Tabel 5 (lanjutan). Persamaan, rentang, nilai optimal, dan keuntungan dan kerugian untuk ukuran kinerja statistik di Moriasidkk.
(2012) koleksi khusus (O dan P diamati dan nilai
prediksi, masing-masing).
Optimal
Statistik Persamaan Jarak
RE atau PE
O−P
ii×100 0,0 ke
HAIsaya
PBIAS
n O−P
ii
saya = 1
×100 -∞ ke
n HAIsaya
saya = 1
Mean absolute error (MAE) juga diukur dalam
unit yang sama dengan respon keluaran model yang diinginkan. Dia
biasanya sama besarnya tetapi sedikit lebih kecil dari
RMSE. RMSE juga cenderung memberi bobot lebih pada tinggi
nilai daripada nilai rendah karena kesalahan dalam nilai tinggi adalah
biasanya lebih besar dalam nilai absolut daripada kesalahan dalam nilai rendah
(Gan et al., 1997; Gan dan Biftu, 1996; Eckhardt dan Ar-
mengangguk, 2001; van Griensven dan Bauwens, 2003; pria rumah et
al., 2003; Cho dan Olivera, 2009). Untuk mengatasi batas ini-
tasi, Moriasi et al. (2007) merekomendasikan agar RMSE menjadi
dinormalisasi dengan menggunakan standar deviasi pengamatan, diberikan
ing ukuran yang disebut sebagai pengamatan RMSE stand-
rasio deviasi ard (RSR).
Meskipun secara umum diterima bahwa semakin rendah
RMSE, semakin baik kinerja model, hanya Singh et al.
(2004) menerbitkan pedoman untuk memenuhi syarat apa yang dianggap sebagai
RMSE rendah berdasarkan standar deviasi pengamatan
(SD). Singh dkk. (2004) menyatakan bahwa nilai RMSE kurang
dari setengah SD pengamatan dapat dipertimbangkan
rendah. Berdasarkan rekomendasi dari Singh et al. (2004),
Moriasi dkk. (2007) mengembangkan RSR.
Kesalahan relatif (RE), kesalahan relatif mutlak, atau mutlak
deviasi relatif adalah rasio kesalahan absolut dari simulasi
ed data ke data yang diamati. Ini menunjukkan ketidakcocokan bahwa
terjadi antara nilai-nilai yang diamati dan dimodelkan, dinyatakan
dalam hal rasio dan persentase. Krause dkk. (2005) rek-
kerabat yang terpuji kriteria efisiensi untuk NSE dan d in
deviasi relatif mana yang diturunkan untuk NSE dan d. Ini
dapat digunakan untuk mengukur simulasi aliran rendah. bias relatif
(RB), kesalahan volume relatif (RVE), dan banyak bias lainnya.
statistik berbasis diturunkan berdasarkan RE untuk melaporkan statistik
PM dalam mengevaluasi kinerja model hidrologi.
1772
Nilai Keuntungan Kerugian
Keuntungan: (1) RE memfasilitasi perbandingan kinerja model
antara respons keluaran yang berbeda, dan (2) perbedaan antara
nilai yang diamati dan diprediksi dikuantifikasi sebagai penyimpangan relatif.
Ini secara signifikan mengurangi pengaruh perbedaan absolut selama
mengalir tinggi.
0,0 Kekurangan: Perbedaan absolut yang lebih rendah selama aliran rendah
periode ditingkatkan karena signifikan jika dilihat secara
pengertian relatif. Akibatnya, mungkin ada kelebihan atau kekurangan sistematis
derprediksi selama periode aliran rendah.
Catatan: RE dapat digunakan bersama dengan statistik lain untuk mengukur rendah
simulasi aliran
Keuntungan: PBIAS: (1) dapat digunakan untuk menentukan seberapa baik
model mensimulasikan besaran rata-rata untuk respons keluaran dari
minat; (2) berguna untuk simulasi jangka panjang yang berkelanjutan; (3) adalah
kuat dan umum digunakan, yang berarti ada ekstensif
informasi tentang nilai yang dilaporkan; (4) dapat membantu mengidentifikasi model rata-rata
bias simulasi (prediksi berlebihan vs prediksi rendah); dan (5) bisa
menggabungkan ketidakpastian pengukuran (Harmel et al., 2010).
Kekurangan: PBIAS tidak dapat digunakan (1) untuk simulasi single-event
0,0 untuk mengidentifikasi perbedaan waktu dan besarnya arus puncak
dan bentuk kurva resesi atau (2) untuk menentukan seberapa baik
model mensimulasikan variasi residual dan/atau tren untuk keluarantanggapan
minat.Catatan: PBIAS dapat memberikan penilaian kinerja model yang menipu
jikamodel memprediksi secara berlebihan sebanyak yang diprediksi, dalam hal
iniPBIAS akan mendekati nol meskipun model simulasinyamiskin. Oleh karena itu
disarankan agar PBIAS digunakan denganPM statistik dan grafis untuk menentukan
kinerja model.
Persentase bias (PBIAS) mengukur kecenderungan rata-rata
data simulasi menjadi lebih besar atau lebih kecil dari yang diamati
rekan-rekan (Gupta et al., 1999). Ini juga mengukur over- dan
meremehkan bias dan menyatakannya sebagai persentase.
Persen sungai kecil mengalir volume kesalahan (PVC; Singh dan Al.,
2004), kesalahan prediksi (PE; Fernandez et al., 2005), dan
persen deviasi volume aliran sungai (D; ASCE, 1993; v
Moriasi et al., 2007) dihitung dengan cara yang sama seperti:
PBIAS.
-SEBUAH
M DAN ANALISIS P KINERJA D mereka
Rentang Nilai yang Dilaporkan untuk Ukuran Kinerja
Untuk setiap model yang termasuk dalam Moriasi et al. (2012)
spesial koleksi, sekitar 20 tersedia rekan-
artikel yang ditinjau dikumpulkan. Data kinerja untuk kasus
studi di Moriasi et al. (2012) koleksi khusus dan
untuk artikel yang diulas oleh Moriasi et al. (2007) tidak setuju
dikesampingkan dalam penelitian ini. Sementara upaya ini sama sekali tidak berarti
lengkap, itu menghasilkan kumpulan data yang cukup besar termasuk 312 data
poin untuk R2 dan 435 titik data untuk NSE yang digunakan dalam
meta-analisis. Karena volume bahan yang terlibat,
melaporkan data kinerja untuk setiap komponen yang disimulasikan
selama kalibrasi dan validasi dicatat (tambahan
mental bahan tabel S1-1 sampai S1-22, tersedia di
http://bit.ly/NRES_SW10715). Data ini dikumpulkan
dari artikel yang diterbitkan dari tahun 1992 hingga 2013; 93% adalah pub-
diterbitkan pada tahun 2000 atau lebih baru, dan 53% diterbitkan setelah tahun 2007.
Sebagian besar parameter yang dilaporkan adalah untuk skala lapangan (tabel
S1-2 hingga S1-10) dan skala DAS (tabel S1-11 hingga S1-22)
model yang memanfaatkan metode manual dan autokalibrasi
peluang. Dari artikel yang diulas, kalibrasi model yang paling banyak dilaporkan
tion dan validasi pada komponen yang berhubungan dengan aliran (tabel S1-
2 hingga S1-5 dan S1-11 hingga S1-15), dan sebagian besar didasarkan pada
TRANSAKSI ASABE