Я подгоняю модель случайного леса к табличным данным с тестовых участков в R, и теперь хотел бы сгенерировать растр, показывающий прогнозируемые значения вероятности, используя растровые данные, соответствующие тем же предикторам (например, наклону, высоте, pH), которые находятся вмодель.
Модель RF построена для прогнозирования двоичной переменной 0/1 SITE_NONSITE
с использованием различных экологических и геофизических данных.
#random forest model
set.seed(321)
rf1 <- randomForest(formula=SITE_NONSITE ~., data=dcc.s.dummy, ntree=500, mtry=10)
dcc.s.dummy включает следующие данные:
str(dcc.s.dummy)
'data.frame': 7899 obs. of 25 variables:
$ COST_DIST_ECOTONE : num -0.232 0.176 -0.443 -0.478 -0.305 ...
$ COST_DIST_HEA : num -0.233 -0.659 -1.055 -0.999 -0.455 ...
$ COST_DIST_MEDSTR : num 0.74388 0.63933 0.55964 0.50768 0.00993 ...
$ COST_DIST_RIV_COAST : num 0.59 0.63 0.621 0.639 0.617 ...
$ DEM30_ASP_RE_2 : num 0 0 0 0 1 0 0 0 0 0 ...
$ DEM30_ASP_RE_3 : num 0 1 0 0 0 0 0 0 1 0 ...
$ DEM30_ASP_RE_4 : num 1 0 0 0 0 0 0 1 0 0 ...
$ DEM30_ASP_RE_5 : num 0 0 1 1 0 1 1 0 0 1 ...
$ DEM30_M : num 0.916 0.72 0.499 0.54 1.114 ...
$ DEM30_SLOPE : num 0.2063 0.4631 -0.6445 -0.0512 -0.8235 ...
$ LOC_REL_RE : num -0.489 -0.476 -0.476 -0.459 -0.661 ...
$ LOC_SD_SLOPE : num -0.118 -0.135 -0.316 -0.367 -0.57 ...
$ SSURGO_ESRI_DRAINAGE_RE_2: num 0 0 0 0 0 0 0 0 0 0 ...
$ SSURGO_ESRI_DRAINAGE_RE_3: num 1 1 1 1 1 1 1 1 1 1 ...
$ SSURGO_ESRI_DRAINAGE_RE_4: num 0 0 0 0 0 0 0 0 0 0 ...
$ SSURGO_ESRI_DRAINAGE_RE_5: num 0 0 0 0 0 0 0 0 0 0 ...
$ SSURGO_ESRI_DRAINAGE_RE_6: num 0 0 0 0 0 0 0 0 0 0 ...
$ SSURGO_ESRI_EROSION_RE_2 : num 0 0 0 0 0 1 1 0 0 1 ...
$ SSURGO_ESRI_EROSION_RE_3 : num 1 1 1 0 1 0 0 1 1 0 ...
$ SSURGO_ESRI_EROSION_RE_4 : num 0 0 0 0 0 0 0 0 0 0 ...
$ SSURGO_ESRI_LOC_DIV : num -0.328 -0.188 -0.157 -0.213 -0.652 ...
$ SSURGO_ESRI_NATIVEVEG_2 : num 1 1 1 0 1 0 0 1 1 1 ...
$ SSURGO_ESRI_NATIVEVEG_3 : num 0 0 0 0 0 1 1 0 0 0 ...
$ SSURGO_PH : num 0.813 0.059 1.529 2.32 -1.298 ...
