的增强分类与回归”工具设置为“Train only”。" loading="lazy"/></figure></p><p id="GUID-EDB883FF-F829-4A8B-97A1-33DBD4F82806">基于森林的模型依赖于基于训练数据创建的多棵决策树。决策树是一种类似流程图的图表，它使用已知结果的特征，并根据一系列决策确定未知数据点与其相匹配的可能性。每棵决策树可以生成自己的预测并对结果进行投票。模型将考虑所有决策树的投票，以预测或分类未知样本的结果。另一个选项为梯度提升模型，该模型将使用原始数据按顺序创建每棵决策树。每棵树都会更正之前的树的错误。</p></div></li><li purpose="step" id="ESRI_STEP_71DB4539094D4C4D8B7CB85C035F09BF"><span purpose="cmd">对于<span class="uicontrol">输入训练要素</span>，选择 <span class="uicontrol">Sus_scrofa_California_absence_presence</span>。对于<span class="uicontrol">要预测的变量</span>，选择 <span class="uicontrol">Presence</span> 字段，然后选中<span class="uicontrol">将变量视为类别变量</span>框。</span><div class="info" purpose="info"><p id="GUID-3270E8D9-1BDF-4EB7-91EA-104CD02982CC">此分析同时需要存在点和缺失点。在 <span class="uicontrol">Presence</span> 字段中，观察到野猪的位置将标注数字 1。所有其他点将标注数字 0。由于难以明确证明物种迁移的真正缺失，因此该图层将包含伪缺失点，或者一组随机采样的点，这些点表示未观察到野猪的位置。</p></div></li><li purpose="step" id="ESRI_STEP_BD7DE4643F6042039F5C2BB47CB681EC"><span purpose="cmd">选中<span class="uicontrol">包含所有预测概率</span>框。</span><div class="info" purpose="info"><p id="GUID-08F0B350-64CB-4072-A78C-C05E5B3C287D">该参数将生成一个输出，其显示了类别变量中所有类别的概率。在本例中，其将显示在给定位置缺失和存在的概率。</p><p id="GUID-66C2A7F6-E6AE-4360-9140-3121B5981FF1">接下来，您将添加解释性数据。解释变量可以来自字段，也可以根据距离要素计算解释变量或者从栅格中提取解释变量。可以使用这些解释变量类型的任意组合，但所选输入类型将影响可用输出。由于您希望最终输出是显示存在预测的栅格表面，因此您将使用<span class="uicontrol">解释训练栅格</span>选项。</p></div></li><li purpose="step" id="ESRI_STEP_974D70326FE04574B77CB7F865C843A8"><span purpose="cmd">对于<span class="uicontrol">解释性训练栅格</span>，单击<span class="uicontrol">添加多个</span>。选中相应复选框以添加所有 19 个生物气候变量、<span class="uicontrol">CA_Elevation</span>、<span class="uicontrol">CA_Slope</span> 和 <span class="uicontrol">CA_NCLD</span>，然后单击<span class="uicontrol">添加</span>。</span><div class="info" purpose="info"><p id="GUID-255664F8-E5E4-4D41-BE0D-399DF92980DE"><figure class="fig" href="#"><img src="GUID-51194541-9739-4DF6-976D-3441BAF31162-web.png" alt="添加解释训练栅格。" title="添加解释训练栅格。" loading="lazy"/></figure></p></div></li><li purpose="step" id="ESRI_STEP_13ACFEDC20AE47FA8EADCAE8135B2C59"><span purpose="cmd">在 <span class="uicontrol">CA_NLCD</span> 变量旁，选中<span class="uicontrol">类别变量</span>框。</span><div class="info" purpose="info"><p id="GUID-DBC611C1-7980-4BEC-9B6F-2C73B3A84580">模型的参数已设置完成。现在，您将从训练运行中创建输出，由此可帮助您评估和改进预测模型。</p></div></li><li purpose="step" id="ESRI_STEP_F9EE873476BA440585933B47F38CCE77"><span purpose="cmd">展开<span class="uicontrol">其他输出</span>部分。对于<span class="uicontrol">输出训练要素</span>，键入 <span class="usertext">fbbcr_output_trained</span>。</span><div class="info" purpose="info"><p id="GUID-29A1F857-52A9-4778-A3FA-6BED9A1F06BE">此输出将通过显示已正确和错误分类的输入数据集数量来测试预测的精度。</p></div></li><li purpose="step" id="ESRI_STEP_A6271F6EC9EB4120881363E65DC1D9E0"><span purpose="cmd">对于<span class="uicontrol">输出变量重要性表格</span>，键入 <span class="usertext">fbbcr_variable_importance</span>。</span><div class="info" purpose="info"><p id="GUID-FED54FA5-3D05-4B09-A031-ECBAEDC23A2A"><span class="uicontrol">输出变量重要性表格</span>值包含模型中使用的解释变量及其重要性。它将帮助您评估在模型初始运行中使用的众多解释变量中，对于预测野猪存在最重要的解释变量。它还会创建一个图表，其中显示了运行过程中变量重要性的分布。</p></div></li><li purpose="step" id="ESRI_STEP_E6E8FA3338D6449494F0E0C217FCEA92"><span purpose="cmd">对于<span class="uicontrol">输出分类性能表格(混淆矩阵)</span>，键入 <span class="usertext">fbbcr_class_performance</span>。</span><div class="info" purpose="info"><p id="GUID-7F4EDBCE-07FA-4323-909C-76BD81911131"><figure class="fig" href="#"><img src="GUID-506787CD-4126-4AB4-9F72-9CAE4B50E2B7-web.png" alt="训练验证的附加输出" title="训练验证的附加输出" loading="lazy"/></figure></p><p id="GUID-3A1D14F9-F948-4B45-AAA1-97904350E753">仅当因变量为类别变量并且部分输入数据用于验证时，此输出才可用。输出表格将显示基于验证数据的每个类别中的真阳性 (TP)、真阴性 (TN)、假阳性 (FP) 和假阴性 (FN) 的数量。</p></div></li><li purpose="step" id="ESRI_STEP_2C2E6202707A4659AFD8A23D8E1F3C6F"><span purpose="cmd">展开<span class="uicontrol">高级模型选项</span>组。</span><div class="info" purpose="info"><p id="GUID-CD0CE557-5F0D-4006-9ACC-250AD561CE00">此组中的选项称为超参数，用于控制建模中使用的决策树的数量以及树的特征。例如，增加森林或增强模型中的树数通常会导致模型预测更加精确，但计算模型所需的时间将更长。较小的<span class="uicontrol">最小叶子大小</span>值会导致模型易受到数据噪点的影响。要更好地了解可能需要进行调整的参数，您将首先使用默认参数运行模型。使用<span class="uicontrol">优化参数</span>设置将帮助您进行这些调整。</p></div></li><li purpose="step" id="ESRI_STEP_7DEB78C0EAAF435FB4D324C436D1DDBA"><span purpose="cmd">选中<span class="uicontrol">优化参数</span>框。</span><div class="info" purpose="info"><p id="GUID-E3C768DD-52F1-4881-A0C6-91C49D32862E"><figure class="fig" href="#"><img src="GUID-E09396DE-D165-4817-B65E-8C105041F20D-web.png" alt="选中“优化参数”框。" title="选中“优化参数”框。" loading="lazy"/></figure></p><p id="GUID-587892DD-303E-4F35-9756-5648EC759AE3">可以从多种优化方法中进行选择。为了缩短处理时间，您将使用默认<span class="uicontrol">随机搜索(快速)</span> 方法并优化模型精度。对于<span class="uicontrol">优化目标(目标)</span>，您也可以选择其他多个选项，这些选项侧重于优化模型性能的各种指标。</p></div></li><li purpose="step" id="ESRI_STEP_2E6ECF7CB41841EBB1D8F5710B8A8FE6"><span purpose="cmd">对于<span class="uicontrol">参数集的运行次数</span>，键入 <span class="usertext">10</span>。</span><div class="info" purpose="info"><p id="GUID-D5983800-179C-4B28-950D-1141FC450CC7">对于每个搜索点，<span class="uicontrol">随机搜索(稳健)</span> 方法将使用 10 个不同的随机种子来构建模型，选取一组具有中位模型性能的超参数值，然后移至下一个搜索点。该工具将搜索所有候选搜索点，然后选择一组具有最佳模型性能的超参数值。</p></div></li><li purpose="step" id="ESRI_STEP_B0B701A7BFE64ED1B2D27450D655CB85"><span purpose="cmd">对于<span class="uicontrol">模型参数设置</span>，添加以下超参数：</span><div class="substeps" id="ESRI_SUBSTEPS_91D97F649D9840278D426A73AE3C6DB6" purpose="substeps"><ol class="list-numbered" purpose="ol"><li purpose="substep" id="ESRI_SUBSTEP_A4987C7C8E6B4C2EB915D49A03CCDD4B"><span purpose="cmd"><span class="uicontrol">参数</span>：<span class="usertext">Number of Trees</span></span></li><li purpose="substep" id="ESRI_SUBSTEP_D030C842EE5044308278A3C492019A1B"><span purpose="cmd"><span class="uicontrol">下限</span>：<span class="usertext">100</span></span></li><li purpose="substep" id="ESRI_SUBSTEP_B78EAB869CE34A3FB5A6389475E143BC"><span purpose="cmd"><span class="uicontrol">上限</span>：<span class="usertext">500</span></span></li><li purpose="substep" id="ESRI_SUBSTEP_8792D023D98A4A01B204CA7208A0656C"><span purpose="cmd"><span class="uicontrol">间隔</span>：<span class="usertext">10</span></span><div class="info" purpose="info"><p id="GUID-17D3ED1B-DF01-40AD-87D2-47419A239D2D"><figure class="fig" href="#"><img src="GUID-28EF4A06-D7D9-49F9-BB1A-A44D30717144-web.png" alt="“优化参数”设置" title="“优化参数”设置" loading="lazy"/></figure></p><p id="GUID-53E778BF-5CA6-41E0-8AB7-677470641A01"/><div class="panel trailer-1 note" id="GUID-09900ABB-E00B-4D3C-9B1C-87A15AA4BBF5"><h5 class="icon-ui-comment trailer-0">注：</h5><p id="GUID-569425D8-3B1F-4A73-B1F0-2EF90F7995A2">当输入超参数时，您可能会看到<a target="_blank" class="xref xref" href="https://pro.arcgis.com/en/pro-app/latest/tool-reference/tool-errors-and-warnings/110001-120000/tool-errors-and-warnings-110526-110550-110535.htm">错误 110535</a> 的错误指示符。