### Python 实现同时读取多个 CSV 文件并使用随机森林回归模型进行遥感波段和水质参数分析 以下是基于 Python 的解决方案，该方案可以实现从多个 CSV 文件中提取数据，并通过随机森林回归模型对遥感波段与水质参数之间的关系进行建模。最终会输出均方误差（Mean Squared Error, MSE）、决定系数 \( R^2 \) 和回归方程。 #### 代码实现 ```python import os import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_squared_error, r2_score import numpy as np # 定义函数来加载多个CSV文件 def load_multiple_csv(directory_path): all_data = [] for filename in os.listdir(directory_path): # 遍历目录中的所有文件 if filename.endswith(".csv"): # 只处理CSV文件 file_path = os.path.join(directory_path, filename) data = pd.read_csv(file_path) # 加载单个CSV文件 all_data.append(data) combined_data = pd.concat(all_data, ignore_index=True) # 合并所有DataFrame return combined_data # 数据预处理 directory_path = 'path_to_your_csv_files' # 替换为实际的CSV文件路径 data = load_multiple_csv(directory_path) X = data[['band1', 'band2', 'band3']] # 假设这些列代表遥感波段 y = data['water_quality_parameter'] # 假设这一列为水质参数 # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 训练随机森林回归模型 rf_regressor = RandomForestRegressor(n_estimators=100, random_state=42) rf_regressor.fit(X_train, y_train) # 进行预测 y_pred = rf_regressor.predict(X_test) # 输出MSE和R2值 mse_value = mean_squared_error(y_test, y_pred) r2_value = r2_score(y_test, y_pred) print(f'Mean Squared Error (MSE): {mse_value}') print(f'R-squared Value (R²): {r2_value}') # 提取回归方程 feature_importances = rf_regressor.feature_importances_ regression_equation = f'y ≈ {round(feature_importances[0], 4)} * band1 + {round(feature_importances[1], 4)} * band2 + {round(feature_importances[2], 4)} * band3' print('Regression Equation:', regression_equation) ``` #### 解释 - **`load_multiple_csv` 函数**：此函数遍历指定目录下的所有 CSV 文件并将它们合并到一个 DataFrame 中[^1]。 - **特征选择**：假设 `band1`, `band2`, `band3` 是遥感图像的不同波段，而 `water_quality_parameter` 表示水质参数。可以根据实际情况调整这些字段名称。 - **随机森林回归模型**：使用 `RandomForestRegressor` 来拟合数据，并评估其性能指标 MSE 和 \( R^2 \)[^2]。 - **回归方程**：通过计算特征重要性构建近似的线性回归方程[^3]。 --- ###