qq_49526578的博客

图片表示为10个建筑指标与LST之间的关系，用的是提升回归树模型来计算特征重要性，左边的图片为四个季节下的特种重要性柱状图，右边为点线图。

在我的公众号（同名）中会持续更新好看的SCI论文图片的代码复刻推文，图片表示全球多个城市之间两个数值之间的散点图，其中按照洲来分组。python复刻的难点为自定义图例。

若需要绘制单个倒立直方图，直接使用ax.invert_yaxis()将柱体反转，注意需要将x轴的刻度和标签也显示在上方。

代码中随机创建了几组数据来绘图，数据分布范围为0到1，换个人数据使用时需要自行调节各个部分直接按的位置，包括箱体大小，位置，竖线位置，图例位置等。每行代码都有注释，可以直接修改，把自己的数据存为字典后可以直接使用。分组箱线图如下，图片表示三个气候区28个主要城市区域的AS、水体和植被的总体比例情况，绘制分组箱线图来展示。在我的公众号（同名）中会持续更新好看的SCI论文图片的代码复刻，往期图片如下，可自行在公众号中获取。

随机森林特征重要性条形图绘制，前几个特种呈现不同的颜色。其中的误差棒是通过计算特征重要性的标准误差来获得的，以表示特征重要性的不确定性。标准误差是一种度量估计值的不确定性的统计量，它表示估计值可能偏离真实值的程度。

上图表示2000年，2010年，2020年，2030年以及2040年的土地利用分类变化统计图，带有误差棒，线性拟合为建设用地的变化情况，代码换上自己的数据就可以直接使用。

在做物种分布模型预测过程中，往往需要删除一些造成信息冗余的密集物种分布点，在减少模型数据量的同时也可以减少样本采样偏差造成的影响，而设置一个怎么的阈值去过滤掉过度空间自相关的物种点则需要结合自己的数据去考虑。我这里以2km为例去删除掉小于2km距离以内的点。

对于物种分布模型(SDM)，用的最多的无疑是最大熵模型（MaxEnt），它是基于最大化信息熵的原则，通过考虑已知的约束条件和最少的先验假设来推测物种在不同环境中的分布概率分布，本质上是一种先验概率假设方法。后来学者发现类似随机森林(RF)这种黑箱模型在物种分布预测过程中具有较好的效果。下面为python代码的实现过程。

gis软件建立缓冲区的过程只能通过输入缓冲距离来完成，但是遇到需要生成的缓冲区面积与原要素有倍数关系的话，就得code一下了

随机森林算法的基本思想是基于多颗决策树的集成学习过程，使用场景广泛，一般的分类回归问题都可以使用。我们以光学遥感影像为例，来估测森林生物量。