当完成输入超参数和测试条件后，错误将得到解决。</p></div></div></li></ol></div></li><li purpose="step" id="ESRI_STEP_DBC9001C776A4B429FA5806EE8967CFB"><span purpose="cmd">展开<span class="uicontrol">验证选项</span>部分。将<span class="uicontrol">验证的运行次数</span>设置为 <span class="uicontrol">25</span>。</span><div class="info" purpose="info"><p id="GUID-62F2885F-D6AE-4E7A-A96A-FEB50A18B087">该工具运行的次数越多，您对模型的信心则越高。每次验证运行时，将采用不同的 10% 的数据来测试模型。借助该工具的诊断，您可以比较训练运行与验证运行的精度得分。您也可以更好地了解每个变量对整体预测的重要性。</p></div></li><li purpose="step" id="ESRI_STEP_02321CD3EBD548F88B23ACD1CC66BA16"><span purpose="cmd">对于<span class="uicontrol">输出验证表格</span>，键入 <span class="usertext">fbbcr_out_validation</span>。</span><div class="info" purpose="info"><p id="GUID-C330856C-90BC-412B-8030-64689491F570">此表格随附一个图表，其中显示了精度得分的分布。该图表有助于评估模型的稳定性或者其是否需要改进。</p></div></li><li purpose="step" id="ESRI_STEP_4C54CF7DC45B4A7F918D0ED0A40DFC1E"><span purpose="cmd">单击<span class="uicontrol">运行</span>。</span><div class="info" purpose="info"><p id="GUID-F547F1C1-FB9A-4DFB-937D-BD77B5847CB6"><figure class="fig" href="#"><img src="GUID-596128F8-4062-4458-865E-4A03FBC7A94C-web.png" alt="设置“输出验证表格”，然后单击“运行”。" title="设置“输出验证表格”，然后单击“运行”。" loading="lazy"/></figure></p><p id="GUID-766467D1-6834-4240-8424-580ED97427C0">当工具运行完成后，<span class="uicontrol">fbbcr_output_trained</span> 图层随即添加至地图。</p><p id="GUID-19BB66BA-74AF-4B0C-92D9-816C450D88D2"><img purpose="img" placement="inline" alt="fbbcr_output_trained 图层已添加至地图。" title="fbbcr_output_trained 图层已添加至地图。" src="GUID-BB0C39B0-F8BE-4DF3-B68F-497EF3F410A8-web.png" loading="lazy"/>已创建的输出表将添加至<span class="uicontrol">内容</span>窗格的<span class="uicontrol">独立表</span>下。</p><p id="GUID-571DEB99-2F68-422A-B012-8FDD896A3D7D"/><div class="panel trailer-1 note" id="GUID-A64A1FC2-6656-493D-90A2-4DD7A18DD2CA"><h5 class="icon-ui-comment trailer-0">注：</h5><p id="GUID-0B059950-DF72-408F-97FA-C47669321E6D">默认情况下，基于森林的模型每次运行都会对不同的随机训练数据样本进行采样，因此如果多次运行该工具，可能会得到不同的结果。</p></div></div></li></ol></div></section></section><section class="section1 padded-anchor" id="subsection-3" purpose="section1"><h2>解释并改进随机森林模型</h2><p id="GUID-D932711B-4637-4020-89F2-83FE6451E15E">运行一次该工具后，您将使用工具诊断、图表和训练输出来评估该模型预测野猪存在的准确性。您应该评估两个方面以决定要改进的参数：模型性能和解释数据相关性。工具诊断将提供一系列统计数据，例如“模型袋外误差”和“分类诊断”，这些统计数据可帮助您评估是否应该更新参数或超参数。 Top Variable Importance 表格也会报告对预测影响最大的解释变量，由此可移除多余的数据。</p><p id="GUID-F96D053D-FC1E-4848-987C-AD97A3E3F91D">当训练模型时，最佳做法是多次运行模型，测试不同的参数以进行改进。由于时间原因，本教程仅限于运行两次该工具。有关输出的附加分析，请参阅文档文章<a target="_blank" class="xref xref" href="https://pro.arcgis.com/en/pro-app/latest/tool-reference/spatial-statistics/how-forest-works.htm">基于森林的增强分类与回归的工作原理</a>。</p><p id="GUID-62E938E3-38F8-47BF-B6F3-7EA7E347C934"/><div class="panel trailer-1 note" id="GUID-7EFD165E-9CB1-4ADD-B61A-71154AE2040F"><h5 class="icon-ui-comment trailer-0">注：</h5><p id="GUID-68C3BA2A-63F3-4FEA-9A4D-EE7217D3CFE3">您的结果可能与本部分中给出的所有示例有所不同。这种差异是由于工具执行的随机采样造成的。</p></div><section class="wfsteps padded-anchor" purpose="wfsteps"><div class="steps" id="ESRI_STEPS_6169D8F10B394F17A592DB5B87734AC6"><ol class="list-numbered" purpose="ol"><li purpose="step" id="ESRI_STEP_A11C97AB31BE4BFF9803F63615383BEE"><span purpose="cmd">当<span class="uicontrol">基于森林的增强分类与回归</span>工具完成运行后，请单击<span class="uicontrol">地理处理</span>窗格底部的<span class="uicontrol">查看详细信息</span>。</span><div class="info" purpose="info"><p id="GUID-346A2A87-42C2-4B7D-A026-571F492EE535"><figure class="fig" href="#"><img src="GUID-1FCC0A02-2598-4F00-8FBD-302F50765754-web.png" alt="单击“查看详细信息”以打开有关该工具参数的说明。" title="单击“查看详细信息”以打开有关该工具参数的说明。" loading="lazy"/></figure></p><p id="GUID-75CFD387-BB8A-4F3F-B58A-CDC02F7BA790"/><div class="panel trailer-1 note" id="GUID-80F41CAB-ADF9-4843-AD7E-E169CCBDD1DB"><h5 class="icon-ui-comment trailer-0">注：</h5><p id="GUID-EC71B45E-7684-4A22-BEC0-3BDD0EBE5146">如果您已关闭<span class="uicontrol">地理处理</span>窗格，您也可以从<span class="uicontrol">地理处理历史记录</span>访问<span class="uicontrol">详细信息</span>。在功能区上，单击<span class="uicontrol">分析</span>选项卡。在<span class="uicontrol">地理处理</span>组中，单击<span class="uicontrol">历史记录</span>。在<span class="uicontrol">历史记录</span>窗格中，右键单击<span class="uicontrol">基于森林的增强分类与回归</span>工具并选择<span class="uicontrol">查看详细信息</span>。</p></div><p id="GUID-91DEA10C-CFDE-4A1F-87D8-F843DC13EE70">该工具的详细信息包含所用参数的记录以及可帮助您解释结果的消息。</p></div></li><li purpose="step" id="ESRI_STEP_5A02BFBD0AF946B0B578EEFEED4EADA4"><span purpose="cmd">如有必要，请单击<span class="uicontrol">详细信息</span>窗口中的<span class="uicontrol">消息</span>选项卡。</span><div class="info" purpose="info"><p id="GUID-3A9F8FA6-8822-4CBA-8CAC-1C0AF0B284D3"><figure class="fig" href="#"><img src="GUID-945B19D7-AEA4-42D2-8967-3A438094C22C-web.png" alt="单击“消息”选项卡。" title="单击“消息”选项卡。" loading="lazy"/></figure></p><p id="GUID-617E5332-0262-4E76-B4F8-78813AC72F67">第一个表格将显示<span class="uicontrol">模型特征</span>，或者用于指定基于森林的模型的超参数。由于您允许对参数进行优化，因此可能会使用比默认值 100 更多的树来运行该模型。您的模型所使用的确切数量将有所不同，具体取决于其所采集的随机样本。</p><p id="GUID-29989869-E7E6-4DA5-84BF-71325F001936"/><div class="panel trailer-1 note" id="GUID-4ACC47F1-5C21-45EB-8BBC-4DB39CAA4F41"><h5 class="icon-ui-comment trailer-0">注：</h5><p id="GUID-FA2FB8D0-5C66-405F-B1F5-CB7F5F798C6B">该工具的警告表明读取某些输入要素时存在问题。由于输入栅格的分辨率和范围（为了缩短处理时间并减小文件大小，会将这些栅格裁剪到加利福尼亚州），无法从栅格中将一些靠近海岸的观测点的信息提取到这些点。</p></div></div></li><li purpose="step" id="ESRI_STEP_629E0380270047E88A42DD5173B7F6FD"><span purpose="cmd">向下滚动至 <span class="uicontrol">Model Out of Bag Errors</span> 表格。</span><div class="info" purpose="info"><p id="GUID-8D0ABE82-BB11-44A0-BEDB-F83D4D48D19E">模型袋外误差 (OOB) 可帮助您评估模型的精度。 <span class="uicontrol">MSE（均方误差）</span>基于模型精确预测<span class="uicontrol">要预测的变量</span>值的能力。将针对所用树数的一半以及所用树总数来计算这些误差。如果针对两种树数所解释的误差和变异百分比相似，则可能无需增加所使用的树数。由于要预测的变量为类别变量，因此将根据未看到森林中树子集的树中每个类别的错误分类百分比来计算 OOB 误差。</p></div></li><li purpose="step" id="ESRI_STEP_37340A6987064D8EA576170C76D88779"><span purpose="cmd">请注意 <span class="uicontrol">Top Variable Importance</span> 表格中最重要的变量。</span><div class="info" purpose="info"><p id="GUID-22E361B9-1E52-4D69-BC22-ED9BE2E1786F"><figure class="fig" href="#"><img src="GUID-48592EAE-D3E9-4428-A3B7-FEE3A4A59757-web.png" alt="Top Variable Importance 表格" title="Top Variable Importance 表格" loading="lazy"/></figure></p><p id="GUID-6F92823D-5A67-439F-BD1C-F5338108E775">由于您使用的解释变量较多，因此每个变量的重要性将相对较低，但该表格仍然是一种非常有用的方法，由此可确定可能对野猪存在产生最大影响的变量。您将使用此表格的结果，以及使用 <span class="uicontrol">fbbcr_variable_importance</span> 输出创建的 <span class="uicontrol">Summary of Variable Importance</span> 表格以减少下次运行该工具时使用的变量数量。</p></div></li><li purpose="step" id="ESRI_STEP_D85660CAD5C64293AF84C662B6A199F4"><span purpose="cmd">将 <span class="uicontrol">Training Data: Classification Diagnostics</span> 表格中的得分与 <span class="uicontrol">Validation Data: Classification Diagnostics</span> 表格中的得分进行比较。</span><div class="info" purpose="info"><p id="GUID-9E1085D4-D759-44DC-A76D-C2CF1BBC8B06"><figure class="fig" href="#"><img src="GUID-4B3F5515-F02E-4A30-BC8D-55615EC66302-web.png" alt="比较 Classification Diagnostics 表格。" title="比较 Classification Diagnostics 表格。" loading="lazy"/></figure></p><p id="GUID-1B1C00C1-211E-42F8-91FF-E9F3BEBF7273"><span class="uicontrol">Training Data: Classification Diagnostics</span> 表格将报告模型在训练数据上的性能，验证表格将报告模型在未知数据上的性能。如果模型在训练数据上的性能良好，但在验证数据上的性能非常差，则表明模型中可能存在过度拟合。通常，F1-Score 和 MCC 越接近 1，则模型的性能越佳。</p></div></li><li purpose="step" id="ESRI_STEP_F17CDC40115F4893839C93169F8C03CB"><span purpose="cmd">在 <span class="uicontrol">Validation Data: Classification Diagnostics</span> 表格中，比较 <span class="uicontrol">Sensitivity</span> 和 <span class="uicontrol">Accuracy</span> 值。</span><div class="info" purpose="info"><p id="GUID-346960B0-C83F-4017-A8AD-CA6BF5F5B0A0">此表格中报告的统计数据是模型性能的衡量标准。敏感性是指将某个观察到的类别的要素正确预测为该类别的次数的百分比，准确性是在该类别的总观测次数中正确识别某个类别的次数。这两个值均接近于 1，这意味着模型在验证运行期间已精确地对大多数点进行了分类。可以通过打开使用 <span class="uicontrol">fbbcr_class_performance</span> 表格创建的 <span class="uicontrol">Validation Performance</span> 图表以图形格式查看敏感性信息。</p></div></li><li purpose="step" id="ESRI_STEP_1AA2475F9E144D54A6C156F921D00D91"><span purpose="cmd">关闭<span class="uicontrol">详细信息</span>窗口。在<span class="uicontrol">内容</span>窗格的 <span class="uicontrol">fbbcr_output_trained</span> 图层下，右键单击 <span class="uicontrol">Prediction Performance</span> 图表并选择<span class="uicontrol">打开</span>。</span><div class="info" purpose="info"><p id="GUID-AC6218DB-032B-4269-92EB-0E0C16440971"><figure class="fig" href="#"><img src="GUID-D3BCDE9F-0EDB-4398-ABC6-09BFAA4730CC-web.png" alt="打开 Prediction Performance 表格。" title="打开 Prediction Performance 表格。" loading="lazy"/></figure></p><p id="GUID-E6D72AF0-C34F-48DA-A5E5-E56B21A8B2B0"><span class="uicontrol">Prediction Performance</span> 图表随即打开。每个条柱代表预测类别，子条柱的颜色将反映实际类别。该图表可用于显示模型正确预测感兴趣变量的频率以及出现问题的点。由于您在选中<span class="uicontrol">包含所有预测概率</span>参数的情况下运行模型，因此该图层中的每个点还包含野猪缺失或存在的概率。</p><p id="GUID-8E6E56B0-E1B1-4274-8711-2A7667370121">虽然此图表显示了模型在输入训练要素上的性能，但使用 <span class="uicontrol">fbbcr_out_validation</span> 表格创建的 <span class="uicontrol">Validation Accuracy</span> 图表显示了模型在验证数据上的性能。</p></div></li><li purpose="step" id="ESRI_STEP_F4152D1F313841DC8F9C554EEAF4F544"><span purpose="cmd">在 <span class="uicontrol">Prediction Performance</span> 图表的 <span class="uicontrol">0</span> 条柱中，单击较小的子条柱，其中显示了代表<span class="uicontrol">存在</span>但被错误分类为<span class="uicontrol">缺失</span>点的点。</span><div class="info" purpose="info"><p id="GUID-418CAE8D-564C-4E48-8FE7-98478523198B"><figure class="fig" href="#"><img src="GUID-CBFEAAFF-90FB-47E0-8522-4D6770A788A2-web.png" alt="错误分类的存在点" title="错误分类的存在点" loading="lazy"/></figure></p><p id="GUID-12591D3D-FD74-4BE0-A220-66F82D18F3DC">将在地图上选择错误分类为“缺失”点的点。这些点分散在整个州内。</p></div></li><li purpose="step" id="ESRI_STEP_F337A185FFE8440C844EB725BCB07C47"><span purpose="cmd">在地图上，单击其中一个错误分类的点。在弹出窗口中，向下滚动至 <span class="uicontrol">Probability</span> 属性。</span><div class="info" purpose="info"><p id="GUID-7A3B3431-76FD-4991-9923-8CB2EEA36627"><figure class="fig" href="#"><img src="GUID-CB8BED62-6541-4614-BEF6-9D03092B6264-web.png" alt="在弹出窗口中报告的 Probability 属性" title="在弹出窗口中报告的 Probability 属性" loading="lazy"/></figure></p><p id="GUID-FB9A95C4-8A34-4C54-89E8-AEC6988E71A9">在显示的所选点中，根据该点的环境属性，缺失的概率为 57%，存在的概率为 42%。</p></div></li><li purpose="step" id="ESRI_STEP_D67D46A069C4448E84C3B6BE005ABD76"><span purpose="cmd">在<span class="uicontrol">内容</span>窗格的<span class="uicontrol">独立表</span>下，对于 <span class="uicontrol">fbbcr_variable_importance</span> 表格，双击 <span class="uicontrol">Distribution of Variable Importance</span> 图表。</span><div class="info" purpose="info"><p id="GUID-A1FAD1E0-101C-4207-ACCB-0D8E7F1116EF">由于您已运行 25 次模型以进行验证，每次针对输入数据的不同子集，因此变量的重要性略有不同。虽然变量的重要性有所不同，但前 12 个变量的重要性相当高：<span class="uicontrol">BIO15_Precipitation_Seasonality</span>、<span class="uicontrol">BIO11_Mean_Temperature_of_Coldest_Quarter</span>、<span class="uicontrol"> CA_Elevation</span>、<span class="uicontrol">BIO3_Isothermality</span>、<span class="uicontrol">CA_NLCD</span>、<span class="uicontrol">BIO18_Precipitation_of_Warmest_Quarter</span>、<span class="uicontrol">BIO6_Min_Temperature_of_Coldest_Month</span>、<span class="uicontrol">BIO8_Mean_Temperature_of_Wettest_Quarter</span>、<span class="uicontrol">CA_Slope</span>、<span class="uicontrol">BIO1_Annual_Mean_Temperature</span>、<span class="uicontrol">BIO14_Precipitation_of_Driest_Month</span> 和 <span class="uicontrol">BIO12_Annual_Precipitation</span>。</p><p id="GUID-9783F5EE-78A2-42C5-AECA-B0D87BC291BC"><figure class="fig" href="#"><img src="GUID-75CC6EFE-ABE8-4CE1-9CE9-CAE069006D8D-web.png" alt="Distribution of Variable Importance 表格" title="Distribution of Variable Importance 表格" loading="lazy"/></figure></p><p id="GUID-887F1466-1118-442E-8F75-23FA89CF06BB">您将重新运行该工具，重点关注以上 12 个解释变量。