NSE and KGE

在这里插入图片描述

  1. NSE(Nash-Sutcliffe Efficiency)

    • 解释:NSE 是衡量水文模型模拟结果与观测值之间拟合程度的指标。它计算模拟值与观测值之间的均方误差,并将其与观测值的方差进行比较。NSE 的取值范围为-∞至 1,值越接近 1 表示模拟结果越好。
    • 优点:
      • 简单易懂,计算方便。
      • 对模型的整体拟合程度进行评估。
    • 缺点:
      • 对极端值敏感,可能受到异常值的影响。
      • 不能反映模型在不同流量条件下的表现。
  2. KGE(Kling-Gupta Efficiency)

    • 解释:KGE 是一种综合评估水文模型性能的指标,它考虑了模拟流量的均值、标准差和相关性与观测值之间的差异。KGE 的取值范围为 -∞ 至 1,值越接近 1 表示模型性能越好。
    • 优点:
      • 综合考虑了多个方面的性能,包括流量的均值、标准差和相关性。
      • 对模型在不同流量条件下的表现有较好的反映。
    • 缺点:
      • 计算相对复杂,需要计算多个统计量。
      • 可能对个别指标的变化不太敏感。
  3. DRV(Decision Rule Validity)

    • 解释:DRV 主要用于评估决策规则或决策模型的有效性。它关注的是决策规则在实际应用中的准确性和可靠性。具体的计算方法和评估指标会根据具体的问题和决策场景而有所不同。
    • 优点:
      • 专注于决策的实际效果,与实际应用密切相关。
      • 可以考虑不同决策后果的重要性。
    • 缺点:
      • 具体的计算方法和评估指标可能因问题而异,缺乏通用性。
      • 对数据和决策情境的要求较高。

综上所述,NSE 简单易懂,但对极端值敏感;KGE 综合考虑多个方面,但计算复杂;DRV 专注于决策的有效性,但具体方法和指标因问题而异。在实际应用中,选择合适的评估指标应根据具体问题、数据特点和决策目标来确定。同时,综合使用多个指标可以更全面地评估模型或决策的性能。

KGE

修改的KGE

Kling-Gupta 效率(KGE) 是一种用于评估水文模型性能的统计量度。它的提出是为了克服其他仅专注于再现观测数据均值和方差的量度(如 Nash-Sutcliffe 效率和 R 平方)的局限性。
KGE 将三个统计指标:相关系数、变异比和偏差比,结合到一个单一的模型性能量度中。KGE 的范围在-无穷大和 1 之间,其中值为 1 表示模型预测与观测数据的完美一致性。
KGE 不仅衡量了模型预测的准确性,还衡量了其再现观测数据的变异性和时间的能力。它已在水文学和水资源工程中广泛用于评估水文模型在模拟流量、地下水补给和水质参数方面的性能。
最佳可能得分是 1,更大的值更好。范围=(-inf,1]

代码示例如下:

from numpy import array
from permetrics.regression import RegressionMetric## For 1-D array
y_true = array([3, -0.5, 2, 7])
y_pred = array([2.5, 0.0, 2, 8])evaluator = RegressionMetric(y_true, y_pred)
print(evaluator.kling_gupta_efficiency())## For > 1-D array
y_true = array([[0.5, 1], [-1, 1], [7, -6]])
y_pred = array([[0, 2], [-1, 2], [8, -5]])evaluator = RegressionMetric(y_true, y_pred)
print(evaluator.KGE(multi_output="raw_values"))

原始链接

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/pingmian/38874.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

切片的基础知识

文章目录 ● Slice 的底层实现原理?● array 和 Slice 的区别?● 拷贝大切片一定比小切片代价大吗?● Slice 深拷贝和浅拷贝?● 零切片、空切片、nil切片?● Slice 的扩容机制?● Slice 为什么不是线程安全…

Python进阶教程--科学计算基础软件包NumPy

NumPy(Numerical Python)是一个开源的Python库,用于科学计算。它提供了一个高性能的多维数组对象和用于处理这些数组的工具。NumPy是Python科学计算的基础库,被广泛用于数据分析、机器学习、科学计算等领域。 1.1 NumPy 概述 Nu…

C++把一个类封装成动态链接库

一、步骤 1. 创建类头文件 首先,定义你要封装的类。例如,创建一个名为MyClass的类: // MyClass.h #pragma once#ifdef MYCLASS_EXPORTS #define MYCLASS_API __declspec(dllexport) #else #define MYCLASS_API __declspec(dllimport) #end…

智能扫地机器人程序中出现的问题可以参考的解决方案

在解决智能扫地机器人程序中可能遇到的问题时,可以参考以下分点表示和归纳的解决方案: 环境感知与地图构建 ① 使用先进的传感器技术:如激光雷达、超声波和红外传感器,以提高环境感知的准确性和可靠性。 ② 优化地图构建算法&a…

AI辅助设计:如何通过机器学习革新创意工作流程

🍁 作者:知识浅谈,CSDN签约讲师,CSDN博客专家,华为云云享专家,阿里云专家博主 📌 擅长领域:全栈工程师、爬虫、ACM算法,大数据,深度学习 💒 公众号…

