Zufällige Wälder – Götterdämmerung für Danie Krige und Georges Matheron?

In der Publikation „Random Forest as a generic framework for predictive modeling of spatial and spatio-temporal variables” wird ein Workflow zur Anwendung des sogenannten „Random Forest“-Algorithmus für die Interpolation von räumlichen Daten vorgestellt. Der „Random Forest“-Ansatz zählt zu den Maschinellen-Lern-Verfahren.
Der Vorteil gegenüber Kriging besteht vor allem darin, dass keine rigorosen statistischen Annahmen zur Datengrundlage gemacht werden müssen. Die Voraussagen zur räumlichen Verteilung der gesuchten Variablen sind in beiden Verfahren etwa gleichwertig, mit leichten Vorteilen für das Kriging bei einer geringeren Anzahl von Datenpunkten.
Für die normale Projektpraxis in einem Ingenieurbüro im Rahmen von geotechnischen, hydro- oder umweltgeologischen Erkundungen wird also das Kriging auch weiterhin die dominierende Rolle spielen, da man hier in der Regel mit einer sehr begrenzten Zahl an Messpunkten auskommen muss. Bei Vorhandensein von großen Datenmengen hingegen stellt der Random-Forest-Ansatz sicher eine vielversprechende Alternative dar.