15、近实时卫星降水数据与机器学习在径流建模中的应用

近实时卫星降水数据与机器学习在径流建模中的应用

1. 模型评估指标

在径流模拟中，为了评估模型的性能，使用了以下几个关键指标：
- 纳什效率系数（NSE） ：
[NSE = 1 - \frac{\sum_{i = 1}^{n}(Q_s(i) - Q_o(i))^2}{\sum_{i = 1}^{n}(Q_o(i) - \overline{Q_o})^2}]
NSE 是无量纲的，取值范围在(-\infty)到 1.0 之间，NSE = 1 为最优值。不过，NSE 存在低估峰值流量和高估低流量的局限性。
- Kling-Gupta 效率系数（KGE） ：
[KGE = 1 - \sqrt{(r - 1)^2 + (\alpha - 1)^2 + (\beta - 1)^2}]
KGE = 1 为最优值，当 NSE 表现不佳时，可考虑使用 KGE。
- 百分比偏差（PBIAS） ：
[PBIAS = \frac{\sum_{i = 1}^{n}(Q_o - Q_s)}{\sum_{i = 1}^{n}Q_o}]
PBIAS 的最优值为 0，正值表示模型低估偏差，负值表示高估偏差。
- 均方根误差（RMSE） ：
[RMSE = \sqrt{\frac{1}{n}\sum_{i = 1}^{n}(Q_s - Q_o)^2}]
RMSE 衡量模型残差与模拟和观测之间最佳拟合的偏离程度，RMSE = 0 为最优值。

其中，(n)是实例数量，(Q