移除不太重要的解释变量将有助于降低过度拟合模型的可能性。</p></div></li><li purpose="step" id="ESRI_STEP_0D0B217C1D3146D1BD15AAC0F4619C3C"><span purpose="cmd">在<span class="uicontrol">地理处理</span>窗格中的<span class="uicontrol">基于森林的增强分类与回归</span>工具中，将<span class="uicontrol">预测类型</span>更改为 <span class="uicontrol">Predict to Raster</span>。</span></li><li purpose="step" id="ESRI_STEP_22C2E4F179BE45DCA9DB7A895D47D0D5"><span purpose="cmd">对于<span class="uicontrol">解释训练栅格</span>，移除 Bioclimate 1、3、6、8、11、12、14、15、18、CA_Elevation、CA_NLCD 和 CA_Slope 之外的所有栅格。</span></li><li purpose="step" id="ESRI_STEP_22DD08105A0E407F8EC90BF288B29B81"><span purpose="cmd">对于<span class="uicontrol">输出预测表面</span>，键入 <span class="usertext">fbbcr_feral_swine_prediction</span>。</span><div class="info" purpose="info"><p id="GUID-70F2A400-B404-41ED-82B3-4E6FCAB67E32"><figure class="fig" href="#"><img src="GUID-31DCB51C-7D62-4CE4-BAB2-FC6179C4262F-web.png" alt="更新解释训练栅格。" title="更新解释训练栅格。" loading="lazy"/></figure></p></div></li><li purpose="step" id="ESRI_STEP_169C6FE6559841639DFF04CC9BB3862C"><span purpose="cmd">对于已在<span class="uicontrol">附加输出</span>、<span class="uicontrol">高级模型选项</span>和<span class="uicontrol">验证选项</span>类别中创建的所有输出，请在输出名称末尾添加 <span class="usertext">suffix _top12</span>。</span><div class="info" purpose="info"><p id="GUID-57E6AC2E-F22C-486D-B710-E396655BA67B">由此将重新创建预测表面的每个输出，以便比较两个模型，从而确保您正在改进预测。</p></div></li><li purpose="step" id="ESRI_STEP_400AD08BC02F4420A5EB73498A18302E"><span purpose="cmd">单击<span class="uicontrol">运行</span>。</span></li><li purpose="step" id="ESRI_STEP_568473169D844BB4BC8A04D627C9A91F"><span purpose="cmd">在<span class="uicontrol">内容</span>窗格中，取消选中 <span class="uicontrol">fbbcr_output_trained</span> 图层以将其关闭。关闭评估模型首次运行时打开的所有表格和图表。</span><div class="info" purpose="info"><p id="GUID-1B0D7D5A-6AE7-498E-A655-E7BFF5C75505"><figure class="fig" href="#"><img src="GUID-ED9DE03C-F57C-4642-BEF8-911C1DB7EDEF-web.png" alt="fbbcr_output_trained_top12 图层已添加至地图" title="fbbcr_output_trained_top12 图层已添加至地图" loading="lazy"/></figure></p></div></li><li purpose="step" id="ESRI_STEP_F792B834F09048DB87408275E4B712FF"><span purpose="cmd">使用您所了解的关于模型诊断和输出表格的知识来评估新模型。</span><div class="info" purpose="info"><p id="GUID-47F9951D-F070-4032-903A-742D164EA8FF">用于评估此模型的整体统计数据（包括 MSE、F-1 得分和 MCC）应有所改善。与第一个模型不同，这次运行更倾向于错误地预测存在，而非预测缺失。对于野猪来说，这可能是有益的，因为野猪种群<a target="_blank" class="xref xref" href="https://www.latimes.com/california/story/2022-04-01/feral-pigs-ravage-california-wildlands-suburbs-hunting">适应性强</a>，能够在各种条件下生存。</p></div></li><li purpose="step" id="ESRI_STEP_9081AAEB7C54436A910086BCDAC62A99"><span purpose="cmd">在<span class="uicontrol">内容</span>窗格中，取消选中 <span class="uicontrol">fbbcr_output_trained_top12</span> 图层以将其关闭。</span><div class="info" purpose="info"><p id="GUID-EE2F035B-E408-4212-BD8C-9C3E9EB915CF"><figure class="fig" href="#"><img src="GUID-2967D676-E281-4AAC-A338-5AF728620AC7-web.png" alt="预测表面显示了最有可能发现野猪的位置" title="预测表面显示了最有可能发现野猪的位置" loading="lazy"/></figure></p><p id="GUID-38DE10C4-4D3E-4C8E-8CCA-07683A2E79B3"><span class="uicontrol">fbbcr_feral_swine_prediction</span> 图层是一个栅格，其中根据环境特征显示了可能存在野猪的位置。</p></div></li></ol></div></section></section> <section class="wfsummary padded-anchor" id="GUID-1D55F0A3-1AFB-41AF-86C0-219043FC75CD" purpose="wfsummary"><p id="GUID-92B75415-A724-4403-8C8E-72179F7C84BB">在本部分中，您运行了两次基于森林的增强分类与回归工具以训练初步模型，并在生成栅格预测图层之前评估其准确性。实际上，此过程可能需要两次以上的迭代才能达到预期的结果。接下来，您将使用最大熵法来执行类似建模并比较结果。</p></section> <p id="GUID-769689FE-6CCC-49D8-A4F2-EF169E2A640C"><span class="ph">ArcGIS Pro</span> 中用于物种分布建模的另一种方法是<a target="_blank" class="xref xref" href="https://pro.arcgis.com/en/pro-app/latest/tool-reference/spatial-statistics/presence-only-prediction.htm">仅存在预测 (MaxEnt)</a>，该方法使用最大熵算法在已知存在位置和解释变量的情况下对现象的存在进行建模。与基于森林的模型一样，可以多次运行仅存在预测以评估和改进模型，并生成物种存在的预测界面。与基于森林的模型不同，您不需要同时包含存在点和缺失点（或者，在许多情况下为存在点和伪缺失点）的数据集，因此栅格表面将显示物种在某个区域中存在的概率，而非二元存在或缺失分类。</p><section class="section1 padded-anchor" id="subsection-4" purpose="section1"><h2>训练仅存在预测模型</h2><p id="GUID-4A3AC508-32F3-47F6-8D4F-82D434DE85EB">在本部分中，您将使用仅存在预测工具的训练功能来生成初步模型。由于您已使用基于森林的分类确定了最重要的解释变量，因此您也将在此工具中将其用作解释变量。</p><section class="wfsteps padded-anchor" purpose="wfsteps"><div class="steps" id="ESRI_STEPS_85740ABD6E9D427FBA557AC4790D1D6F"><ol class="list-numbered" purpose="ol"><li purpose="step" id="ESRI_STEP_B972112D759341029BEA082E858996E2"><span purpose="cmd">在<span class="uicontrol">地理处理</span>窗格中，搜索并打开<span class="uicontrol">仅存在预测 (MaxEnt)</span> 工具。</span><div class="info" purpose="info"><p id="GUID-887D51C1-E691-4B6F-8776-4D7ABF558CD0">与许多回归技术（包括<span class="uicontrol">基于森林的增强分类与回归</span>工具）不同，<span class="uicontrol">仅存在预测</span>不需要背景点或伪缺失点。与随机森林工具一样，特定类型的输入要素将产生不同的输出。在本例中，由于您希望生成另一个栅格表面，因此您仅需要使用观测点。</p></div></li><li purpose="step" id="ESRI_STEP_6179E887217241368386E68B07707671"><span purpose="cmd">对于<span class="uicontrol">输入点要素</span>，选择 <span class="uicontrol">Sus_scrofa_CA</span> 图层。</span></li><li purpose="step" id="ESRI_STEP_46603EFD54174D0080A9221487194468"><span purpose="cmd">对于<span class="uicontrol">解释性训练栅格</span>，单击<span class="uicontrol">添加多个</span>。选中相应复选框以添加与上次运行随机森林工具相同的变量：<span class="uicontrol">Bioclimate 1、3、6、8、11、12、14、15、18</span>、<span class="uicontrol">CA_Elevation</span>、<span class="uicontrol">CA_NLCD</span> 和 <span class="uicontrol">CA_Slope</span>。单击<span class="uicontrol">添加</span>。</span><div class="info" purpose="info"><p id="GUID-6490E0DF-CE7A-458E-8EC2-E5D11310DF99">虽然您可以使用所有 19 个生物气候变量运行此工具，但使用诸如随机森林等工具来了解变量对模型的重要性是一种较好的做法。在构建模型时，必须在简化模型以减少过度拟合与创建足够强大的模型以进行准确预测之间找到平衡。</p></div></li><li purpose="step" id="ESRI_STEP_FC830EC1325C40BBBDDA2E4385CD8EAD"><span purpose="cmd">在 <span class="uicontrol">CA_NLCD</span> 变量旁，选中<span class="uicontrol">类别变量</span>框。</span><div class="info" purpose="info"><p id="GUID-406D60BF-42AE-4A00-B1D6-958ADEDC74AE"><figure class="fig" href="#"><img src="GUID-3A970A8A-2CDC-4348-BFC4-90891A12973D-web.png" alt="选择解释训练栅格。" title="选择解释训练栅格。" loading="lazy"/></figure></p><p id="GUID-60CC4757-0DE4-4B59-A433-77ECDCFDE3B7">接下来，您将选择变量扩展。不同的扩展可以帮助理清变量之间的关系。随机森林模型中无需扩展，因为该算法可以自动处理因变量和解释变量之间的非线性关系。可以使用<span class="uicontrol">解释变量扩展（基函数）</span>参数在工具的一次运行中选择多个基函数，然后在模型中使用解释变量的所有变换版本。