在本文中，我们将使用Python的随机森林算法对森林生物量进行回归预测。我们将使用scikit-learn库来实现这个任务，该库提供了方便的机器学习工具，可以轻松地构建和训练模型。
首先，我们需要导入所需的库和模块。我们将使用pandas库来处理数据，使用scikit-learn库来实现随机森林算法。

import pandas as pd
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

接下来，我们需要加载数据集。在本例中，我们将使用真实数据集，假设它是一个CSV文件，包含多个特征和目标变量（即森林生物量）。

# 加载数据集
data = pd.read_csv('forest_biomass.csv')
# 分离特征和目标变量
X = data.drop('biomass', axis=1)  # 特征
y = data['biomass']  # 目标变量

接下来，我们将数据集划分为训练集和测试集。我们将使用训练集来训练模型，并使用测试集来评估模型的性能。

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

现在，我们可以使用随机森林算法来拟合训练数据。我们将创建一个RandomForestRegressor对象，并使用fit方法来拟合数据。

# 创建随机森林回归模型
model = RandomForestRegressor(n_estimators=100, random_state=42)
# 拟合模型
model.fit(X_train, y_train)

拟合模型后，我们可以使用测试集来评估模型的性能。我们将计算测试集中每个样本的预测值和实际值之间的均方误差（MSE），以评估模型的准确性。

# 预测测试集结果
y_pred = model.predict(X_test)
# 计算均方误差（MSE）
mse = mean_squared_error(y_test, y_pred)
print('均方误差（MSE）：', mse)

最后，我们可以使用模型进行预测。假设我们有一个新的数据点（即测试样本），我们可以使用predict方法来预测其森林生物量。
```python

假设有一个新的数据点（即测试样本）

new_data = pd.DataFrame({‘tree_height’: [25], ‘tree_diameter’: [15], ‘tree_age’: [5]}) # 示例数据点，可根据实际情况修改

使用模型进行预测

y_pred = model.predict(new_data)
print(‘预测的森林生物量：’, y_pred[0]) # 输出预测结果