Приложих произволна гора и след това започнах да прогнозирам индекс на листната площ в гора, използвайки 10 променливи. Но когато прогнозирам спирания, резултатът от прогнозата е празна карта с нулеви стойности. Оценявам, ако някой ми помогне с това. Добавям тук кода, който изпълнявам.
Тук, в първата стъпка, присвоявам нула на стойностите на NA в растерите.
tex37$glcm_variance_ENVI[is.na(tex37$glcm_variance_ENVI)] <- 0
tex37$glcm_entropy[is.na(tex37$glcm_entropy)] <- 0
RVI_raster3$glcm_mean_ENVI[is.na(RVI_raster3$glcm_mean_ENVI)] <- 0
RVI_raster3$glcm_mean[is.na(RVI_raster3$glcm_mean)] <- 0
RVI_raster3$glcm_variance[is.na(RVI_raster3$glcm_variance)] <- 0
RVI_raster5$glcm_mean_ENVI[is.na(RVI_raster5$glcm_mean_ENVI)] <- 0
RVI_raster5$glcm_variance[is.na(RVI_raster5$glcm_variance)] <- 0
RVI_raster5$glcm_mean[is.na(RVI_raster5$glcm_mean)] <- 0
RVI_raster7$glcm_mean_ENVI[is.na(RVI_raster7$glcm_mean_ENVI)] <- 0
RVIrededge[is.na(RVIrededge)] <- 0
Тук подреждам всичките си 10 растерни слоя в един растер.
image_stack_imp = stack(tex37$glcm_variance_ENVI,
tex37$glcm_entropy,
RVI_raster3$glcm_mean_ENVI,
RVI_raster3$glcm_mean,
RVI_raster3$glcm_variance,
RVI_raster5$glcm_mean_ENVI,
RVI_raster5$glcm_variance,
RVI_raster5$glcm_mean,
RVI_raster7$glcm_mean_ENVI,
RVIrededge)
Направих таблица от моята функция, плюс индекс на листовата площ като етикет.
Table_Importance = data.frame(LAI=d$LAI,
tex37.glcm_variance_ENVI=LAI37$glcm_variance_ENVI,
tex37.glcm_entropy=LAI37$glcm_entropy,
RVI_raster3.glcm_mean_ENVI=RVI3$glcm_mean_ENVI,
RVI_raster3.glcm_variance=RVI3$glcm_variance,
RVI_raster3.glcm_mean=RVI3$glcm_mean,
RVI_raster5.glcm_variance=RVI5$glcm_variance,
RVI_raster5.glcm_mean_ENVI=RVI5$glcm_mean_ENVI,
RVI_raster5.glcm_mean=RVI5$glcm_mean,
RVI_raster7.glcm_mean_ENVI=RVI7$glcm_mean_ENVI,
RVIrededge_values)
И накрая стартиране на Randomforest:
set.seed(104)
ind <- sample(2, nrow(Table_Importance), replace = 1, prob=c(0.66,0.33))
rf_imp<- randomForest(LAI ~ ., data=Table_Importance[ind == 1,],importance=TRUE, ntree=1000, mtry=3)
pred_imp <- predict(rf_imp, Table_Importance[ind == 2,])
rmse(Table_Importance[ind==2, "LAI"], pred_imp)
###############################predicting########################
Map_LAI = predict(image_stack_imp, rf_imp,na.rm = TRUE, progress='window', type ='response')
plot(Map_LAI)
Ето малката извадка:
(head(Table_Importance, 20)