通过规则化选择表现最佳的变量，规则化是一种在模型拟合和模型复杂性之间实现折衷的变量选择方法。</p></div></li><li purpose="step" id="ESRI_STEP_6EB922947FEF49F189D4C712243F44D4"><span purpose="cmd">对于<span class="uicontrol">解释变量扩展（基函数）</span>，选中相应复选框以选择<span class="uicontrol">原始（线性）</span>、<span class="uicontrol">平方（二次）</span>和<span class="uicontrol">成对交互（乘积）</span>。</span><div class="info" purpose="info"><p id="GUID-2C3A6536-EF2F-40B4-9F0B-49645B76E4FE"><span class="uicontrol">原始（线性）</span>函数是唯一适用于类别数据（例如土地覆被）的函数。平方函数用于创建一种二次关系，可以更好地模拟物种与环境因素的关系，因为每个变量内都存在可形成物种理想栖息地的特定范围。例如，在降雨量适中的区域生长的物种并不适合沙漠条件或雨林；该关系为抛物线型。随着降雨率的增加，该物种栖息地适宜性的可能性也随之上升，而当降雨率超过某个点时，该物种栖息地适宜性的可能性会再次下降。成对函数也有利于对环境条件进行建模，因为该函数可以表示环境条件之间的关系。</p></div></li><li purpose="step" id="ESRI_STEP_BCEB13CA33FE44BE843B55E24BF7C309"><span purpose="cmd">对于<span class="uicontrol">研究区域</span>，选择<span class="uicontrol">面研究区域</span>并选择 <span class="uicontrol">California</span> 州边界图层作为<span class="uicontrol">研究区域面</span>。</span></li><li purpose="step" id="ESRI_STEP_5792EAC991F641D287732294AD66CBD7"><span purpose="cmd">选中<span class="uicontrol">应用空间细化</span>参数。</span><div class="info" purpose="info"><p id="GUID-E7C3CBD0-709E-4034-A01F-A7A512DB0621"><figure class="fig" href="#"><img src="GUID-4E64444D-F90D-43B7-9623-1768BC843A1C-web.png" alt="选中该复选框以应用空间细化参数。" title="选中该复选框以应用空间细化参数。" loading="lazy"/></figure></p><p id="GUID-822F91CB-3945-4868-8321-DC952459733A">空间细化将应用于观测点和背景点，以减少潜在的采样偏差。由于野猪观测数据由人员使用 iNaturalist 进行采集，因此可能会对有人员居住的区域以及存在使用 iNaturalist 应用程序来识别和报告各种物种的人员的区域都表现出偏见。空间细化可以通过移除彼此靠近的点来降低偏差的影响，这些点可能代表对同一动物的多次目击，或者代表人与动物更有可能发生互动的保护区（例如国家公园）等。</p></div></li><li purpose="step" id="ESRI_STEP_E8F7A2BA3BB24A5CA955D66E25CDD2BD"><span purpose="cmd">对于<span class="uicontrol">最小最近邻距离</span>，选择 <span class="uicontrol">1 千米</span>作为该距离。</span><div class="info" purpose="info"><p id="GUID-414F28AB-156E-4DC3-9EAE-73C4CFF9A574">接下来的参数是模型的超参数。</p></div></li><li purpose="step" id="ESRI_STEP_5DEDF509CAF3438E84BADC95CDA6C040"><span purpose="cmd">如有必要，请展开<span class="uicontrol">高级模型选项</span>。对于<span class="uicontrol">存在与背景的相对权重</span>，键入 <span class="usertext">1</span>。</span></li><li purpose="step" id="ESRI_STEP_D93C021F1BDA42B2802F5E124DBE17B6"><span purpose="cmd">对于<span class="uicontrol">存在概率变换（链接函数）</span>，选择 <span class="uicontrol">Logistic</span>。</span><div class="info" purpose="info"><p id="GUID-591C70AC-BF88-4CB6-876C-EDB68F38B539"><figure class="fig" href="#"><img src="GUID-67DA6585-5B37-4BC0-A5E1-B8D0A4C3CA25-web.png" alt="设置高级模型选项。" title="设置高级模型选项。" loading="lazy"/></figure></p><p id="GUID-DD6135BD-4E92-4E6D-85D9-9D18B8D4E6CB">在两个可用的<span class="uicontrol">存在概率变换</span>函数中，当存在不是绝对值时，Logistic 是更好的选择。例如，由于野猪可能不会停留在被观测到的地点，而是四处游荡以寻找食物和栖息地，因此 Logistic 函数是合适的。由于您已选择使用 Logistic 函数，因此<span class="uicontrol">存在与背景的相对权重</span>参数应该较低。在本例中，您将为存在点和伪缺失点赋予相同的权重。</p><p id="GUID-C06DB418-CADA-46D6-8EE1-090C17F73215">现在，您还需要接受<span class="uicontrol">存在概率中断</span>值 <span class="uicontrol">0.5</span> - 此工具首次运行的诊断将帮助您确定是否需要不同的中断值来改进未来的运行。</p><p id="GUID-B6A0FDA8-A398-4E90-A50D-F2C4E3DADD67">现在，您可以选择希望该工具输出的诊断和图表。该工具将输出组织为训练和预测输出。主要区别在于训练输出对应于模型训练和选择中使用的数据，而预测输出对应于模型尚未暴露的数据。</p></div></li><li purpose="step" id="ESRI_STEP_FDF6A25CD1CB4D28BAF84425E5ADF5AF"><span purpose="cmd">展开<span class="uicontrol">训练输出</span>组。对于<span class="uicontrol">输出训练要素</span>，键入 <span class="usertext">pop_output_trained</span>。</span><div class="info" purpose="info"><p id="GUID-E753F2A7-CEB0-45FA-B89C-428D00569BB4">此输出的结果将为一个要素类，其中包含训练模型中使用的点以及 3 个用于附加解释的图表。该输出将符号化输入存在点和任何背景点，通过模型分类与观测分类之间的比较来创建这些点，由此提供了一种分析模型预测的可视化方法。</p><p id="GUID-E4E72D56-9AD8-4748-AB86-B1952C79EB71">现在，您将跳过输出训练栅格。运行初始模型并了解其在输入点要素上的性能后，即可创建栅格表面。首次运行时，您将创建一个<span class="uicontrol">响应曲线表</span>以显示每个输入栅格对预测的影响，以及一个<span class="uicontrol">灵敏度表</span>，由此将帮助您确定<span class="uicontrol">存在概率中断值</span>参数的良好值。</p></div></li><li purpose="step" id="ESRI_STEP_97D81AF592264C7480C9203BF04EBE56"><span purpose="cmd">对于<span class="uicontrol">输出响应曲线表</span>，键入 <span class="usertext">pop_response_curve</span>；对于<span class="uicontrol">输出灵敏度表</span>，键入 <span class="usertext">pop_sensitivity</span>。</span></li><li purpose="step" id="ESRI_STEP_17D8939B65A14056A9D0E567C0BA9347"><span purpose="cmd">展开<span class="uicontrol">验证选项</span>组。对于<span class="uicontrol">重采样方案</span>，选择<span class="uicontrol">随机</span>，并将<span class="uicontrol">组数</span>参数设置为 <span class="uicontrol">5</span>。</span><div class="info" purpose="info"><p id="GUID-CB40CDA9-0B72-47A8-B7A4-FF7120E04A58"><span class="uicontrol">重采样方案</span>参数允许该工具进行交叉验证以评估模型的稳定性。可将这些点随机分为五组，在执行交叉验证时，每组将被排除一次。</p></div></li><li purpose="step" id="ESRI_STEP_9590162215DD4890A584711E7418C5BB"><span purpose="cmd">单击<span class="uicontrol">运行</span>。</span><div class="info" purpose="info"><p id="GUID-AD27D2C8-5C86-49FC-A7C9-24E542FBB840"><figure class="fig" href="#"><img src="GUID-6835E092-D17E-487A-B32A-F6908F8D6461-web.png" alt="首次运行“仅存在预测”工具" title="首次运行“仅存在预测”工具" loading="lazy"/></figure></p></div></li></ol></div></section><p id="GUID-0942E282-7CFC-4588-BC2B-F0350A9DB665">工具完成运行后，会将输出图层和表格添加至<span class="uicontrol">内容</span>窗格。随即将 <span class="uicontrol">pop_output_trained</span> 图层添加至地图。</p></section><section class="section1 padded-anchor" id="subsection-5" purpose="section1"><h2>解释并改进仅存在预测模型</h2><p id="GUID-CFC6C870-AB6A-4955-9E35-F192AD64F015">运行一次该工具后，您将使用工具诊断、图表和训练输出来评估该模型预测野猪存在的准确性。工具诊断可帮助您评估模型的准确性，并报告正确分类的存在点和背景点的数量。虽然初始训练运行的所有统计数据和输出都可以帮助您改进模型的各个方面，但在本部分中，您将重点关注“曲线下面积”和“遗漏率”统计数据，由此将帮助您为下次运行该工具确定合适的“存在概率中断值”参数。</p><p id="GUID-43086247-B3EF-4265-977D-8EA1358ED772"/><div class="panel trailer-1 note" id="GUID-3B863510-258B-4973-A575-66C8A2CC627A"><h5 class="icon-ui-comment trailer-0">注：</h5><p id="GUID-260886A0-2E20-49B2-9F5F-E93FB2609AA2">当训练模型时，最佳做法是多次运行模型，测试不同的参数以进行改进。由于时间原因，本教程仅限于运行两次该工具。有关输出的其他分析，请参阅文档文章<a target="_blank" class="xref xref" href="https://pro.arcgis.com/en/pro-app/latest/tool-reference/spatial-statistics/how-presence-only-prediction-works.htm">仅存在预测 (MaxEnt) 的工作原理</a>。