Python农艺学土壤统计数值

统计学量化

误差指标

量化预测和观察之间的误差是评估模型性能的核心。误差指标在评估传感器相对于地面实况观测的准确性方面也发挥着重要作用。

# Import modules
import pandas as pd
import numpy as np
import holoviews as hv
hv.extension('bokeh')

我们将使用从实际土壤湿度传感器校准中获得的数据集。 土壤湿度读数是通过校准的土壤水分反射计获得的，而地面真实值是通过热重法获得的（即土壤样品经过烘干以找出实际的土壤水分含量）。

# Dataset
y_obs =  np.array([0.190,0.438,0.304,0.408,0.003,0.459,0.409,0.403,0.174,0.033,0.317,0.023])
y_pred = np.array([0.233,0.481,0.319,0.450,0.004,0.466,0.458,0.497,0.166,0.013,0.396,0.003])

# Plot data
data = hv.Scatter( (y_obs,y_pred) ).opts(color='#5ebaff', size=10, xlabel='Observed', ylabel='Predicted')
one_to_one_line = hv.Curve( ([0,0.5],[0,0.5]) ).opts(line_dash='dashed', color='black')
data * one_to_one_line

残差值

观测值与预测值的差异：$residuals=y_{obs}-y_{pred}$

residuals = y_obs - y_pred
print(residuals)

[-0.043 -0.043 -0.015 -0.042 -0.001 -0.007 -0.049 -0.094  0.008  0.02
 -0.079  0.02 ]

# Visually inspect residuals
hv.Scatter( (y_obs,residuals) ).opts(color='tomato', size=10, xlabel='theta', ylabel='Residuals')

检查残差，似乎存在微弱的负趋势，其中随着土壤含水量的增加，误差的负值更大。量化这种偏差的一种方法是使用平均偏差误差指标。

平均偏差误差

等于零的偏差可能是小误差或通过相反符号平衡的非常大误差的结果。除了平均偏差误差之外，始终建议包含其他误差指标。

mbe = np.nanmean(residuals)
print(mbe)

-0.027083333333333334

残差总和

sres = np.nansum(residuals)
print(sres)

-0.325

残差绝对值之和

sares = np.nansum(np.abs(residuals))
print(sares)

0.4210000000000001

误差平方和

sse = np.nansum(residuals**2)
print(sse)

0.024079000000000007

均方误差

mse = np.nanmean(residuals**2)
print(mse)

0.0020065833333333337

方差分析

方差最小的组

线性回归

• 传感器校准（中子探针的校准）

Anscombe四重奏

土壤呼吸速率

最佳施氮量

最大氮回收率

测量土壤压实敏感性

累积分布函数匹配函数

多元线性回归分析

前沿生产函数

曲线拟合

指数衰减

中子计数与体积水含量

正弦曲线

土壤持水曲线

大气二氧化碳

生日悖论

神经网络回归

神经网络分类

参阅一 - 亚图跨际

参阅二 - 亚图跨际