GEE中随机森林回归调参计算RMSE遇类型错误求助

核心问题拆解 #

1. 类型不匹配：嵌套map生成的predicted是双层嵌套的FeatureCollection列表（List<List<FeatureCollection>>），但aggregate_array仅支持单个FeatureCollection，直接转换必然报错。
2. predicted为空：大概率是训练/预测环节逻辑漏洞，比如训练集无有效样本、特征/标签列名不匹配，或是未开启回归模式导致预测失效。

分步修正代码 #

1. 修复嵌套列表与空结果问题 #

先确保训练预测逻辑正确，再将双层列表展平为单层：

// 定义超参数列表
var numTreesList = ee.List.sequence(10, 150, 10);
var bagFractionList = ee.List.sequence(0.1, 0.9, 0.1);

// 替换为你的训练/测试集，确保包含标签列（示例用'label'）和特征列
var trainFC = ee.FeatureCollection(...);
var testFC = ee.FeatureCollection(...);
var normalizedFeatures = ['feat1', 'feat2', 'feat3']; // 替换为你的特征列名数组

// 嵌套训练+预测，同时展平结果
var predicted = numTreesList.map(function(numTrees) {
  return bagFractionList.map(function(bagFraction) {
    // 必须开启回归模式
    var rfRegressor = ee.Classifier.smileRandomForest({
      numberOfTrees: ee.Number(numTrees),
      bagFraction: ee.Number(bagFraction),
      regressionMode: true
    }).train({
      features: trainFC,
      classProperty: 'label', // 替换为你的标签列名
      inputProperties: normalizedFeatures
    });
    // 返回带预测值的FeatureCollection
    return testFC.classify(rfRegressor, 'predicted');
  });
}).flatten(); // 关键：展平双层列表为单层List<FeatureCollection>

2. 修复RMSE计算函数 #

针对单层FeatureCollection列表，显式转换类型后计算RMSE：

// 定义RMSE计算函数
var calculateRMSE = function(fc) {
  fc = ee.FeatureCollection(fc); // 强制转换为FeatureCollection类型
  var actualVals = fc.aggregate_array('label');
  var predictedVals = fc.aggregate_array('predicted');
  
  // 计算均方根误差
  var rmse = actualVals.map(function(act, idx) {
    var pred = ee.List(predictedVals).get(idx);
    return ee.Number(act).subtract(pred).pow(2);
  }).reduce(ee.Reducer.mean()).sqrt();
  
  return rmse;
};

// 批量计算所有参数组合的RMSE
var rmseResults = predicted.map(calculateRMSE);

// 关联参数与RMSE，便于筛选最优组合
var paramWithRMSE = numTreesList.cartesianProduct(bagFractionList).zip(rmseResults);

// 打印结果到控制台
print('超参数组合与对应RMSE:', paramWithRMSE);

3. 关键避坑点 #

• 必须开启回归模式：随机森林默认是分类模式，做回归时务必设置regressionMode: true，否则预测结果会异常。
• 列名严格匹配：训练时的classProperty和inputProperties必须与FeatureCollection中的列名完全一致，大小写敏感。
• 确保数据集有效：检查trainFC和testFC是否包含有效样本，可通过print(trainFC.size())验证，避免空集导致预测结果为空。
• 列表展平不可少：嵌套map返回的双层列表必须用flatten()转为单层，否则后续处理会持续触发类型错误。

内容的提问来源于stack exchange，提问作者cookiesquirrel