精确条件下的分类变量空间预测：机器学习在地球科学中的新方法

"该文章探讨了在地球科学中使用机器学习方法进行分类变量空间预测时的精确条件问题，特别是如何确保预测结果在采样位置完全匹配分类目标变量的观测值。作者提出了一种基于分类随机森林的方法，通过主成分分析和随机二次规划实现精确条件预测。" 在地球科学中，分类变量的空间预测是常见的任务，例如预测土地利用类型、植被种类等。传统的机器学习方法虽然在空间预测性能上有优势，但往往不能严格遵循采样位置的观测值。相比之下，地统计方法能够满足这一精确条件，但在某些情况下可能不太适用。因此，文章提出了一个创新的解决方案，该方案结合了分类随机森林和精确条件预测。 分类随机森林是一种集成学习方法，由多个决策树组成，用于处理分类问题。作者将其扩展以处理分类变量的精确条件预测。首先，他们将分类树的预测转换为与每个类别相关的有符号距离，这些距离是连续的。接着，通过主成分分析（PCA）将这些有符号距离正交化，形成一组主成分分数。这样，原问题可以被重新定义为一个线性不等式系统，可以利用随机二次规划（SQP）来求解，以确保数据的精确条件得到满足。 在解决这个线性不等式系统后，生成的条件有符号距离被转化为分类输出，通过多数投票策略进行整合，从而确保在采样位置的预测结果与实际观测一致。这种方法在模拟数据集和真实世界数据集（包括地球化学数据）上的表现证明了其有效性，不仅完美匹配采样位置的观测值，而且在样本外预测中也展现出竞争力。 文章通过与其他地统计和机器学习方法的比较进一步强调了所提技术的优势。这种精确条件的机器学习方法为地球科学中的分类变量预测提供了一个强大的工具，特别是在那些需要无误差预测结果的应用中，例如环境研究和自然资源管理的决策支持。