作者：CSDN @ _养乐多_
在随机森林中，随机生成的每棵决策树都对输入数据进行分类或回归，并产生一个输出。对于分类问题，这个输出通常是一个类别标签 ，而对于回归问题，输出通常是一个连续的数值。例如，如果有五棵树的预测输出为 [0.1, 0.2, 0.3, 0.1, 0.1]，则平均数是0.16，所以最终该像素被预测为0.16。
随机森林回归可以应用于多种场景，包括预测土壤PH值、土壤有机碳、土壤水分、碳密度、生物量、气温、海冰厚度、不透水面积百分比、植被覆盖度等。
本文将介绍在Google Earth Engine （GEE）平台上进行随机森林回归预测的方法和代码，其中包括样本点格式介绍，加入特征变量(各种指数、纹理特征、时间序列特征、物候特征等)，训练和应用随机森林回归模型，优化随机森林回归算法的参数（绘制最优参数分布图），打印各个变量特征的贡献度（排序特征贡献度，并绘制柱状图）等步骤的方法和代码。
模型训练过程和预测结果如下图所示
————————————————————————————————————————————————