</p></div><section class="wfsteps padded-anchor" purpose="wfsteps"><div class="steps" id="ESRI_STEPS_7EA7528A889A45089524DEB0EC5C1B9D"><ol class="list-numbered" purpose="ol"><li purpose="step" id="ESRI_STEP_D15B50D62154439C9D2DDDC0A0E00C74"><span purpose="cmd">在<span class="uicontrol">内容</span>窗格中，取消选中除了 <span class="uicontrol">pop_output_trained</span>、<span class="uicontrol">California</span> 边界图层以及底图之外的所有图层以将其关闭。</span><div class="info" purpose="info"><p id="GUID-BABC5C0F-357D-4D4D-8236-1F1B310E18B9"><figure class="fig" href="#"><img src="GUID-ACFC0645-BC63-4A52-85BC-496EF2172A67-web.png" alt="Pop_output_trained 图层" title="Pop_output_trained 图层" loading="lazy"/></figure></p></div></li><li purpose="step" id="ESRI_STEP_2D9B9B0A4B244C78A2F7F882273BB56F"><span purpose="cmd">在<span class="uicontrol">地理处理</span>窗格底部，单击<span class="uicontrol">查看详细信息</span>以打开工具诊断。</span><div class="info" purpose="info"><p id="GUID-F60FCE0C-9735-496D-8D3B-AD44F1015A05"><figure class="fig" href="#"><img src="GUID-DCDAD347-EDBF-4477-BE3D-03816B0040E5-web.png" alt="单击“查看详细信息”以打开工具消息。" title="单击“查看详细信息”以打开工具消息。" loading="lazy"/></figure></p><p id="GUID-12EA0950-8FE9-45B0-B800-3727B9006F5B">针对此工具显示了一些警告。与之前一样，一些靠近州边界的点可能没有可用的栅格信息。未细化任何背景点，考虑到研究区域的大小，这并不一定是个问题。最后，Land Cover 数据集中的其中一个类别（永久冰雪类别）的数据点少于 8 个。可以使用 <span class="uicontrol">Explanatory Variable Category Diagnostics</span> 表进一步探索此问题。</p><p id="GUID-2F2FC18C-E858-47D6-BC0C-571512042E16">要查看的第一个表为 <span class="uicontrol">Count of Presence and Background Points</span> 表，该表显示了模型的准确性。</p></div></li><li purpose="step" id="ESRI_STEP_60C9BE44E75545D9A6D0530AA641F867"><span purpose="cmd">在 <span class="uicontrol">Count of Presence and Background Points</span> 表中，比较 <span class="uicontrol">Number of Presence Points</span> 行以确定用于训练模型的点数以及被正确分类为存在的点数。</span><div class="info" purpose="info"><p id="GUID-DD3EF241-BA65-41BC-9D26-6A19E9F39FF7"><figure class="fig" href="#"><img src="GUID-FF0C20B8-F208-45F7-91AF-0B26675EE222-web.png" alt="比较 Number of Presence Points 行" title="比较 Number of Presence Points 行" loading="lazy"/></figure></p><p id="GUID-803E74D8-C3C5-4277-BEB6-0E99C2365D1E">这两列的数值越接近，则模型的性能越好。您也希望评估 <span class="uicontrol">Number of Background Points</span> 行。由于您将<span class="uicontrol">存在与背景的相对权重</span>参数设置为 <span class="uicontrol">1</span>，因此该数值应该相对较低。</p><p id="GUID-B23D4BD4-4DFC-46F0-872D-1EE09840FBEE"><span class="uicontrol">Model Characteristics</span> 表格用于记录所使用的模型参数。</p></div></li><li purpose="step" id="ESRI_STEP_B7373E5355634B169DF92649B0BB28CC"><span purpose="cmd">在 <span class="uicontrol">Model Summary</span> 表中，评估 <span class="uicontrol">AUC</span> 值。</span><div class="info" purpose="info"><p id="GUID-84CA6B1C-3B4C-44E0-A003-C975BDCA8EFA"><figure class="fig" href="#"><img src="GUID-178BF85B-136B-4C01-86F1-87E426A2E59E-web.png" alt="评估曲线下面积统计数据。" title="评估曲线下面积统计数据。" loading="lazy"/></figure></p><p id="GUID-3C6EF066-44AC-40EE-9C85-D0CEC8706F3A"><span class="uicontrol">AUC</span>，即曲线下面积统计数据，用于描述模型在将已知存在位置估计为存在以及将已知背景位置估计为背景方面的能力。该值越高（最大值为 1），则模型的性能越好。 AUC 统计数据与遗漏率结合使用，用于显示被错误地分类为存在概率较低的存在点的百分比。您将使用通过 <span class="uicontrol">pop_sensitivity</span> 表格创建的图表进一步评估这两个统计数据。</p></div></li><li purpose="step" id="ESRI_STEP_6F334484D0A640D4A481011E74FDDE62"><span purpose="cmd">向下滚动至 <span class="uicontrol">Regression Coefficients</span> 表格。</span><div class="info" purpose="info"><p id="GUID-6099A1CF-21E4-4FFD-94DF-F85B1D79A712"><figure class="fig" href="#"><img src="GUID-4B2E8D0D-60A2-4B08-A08F-82E76F9AB069-web.png" alt="Regression Coefficients 表格" title="Regression Coefficients 表格" loading="lazy"/></figure></p><p id="GUID-A67B3784-D2F7-4D9D-B94C-346CF65332A9">此表格用于报告模型中最终使用的变量。大多数变量以 product 一词作为前缀，表明通过成对交互（乘积）扩展对所使用的许多变量进行了变换。</p><p id="GUID-0176BFB7-990E-488D-AA53-A3337DFE0A1F">最后两个表显示了采样数据所表示的数值范围。在最后一个表格中，您可以查看 NLCD 数据并确定采样不足，由此导致以上所示警告的类别。</p></div></li><li purpose="step" id="ESRI_STEP_B2D83A5A6F1B4A3B9266E2E44FE6AB21"><span purpose="cmd">在 <span class="uicontrol">Explanatory Variable Category Diagnostics</span> 表格中，确定采样值少于 8 个的类别。</span><div class="info" purpose="info"><p id="GUID-293A8728-252F-4B5C-AE41-4E2FC0A13588"><figure class="fig" href="#"><img src="GUID-F51B4ECA-955E-40C7-AEE1-6886EA2470AC-web.png" alt="类别 12：采样点少于 8 个的土地覆被类型" title="类别 12：采样点少于 8 个的土地覆被类型" loading="lazy"/></figure></p><p id="GUID-D481F96B-D489-44B6-BB70-83B19B99CD71">在本示例中，类别 12 具有 4 个采样点。根据 <a target="_blank" class="xref xref" href="https://www.arcgis.com/home/item.html?id=3ccf118ed80748909eb85c6d262b426f">NLCD 图层的项目详细信息</a>，类别 12 代表常年冰雪覆盖，加利福尼亚州的此类覆盖相对较少。由于样本数量大致与现实世界中这种特定类型的土地覆被的存在相对应，因此您无需担心样本量。</p><p id="GUID-C1C3E7F0-CE65-4662-8E95-0019B99B43C0">接下来，您将查看为评估模型而创建的经过训练的要素和表格。 <span class="uicontrol">pop_output_trained</span> 图层显示了模型中所使用的所有点。存在点显示为已被模型预测正确或错误地分类。背景点被分类为潜在的存在点或剩余的背景点。</p> </div></li><li purpose="step" id="ESRI_STEP_57AED8994EA9400D97367E2B72D833D9"><span purpose="cmd">关闭详细信息窗口。</span></li><li purpose="step" id="ESRI_STEP_2D5AC737A1EC411FB8CFD2314033E97C"><span purpose="cmd">在<span class="uicontrol">内容</span>窗格的 <span class="uicontrol">pop_output_trained</span> 图层下，双击 <span class="uicontrol">Classification Result Percentages</span> 图表。</span><div class="info" purpose="info"><p id="GUID-FAD9E51C-176E-4341-960F-215FA56D6745"><figure class="fig" href="#"><img src="GUID-A6F21CAF-0E44-4754-9281-ED1BF2F9E460-web.png" alt="打开 Classification Result Percentages 图表。" title="打开 Classification Result Percentages 图表。" loading="lazy"/></figure></p><p id="GUID-440F2A73-FDD6-488C-850F-19CF803B3C32">该图表显示了观测到的和预测的分类的比较。您将首先分析模型正确分类的存在点的百分比。</p></div></li><li purpose="step" id="ESRI_STEP_5F674848250240DFAB11DB63BEF6314D"><span purpose="cmd">在<span class="uicontrol">图表</span>窗格的 <span class="uicontrol">Presence</span> 列中，指向 <span class="uicontrol">Presence – Correctly Classified</span> 子栏以显示数据的数字摘要。</span><div class="info" purpose="info"><p id="GUID-034505D2-592C-4E8D-9BDA-7C646AEA4B34"><figure class="fig" href="#"><img src="GUID-2780ED0A-F1FC-46EA-BDCF-61FEAF81BA34-web.png" alt="正确分类的存在点的摘要" title="正确分类的存在点的摘要" loading="lazy"/></figure></p><p id="GUID-CC59C605-A293-452F-977C-DBDF2612528C">在示例图像中，65.68% 的存在点已被正确分类。这对于模型性能来说相当不错，但仍有改进空间。</p><p id="GUID-987A3EDF-46A6-4287-A77A-0DC0E67E6ED2">改进该模型的方法之一是重新访问<span class="uicontrol">存在概率中断值</span>参数。