用随机森林算法预测干旱未来几年趋势并绘图的代码

以下是使用随机森林算法预测干旱未来几年趋势并绘图的示例代码：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestRegressor

# 1. 数据收集
# 假设已经有一个包含干旱趋势相关数据的CSV文件
data = pd.read_csv('data.csv')

# 2. 数据预处理
# 假设数据已经进行了清洗和处理，无缺失值

# 3. 特征工程
# 假设使用降水量作为特征，对数据进行转换和归一化
features = data['降水量'].values.reshape(-1, 1)
labels = data['干旱趋势'].values

# 4. 模型训练
rf = RandomForestRegressor(n_estimators=100, random_state=42)
rf.fit(features, labels)

# 5. 预测未来几年的趋势
future_features = np.arange(len(data), len(data)+5).reshape(-1, 1)
future_predictions = rf.predict(future_features)

# 6. 绘图
plt.figure(figsize=(10, 6))
plt.plot(range(len(data)), labels, 'b-', label='Actual')
plt.plot(future_features.flatten(), future_predictions, 'r-', label='Predicted (Future)')
plt.xlabel('Time')
plt.ylabel('Drought Trend')
plt.legend()
plt.show()

在上述代码中，我们首先使用随机森林算法对历史数据进行训练，然后使用训练好的模型对未来几年的数据进行预测。最后，我们使用matplotlib库将历史数据和预测结果绘制在同一张图上，以展示干旱趋势的变化。

请注意，这只是一个简单的示例代码，实际应用中可能需要根据数据的特点和需求进行适当的修改和调整。同时，随机森林算法的参数选择和调优也是一个重要的环节，可以通过交叉验证等方法来寻找最佳参数组合。