$ SITE_NONSITE : Factor w/ 2 levels "0","1": 2 2 2 2 2 1 1 2 2 2
Затем я беру растры, соответствующие этим же предикторам, по всей моей области исследования и объединяю их в стек растров:
#plot model predictions
COST_DIST_ECOTONE <- raster("cost_dist_ecotone_s.tif.tif")
COST_DIST_HEA <- raster("cost_dist_hea_s.tif.tif")
COST_DIST_MEDSTR <- raster("cost_dist_medstr_s.tif.tif")
COST_DIST_RIV_COAST <- raster("cost_dist_riv_coast_s.tif.tif")
DEM30_ASP_RE_2 <- raster("dem30_asp_rel_2.tif.tif")
DEM30_ASP_RE_3 <- raster("dem30_asp_rel_3.tif.tif")
DEM30_ASP_RE_4 <- raster("dem30_asp_rel_4.tif.tif")
DEM30_ASP_RE_5 <- raster("dem30_asp_rel_5.tif.tif")
DEM30_M <- raster("dem30_m_s.tif.tif")
DEM30_SLOPE <- raster("dem30_slope_s.tif.tif")
LOC_REL_RE <- raster("loc_rel_re_s.tif.tif")
LOC_SD_SLOPE <- raster("loc_sd_slope_s.tif.tif")
SSURGO_ESRI_DRAINAGE_RE_2 <- raster("SSURGO_ESRI_drainage_reclass_nulfill_2.tif.tif")
SSURGO_ESRI_DRAINAGE_RE_3 <- raster("SSURGO_ESRI_drainage_reclass_nulfill_3.tif.tif")
SSURGO_ESRI_DRAINAGE_RE_4 <- raster("SSURGO_ESRI_drainage_reclass_nulfill_4.tif.tif")
SSURGO_ESRI_DRAINAGE_RE_5 <- raster("SSURGO_ESRI_drainage_reclass_nulfill_5.tif.tif")
SSURGO_ESRI_DRAINAGE_RE_6 <- raster("SSURGO_ESRI_drainage_reclass_nulfill_6.tif.tif")
SSURGO_ESRI_EROSION_RE_2 <- raster("SSURGO_ESRI_erosion_reclass_nulfilll_2.tif.tif")
SSURGO_ESRI_EROSION_RE_3 <- raster("SSURGO_ESRI_erosion_reclass_nulfilll_3.tif.tif")
SSURGO_ESRI_EROSION_RE_4 <- raster("SSURGO_ESRI_erosion_reclass_nulfilll_4.tif.tif")
SSURGO_ESRI_LOC_DIV <- raster("SSURGO_ESRI_loc_div_s.tif.tif")
SSURGO_ESRI_NATIVEVEG_2 <- raster("SSURGO_ESRI_nativeveg_nullfill_2.tif.tif")
SSURGO_ESRI_NATIVEVEG_3 <- raster("SSURGO_ESRI_nativeveg_nullfill_3.tif.tif")
SSURGO_PH <- raster("SSURGO_pH_nullfill_s.tif.tif")
ApPl_stack <- stack(COST_DIST_ECOTONE, COST_DIST_HEA, COST_DIST_MEDSTR, COST_DIST_RIV_COAST, DEM30_ASP_RE_2, DEM30_ASP_RE_3, DEM30_ASP_RE_4, DEM30_ASP_RE_5, DEM30_M, DEM30_SLOPE, LOC_REL_RE, LOC_SD_SLOPE, SSURGO_ESRI_DRAINAGE_RE_2, SSURGO_ESRI_DRAINAGE_RE_3, SSURGO_ESRI_DRAINAGE_RE_4, SSURGO_ESRI_DRAINAGE_RE_5, SSURGO_ESRI_DRAINAGE_RE_6, SSURGO_ESRI_EROSION_RE_2, SSURGO_ESRI_EROSION_RE_3, SSURGO_ESRI_EROSION_RE_4, SSURGO_ESRI_LOC_DIV, SSURGO_ESRI_NATIVEVEG_2, SSURGO_ESRI_NATIVEVEG_3, SSURGO_PH)
Однако попытка использовать этот растровый стек ApPl_stack
в raster::predict()
завершается неудачно со следующей ошибкой:
ApPl_prob <- raster::predict(rf1, newdata=ApPl_stack, type="prob")
Ошибка в as.data.frame.по умолчанию (x [[i]], необязательный = TRUE): невозможно привести структуру класса («RasterLayer», package = «растр») к data.frame
Преобразование во фрейм данныхи использование этого вместо этого генерирует эту ошибку вместо:
ApPl_df <- as.data.frame(ApPl_stack, xy=TRUE)
ApPl_prob <- raster::predict(rf1, newdata=ApPl_df, type="prob")
Ошибка в model.frame.default (Условия, новые данные, na.action = na.omit):
объект не является матрицейКроме того: Предупреждающее сообщение: «newdata» содержит 658242 строки, но найденные переменные имеют 754 строки
Не может быть совпадением, что в каждом из моих растров-предикторов есть 658242 ячейки и 754 строки.Что мне здесь не хватает?Я чувствую, что одна из функций ожидает тип данных, который не получает.