您将使用 <span class="uicontrol">Omission Rates</span> 和 <span class="uicontrol">ROC Plot</span> 图表来确定此参数的更优值。</p></div></li><li purpose="step" id="ESRI_STEP_18105C083529496EB886DCB04631F988"><span purpose="cmd">关闭 <span class="uicontrol">Classification Result Percentages</span> 图表。</span></li><li purpose="step" id="ESRI_STEP_741152C0C5624672825BF19AB6A371DF"><span purpose="cmd">在<span class="uicontrol">内容</span>窗格的<span class="uicontrol">独立表</span>下，对于 <span class="uicontrol">pop_sensitivity</span> 表，双击 <span class="uicontrol">Omission Rates</span> 和 <span class="uicontrol">ROC Plot</span> 图表以将其打开。</span></li><li purpose="step" id="ESRI_STEP_1A364FECBF534A4CB9DA616E9EAA0CF9"><span purpose="cmd">单击并拖动 <span class="uicontrol">ROC Plot</span> 图表，以便您能够同时看到该图表和 <span class="uicontrol">Omission Rates</span> 图表。</span><div class="info" purpose="info"><p id="GUID-955A6FA6-BCEA-4FEB-9A59-BC4957E5F3C5"><figure class="fig" href="#"><img src="GUID-BC28D4BD-49A9-4F74-94BA-D12E00046160-web.png" alt="拖动图表以便您能够同时看到两个图表。" title="拖动图表以便您能够同时看到两个图表。" loading="lazy"/></figure></p></div></li><li purpose="step" id="ESRI_STEP_5DC724398FF249758409886F8F1315D3"><span purpose="cmd">在 <span class="uicontrol">Omission Rates</span> 图表中，选择默认存在概率中断值 <span class="uicontrol">0.5</span>，并注意 ROC 图的 y 轴上的结果灵敏度。</span><div class="info" purpose="info"><p id="GUID-1130BAA6-4886-4E6C-A086-6FF8047DE55F"><figure class="fig" href="#"><img src="GUID-721BC021-0DDF-4F5D-8DDD-243D6C6E3CE5-web.png" alt="中断值为 0.5" title="中断值为 0.5" loading="lazy"/></figure></p><p id="GUID-14D94347-1581-4958-9109-37076DEB0246">在示例图像中，概率中断值为 0.5 导致遗漏率为 0.343，灵敏度为 0.657。遗漏率是被模型错误分类为不存在的已知存在点的百分比。</p><p id="GUID-2EC0F744-A2AF-4A4C-ACCC-8430124C9386">结合使用 <span class="uicontrol">Omission Rates</span> 和 <span class="uicontrol">ROC Plot</span> 图表可以直观地显示不同的<span class="uicontrol">存在概率中断值</span>参数值如何生成错误分类的存在点的不同比率。虽然遗漏率接近 0 通常比较好，但减小中断值也会增加被分类为存在点的背景点的数量，从而降低模型的特异性。由于野猪是适应性较强的食腐动物，在本例中，找到更多它们可能能够生存的区域将非常有用，因此您需要在特异性和灵敏度之间寻求一种平衡，从而显示更多存在点。</p></div></li><li purpose="step" id="ESRI_STEP_B525A99B9B694E288C17FBE97713400A"><span purpose="cmd">在 <span class="uicontrol">ROC Plot</span> 图表上，单击 y 轴上值大约为 <span class="uicontrol">0.9</span> 的点之一。</span><div class="info" purpose="info"><p id="GUID-B49AF40B-4C64-4B8A-96B1-5C8BC3BBBF9F"><figure class="fig" href="#"><img src="GUID-86BAFB7A-E4AE-4B00-874E-3AB1D492B3A1-web.png" alt="使用图表在灵敏度和特异性之间寻求一种平衡。" title="使用图表在灵敏度和特异性之间寻求一种平衡。" loading="lazy"/></figure></p><p id="GUID-2069B888-6890-4080-AA90-3B692EC14E7E">在示例模型中，灵敏度 0.9 将导致遗漏率为 0.098%。为了获得此结果，您需要使用<span class="uicontrol">中断值</span> <span class="uicontrol">0.24</span> 重新运行该工具。</p></div></li><li purpose="step" id="ESRI_STEP_AE204005EBC248D1A7DD4B4E11E32E9F"><span purpose="cmd">在<span class="uicontrol">地理处理</span>窗格中，对于<span class="uicontrol">存在概率中断值</span>，键入 <span class="usertext">0.24</span>。</span></li><li purpose="step" id="ESRI_STEP_9C42C5340D104AF281CA7822DD0B83B7"><span purpose="cmd">对于已在<span class="uicontrol">训练输出</span>组中创建的所有输出，在输出名称末尾添加后缀 <span class="usertext">_ppc</span>。</span><div class="info" purpose="info"><p id="GUID-D80EBA26-4EC8-4D58-B4EA-F618B7142111">您还将生成输出预测栅格。</p></div></li><li purpose="step" id="ESRI_STEP_433593A9AC6B4B579072711D6B61937C"><span purpose="cmd">对于<span class="uicontrol">输出训练栅格</span>，键入 <span class="usertext">pop_trained_raster_ppc</span> 并单击<span class="uicontrol">运行</span>。</span><div class="info" purpose="info"><p id="GUID-8771F9B2-5870-48F6-B9F2-8ADEE5EE3CF8"><figure class="fig" href="#"><img src="GUID-78D9560A-BF7B-4F81-82E5-167F9794E457-web.png" alt="重新运行“仅存在预测”工具。" title="重新运行“仅存在预测”工具。" loading="lazy"/></figure></p></div></li><li purpose="step" id="ESRI_STEP_817FE277184245A9861C74D173DB7D06"><span purpose="cmd">在<span class="uicontrol">内容</span>窗格中，关闭除了 <span class="uicontrol">pop_trained_raster_ppc</span> 图层、<span class="uicontrol">California</span> 边界图层以及底图之外的所有图层。</span><div class="info" purpose="info"><p id="GUID-146FBE74-37BD-4FF8-899D-A0802E9259FC"><figure class="fig" href="#"><img src="GUID-32AA35C8-AF71-4817-BA6B-094CFD829EA3-web.png" alt="经过训练的栅格预测图层" title="经过训练的栅格预测图层" loading="lazy"/></figure></p></div></li><li purpose="step" id="ESRI_STEP_3D699CC1148D40C7AEB272A640BC5F2D"><span purpose="cmd">使用您所了解的关于模型诊断和输出表格的知识来评估新模型。</span><div class="info" purpose="info"><p id="GUID-1FE123A0-DE6E-4AF9-B5A3-907F9D5B644F">与您之前已完成的基于森林的分析一样，这种建模方法通常需要两次以上的迭代。利用您对参数和超参数的理解，您可以继续进行更改并比较输出的准确性，直到您找到适合您的数据和情况的最佳组合为止。</p></div></li></ol></div></section></section><section class="section1 padded-anchor" id="subsection-6" purpose="section1"><h2>比较随机森林和 MaxEnt</h2><p id="GUID-55A01983-C765-4608-AB9F-B797F75E1172">本教程中使用的两种分析均可用于建模物种分布。根据您的分析目标、可用的数据以及其他因素，您可以选择使用其中一种或两种方法进行您自己的建模。与所有统计和分析方法一样，基于森林的分类和 MaxEnt 也有优缺点需要考虑。在本部分中，您将比较已生成的输出预测表面并回顾这两种建模方法的一些优点。</p><section class="wfsteps padded-anchor" purpose="wfsteps"><div class="steps" id="ESRI_STEPS_C60CC2BDB0A04F99A3904A70BBD562C4"><ol class="list-numbered" purpose="ol"><li purpose="step" id="ESRI_STEP_4610BB8E5A384695ABB6F547D321EF26"><span purpose="cmd">在<span class="uicontrol">内容</span>窗格中，打开 <span class="uicontrol">fbbcr_feral_swine_prediction</span> 图层。</span></li><li purpose="step" id="ESRI_STEP_ABB1D4ABD8634A2D9326C52A384D7CA3"><span purpose="cmd">单击 <span class="uicontrol">pop_trained_raster_ppc</span> 图层以将其选中。</span></li><li purpose="step" id="ESRI_STEP_B392ECC8914642EEAF458E02E770E65C"><span purpose="cmd">在功能区上，单击<span class="uicontrol">栅格图层</span>选项卡。在<span class="uicontrol">比较</span>组中，单击<span class="uicontrol">卷帘</span>按钮。</span><div class="info" purpose="info"><p id="GUID-6FA035BA-EDDD-4739-872B-D9809B7E9BD9"><figure class="fig" href="#"><img src="GUID-094D1417-E52E-411C-99DE-AE930A1DDE64-web.png" alt="打开“卷帘”工具。" title="打开“卷帘”工具。" loading="lazy"/></figure></p></div></li><li purpose="step" id="ESRI_STEP_8EA19FA3D47341D18990E684EF828A2A"><span purpose="cmd">在地图上，单击并来回拖动光标以比较两个栅格预测表面。</span><div class="info" purpose="info"><p id="GUID-330A64D1-08A0-45CB-BAC3-220B6D683712"><figure class="fig" href="#"><img src="GUID-F9075AE2-A452-4EA2-A97F-4D6181D16BB7-web.png" alt="使用“卷帘”工具以比较栅格表面。" title="使用“卷帘”工具以比较栅格表面。" loading="lazy"/></figure></p><p id="GUID-BD5D2A3D-04D1-4AB9-B3C4-A37ECCB94263">预测表面相似，这对于模型的准确性来说是一个积极的信号。