WCCI 2024开幕,横滨圣地巡礼,畅游动漫与美食的世界

惊喜!WCCI 2024开幕,横滨圣地巡礼!畅游动漫与美食的世界 会议之眼 快讯 会议介绍 IEEE WCCI(World Congress on Computational Intelligence)2024,即2024年IEEE世界计算智能大会,于6月30日至…

windows USB 设备驱动开发-Host端和Device端

Windows 中的 USB 宿主端驱动程序 下图显示了适用于 Windows 的 USB 驱动程序堆栈的体系结构框图。 此图显示了适用于 USB 2.0 和 USB 3.0 的单独 USB 驱动程序堆栈。 当设备连接到 xHCI 控制器时,Windows 加载 USB 3.0 驱动程序堆栈。 Windows 为连接到 EHCI、OHC…

星辰计划01-动态代理

会话1: 什么是动态代理? 👧 什么是代理啊?👨来来来,听我细细来说 代理这个词在不同的上下文中有不同的含义,主要可以归纳为以下几类解释: 计算机网络中的代理服务器(Proxy Server&#xff0…

跨平台Ribbon UI组件QtitanRibbon全新发布v6.7.0——支持Qt 6.6.3

没有Microsoft在其办公解决方案中提供的界面,就无法想象现代应用程序,这个概念称为Ribbon UI,目前它是使应用程序与时俱进的主要属性。QtitanRibbon是一款遵循Microsoft Ribbon UI Paradigm for Qt技术的Ribbon UI组件,QtitanRibb…

Linux_生产消费模型_Block_Queue

目录 一、互斥锁 1.1 错误的抢票 1.1.1 类的成员函数与构造 1.1.2 start 函数 1.1.3 线程的回调函数 1.1.4 main 函数 1.1.5 结果 1.2 概念 1.3 相关系统调用 1.3.1 锁的创建 1.3.2 锁的初始化 1.3.2.1 动态初始化 1.3.2.2 静态初始化 1.3.3 锁的销毁 1.3.4…

看不懂懂车大爆炸,你就错过了国产小车的王炸!

咦?咋的啦?咱中国自己的汽车品牌前几天在汽车工业协会公布的数据里一跃而起,真的是威风凛凛啊!2023年咱们自家的乘用车品牌市场份额硬生生地占了个56%,这可是半壁江山啊!特别是那些10万块钱以下的家用小车&…

32.哀家要长脑子了!

1.299. 猜数字游戏 - 力扣(LeetCode) 公牛还是挺好数的,奶牛。。。妈呀,一朝打回解放前 抓本质抓本质,有多少位非公牛数可以通过重新排列转换公牛数字,意思就是,当这个数不是公牛数字时&#x…

19-Pandas merge合并操作

Pandas merge合并操作(主键合并数据) Pandas 提供的 merge() 函数能够进行高效的合并操作,这与 SQL 关系型数据库的 join用法非常相似。从字面意思上不难理解,merge 翻译为“合并”,指的是将两个 DataFrame 数据表按照指定的规则进行连接&am…

C++多态~~的两个特殊情况

目录 1.多态的概念 2.简单认识 (1)一个案例 (2)多态的两个满足条件 (3)虚函数的重写 (4)两个特殊情况 1.多态的概念 (1)多态就是多种形态; …

SQL 29 计算用户的平均次日留存率题解

问题截图如下: SQL建表代码: drop table if exists user_profile; drop table if exists question_practice_detail; drop table if exists question_detail; CREATE TABLE user_profile ( id int NOT NULL, device_id int NOT NULL, gender varchar…

小白也能懂:逆向分析某网站加速乐Cookie参数流程详解

加速乐作为一种常见的反爬虫技术,在网络上已有大量详尽深入的教程可供参考。然而,对于那些初次接触的人来说,直接面对它可能仍会感到困惑。 声明 本文仅用于学习交流,学习探讨逆向知识,欢迎私信共享学习心得。如有侵权…

【区块链+基础设施】珠三角征信链 | FISCO BCOS应用案例

“珠三角征信链”是中国人民银行广州分行、中国人民银行深圳市中心支行按照中国人民银行总行工作部署,积 极贯彻珠三角一体化发展、粤港澳大湾区建设等国家战略而建设的跨区域征信一体化数据中心枢纽,以 FISCO BCOS 为底链构建应用平台,并由微…

springboot接口防抖【防重复提交】

什么是防抖 所谓防抖,一是防用户手抖,二是防网络抖动。在Web系统中,表单提交是一个非常常见的功能,如果不加控制,容易因为用户的误操作或网络延迟导致同一请求被发送多次,进而生成重复的数据记录。要针对用…

猫头虎分享如何使用AIGC一键生成爆款公众号文案?

猫头虎分享如何使用AIGC一键生成爆款公众号文案? 前言 在自媒体时代,如何撰写一篇能引发广泛分享、获得微信平台推荐的爆款文章,是每一位公众号作者追求的目标。今天,猫头虎将为大家揭秘如何利用AIGC(人工智能生成内…

Docker 镜像导出和导入

docker 镜像导出 # 导出 docker 镜像到本地文件 docker save -o [输出文件名.tar] [镜像名称[:标签]] # 示例 docker save -o minio.tar minio/minio:latest-o 或 --output:指定导出文件的路径和名称[镜像名称[:标签]]:导出镜像名称以及可选的标签 dock…