</p><p id="GUID-386E29EC-ABC1-4D97-B5A9-29C9C7B5796A">当使用空间统计方法进行预测时，您应该考虑每种方法的一些优势和局限性，以确保您根据分析目标和可用数据选择最佳方法。</p><p id="GUID-20BD6BC8-D20D-41E7-A87F-4CB9B22FEDA9"><span class="uicontrol">基于森林的分类与回归</span></p><h4 class="table title"/><div class="overflow-auto"><table class="tablexyz lined-rows lined-columns bordered always-wrap "><colgroup width="*"/><colgroup width="*"/><thead><tr><th colspan="1">该方法的优势</th><th colspan="1">其他注意事项</th></tr></thead><tbody class="align-middle"><tr class="align-middle"><td outputclass="" purpose="entry" rowspan="1" colspan="1"><p id="GUID-D865CB2B-FD6C-4105-ACFD-AE5AFEA6664A">可以捕获因变量和解释变量之间未知或更复杂的关系。</p></td><td outputclass="" purpose="entry" rowspan="1" colspan="1"><p id="GUID-AEA36FA3-88B8-4BD2-887B-E1BBF1E8639B">需要存在点和缺失点（或伪缺失点）。</p></td></tr><tr class="align-middle"><td outputclass="" purpose="entry" rowspan="1" colspan="1"><p id="GUID-58E2DD05-3382-433B-8881-93BFA6D8648B">无需像仅存在预测那样指定关系。</p></td><td outputclass="" purpose="entry" rowspan="1" colspan="1"><p id="GUID-86D34D02-67FD-4F47-86C9-F4F1DB4DCB74">虽然变量重要性有助于我们理解每个解释变量对模型的贡献，但解释变量重要性可能比较困难。例如，您不知道此关系是正向还是负向。</p></td></tr></tbody><caption/></table></div><p id="GUID-E5C82BCA-3669-45A3-B14B-D44D88A5A046"><span class="uicontrol">仅存在预测</span></p><h4 class="table title"/><div class="overflow-auto"><table class="tablexyz lined-rows lined-columns bordered always-wrap "><colgroup width="*"/><colgroup width="*"/><thead><tr><th colspan="1">该方法的优势</th><th colspan="1">其他注意事项</th></tr></thead><tbody class="align-middle"><tr class="align-middle"><td outputclass="" purpose="entry" rowspan="1" colspan="1"><p id="GUID-A0597C28-F386-4D08-9981-646B36CD2DE2">它为仅存在建模而设计，因此您无需准备缺失点。</p></td><td outputclass="" purpose="entry" rowspan="1" colspan="1"><p id="GUID-B9C584E3-F104-442C-AF74-B3BF22F36022">您需要假设因变量和解释变量之间的关系。</p></td></tr><tr class="align-middle"><td outputclass="" purpose="entry" rowspan="1" colspan="1"><p id="GUID-6F1672BE-309B-4544-90A1-ECF4548C530F">在决定如何使用<span class="uicontrol">存在与背景的相对权重</span>参数对背景点进行加权时，提供了更大的灵活性。</p></td><td outputclass="" purpose="entry" rowspan="1" colspan="1"/></tr><tr class="align-middle"><td outputclass="" purpose="entry" rowspan="1" colspan="1"><p id="GUID-4BC17C3D-73EB-458F-A5FB-DE034304F17E">空间细化参数可用于控制缺失点。</p></td><td outputclass="" purpose="entry" rowspan="1" colspan="1"/></tr><tr class="align-middle"><td outputclass="" purpose="entry" rowspan="1" colspan="1"><p id="GUID-DBE33570-BF95-4248-B68A-CC7AE1AF83E5">输出栅格表面可提供有关野猪栖息地概率的更多详细信息，而非有关存在或不存在的二元决策。</p></td><td outputclass="" purpose="entry" rowspan="1" colspan="1"/></tr></tbody><caption/></table></div></div></li></ol></div></section></section><section class="wfsummary padded-anchor" id="GUID-1D55F0A3-1AFB-41AF-86C0-219043FC75CD" purpose="wfsummary"><p id="GUID-92B75415-A724-4403-8C8E-72179F7C84BB">在本教程中，您使用了两种分析技术对加利福尼亚州的野猪物种分布进行建模。作为一种入侵物种，野猪对该州的生态系统和农业构成威胁。这些建模技术可广泛应用于其他物种和现象。</p></section> <div class="ack-optional" id="ack-optional"><div class="grid-container"><div class="column-18 trailer-1"><h2 class="trailer-1 leader-1">致谢</h2><p id="GUID-CCB27F4B-0DC6-4B3B-9964-F62240A99B0D"/><ul purpose="ul" id="UL_EBD924FA56BB4CD5A42262DF59E7E471"><li purpose="li" id="LI_63B16838B68C4CE6A51B22BC0E513079">高程数据 - Danielson, J.J., and Gesch, D.B., 2011, Global multi-resolution terrain elevation data 2010 (GMTED2010): U.S. Geological Survey Open-File Report 2011-1073, 26 p. https://pubs.usgs.gov/of/2011/1073/</li><li purpose="li" id="LI_8DC5E10927144AF88083537A3342A959"><a class="xref xref" href="https://arcgis.com/home/item.html?id=3ccf118ed80748909eb85c6d262b426f">USA NLCD Land Cover</a></li><li purpose="li" id="LI_FE62B736FF794D05806196DE32F731C8"><a class="xref xref" href="https://www.arcgis.com/home/item.html?id=e56c9cb70aa949adb791c4311003d9ae">Bioclimate Baseline 1970-2000</a> - WorldClim, Esri. Fick, S.E. and R.J. Hijmans, 2017. WorldClim 2: new 1km spatial resolution climate surfaces for global land areas. <a class="xref xref" href="https://rmets.onlinelibrary.wiley.com/doi/abs/10.1002/joc.5086">International Journal of Climatology 37 (12): 4302-4315</a>.</li><li purpose="li" id="LI_F52A41C27E5A49FDB4FDBE82BC53181E">Feral swine observation points derived from <a class="xref xref" href="https://arcgis.com/home/item.html?id=99e3e9ccfaec422db6d4266569aa19d7">iNaturalist Observations</a></li><li purpose="li" id="LI_AF0B6892BE994FA8B32AD6F2ED2D121C">California state boundary derived from <a class="xref xref" href="https://arcgis.com/home/item.html?id=8c2d6d7df8fa4142b0a1211c8dd66903">USA States Generalized Boundaries</a></li></ul></div></div></div> <h2 class="leader-half">相关 Esri 培训</h2> <div class="resources block-group block-group-3-up tablet-block-group-2-up phone-block-group-1-up" id="resources"><div class="card card-bar-blue block trailer-1"><div class="card-content"><h4>回归分析：使用 ArcGIS Pro 执行随机森林回归</h4><p class="font-size--1 card-last">在此 ArcGIS Lab 中，您将创建一个随机森林回归模型，该模型使用自变量来预测美国各地气象站的每月温度。</p><a class="btn btn-clear btn-fill leader-1" target="_blank" href="https://www.esri.com/training/catalog/6410be434d750615175b2b53/regression-analysis-performing-random-forest-regression-using-arcgis-pro/">更多信息</a></div></div><div class="card card-bar-blue block trailer-1"><div class="card-content"><h4>使用 ArcGIS Pro 进行空间分析</h4><p class="font-size--1 card-last">了解可应用于何空间任分析工程的基本概念和标准工作流程。您将使用不同的 ArcGIS 工具从数据中探索、分析和生成可靠的信息。</p><a class="btn btn-clear btn-fill leader-1" target="_blank" href="https://www.esri.com/training/catalog/5a79e63c7672970b1870c743/spatial-analysis-with-arcgis-pro/">更多信息</a></div></div><div class="card card-bar-blue block trailer-1"><div class="card-content"><h4>回归分析：使用 ArcGIS Pro 构建回归模型</h4><p class="font-size--1 card-last">在此 ArcGIS Lab，您将在 ArcGIS Pro 中构建一个回归模型以解决实际方案。在此方案中，您将创建一个广义线性回归模型，该模型使用自变量来预测美国各地气象站的每月温度。</p><a class="btn btn-clear btn-fill leader-1" target="_blank" href="https://www.esri.com/training/catalog/6410be7e4d750615175b34eb/regression-analysis-building-a-regression-model-using-arcgis-pro/">更多信息</a></div></div>