معرفی شرکت ها
fmskill-0.8.0
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Compare results from MIKE simulations with observations.
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | fmskill-0.8.0 |
| نام | fmskill |
| نسخه کتابخانه | 0.8.0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Jesper Sandvig Mariegaard |
| ایمیل نویسنده | jem@dhigroup.com |
| آدرس صفحه اصلی | https://github.com/DHI/fmskill |
| آدرس اینترنتی | https://pypi.org/project/fmskill/ |
| مجوز | MIT |
<img src="https://raw.githubusercontent.com/DHI/fmskill/main/images/logo/mike-fm-skill-rgb.svg" width="300">
# FMskill: Compare MIKE FM results with observations.
 [](https://badge.fury.io/py/fmskill)
[FMskill](https://github.com/DHI/fmskill) is a python package for scoring [MIKE FM](https://www.mikepoweredbydhi.com/products/mike-21-3) models.
Read more about the [vision and scope](https://dhi.github.io/fmskill/vision.html). Contribute with new ideas in the [discussion](https://github.com/DHI/fmskill/discussions), report an [issue](https://github.com/DHI/fmskill/issues) or browse the [API documentation](https://dhi.github.io/fmskill/api.html). Access observational data (e.g. altimetry data) from the sister library [WatObs](https://github.com/DHI/watobs).
## Use cases
[FMskill](https://github.com/DHI/fmskill) would like to be your companion during the different phases of a MIKE FM modelling workflow.
* Model setup - exploratory phase
* Model calibration
* Model validation and reporting - communicate your final results
## Installation
From [pypi](https://pypi.org/project/fmskill/):
`> pip install fmskill`
Or the development version:
`> pip install https://github.com/DHI/fmskill/archive/main.zip`
## Example notebooks
* [Quick_and_dirty_compare.ipynb](https://nbviewer.jupyter.org/github/DHI/fmskill/blob/main/notebooks/Quick_and_dirty_compare.ipynb)
* [SW_DutchCoast.ipynb](https://nbviewer.jupyter.org/github/DHI/fmskill/blob/main/notebooks/SW_DutchCoast.ipynb)
* [Multi_model_comparison.ipynb](https://nbviewer.jupyter.org/github/DHI/fmskill/blob/main/notebooks/Multi_model_comparison.ipynb)
* [Multi_variable_comparison.ipynb](https://nbviewer.jupyter.org/github/DHI/fmskill/blob/main/notebooks/Multi_variable_comparison.ipynb)
* [Track_comparison.ipynb](https://nbviewer.jupyter.org/github/DHI/fmskill/blob/main/notebooks/Track_comparison.ipynb) (including global wave model example)
* [Spatial_skill.ipynb](https://nbviewer.jupyter.org/github/DHI/fmskill/blob/main/notebooks/Spatial_skill.ipynb) (satellite tracks, skill aggregated on spatial bins)
* [NetCDF_ModelResult.ipynb](https://nbviewer.jupyter.org/github/DHI/fmskill/blob/main/notebooks/NetCDF_ModelResult.ipynb)
* [Combine_comparers.ipynb](https://nbviewer.jupyter.org/github/DHI/fmskill/blob/main/notebooks/Combine_comparers.ipynb)
## Workflow
1. Define **ModelResults**
2. Define **Observations**
3. **Connect** Observations and ModelResults
4. **Extract** ModelResults at Observation positions
5. Do plotting, statistics, reporting using a **Comparer**
Read more about the workflow in the [getting started guide](https://dhi.github.io/fmskill/getting_started.html).
## Example of use
Start by defining model results and observations:
```python
>>> from fmskill.model import ModelResult
>>> from fmskill.observation import PointObservation, TrackObservation
>>> mr = ModelResult("HKZN_local_2017_DutchCoast.dfsu", name="HKZN_local", item=0)
>>> HKNA = PointObservation("HKNA_Hm0.dfs0", item=0, x=4.2420, y=52.6887, name="HKNA")
>>> EPL = PointObservation("eur_Hm0.dfs0", item=0, x=3.2760, y=51.9990, name="EPL")
>>> c2 = TrackObservation("Alti_c2_Dutch.dfs0", item=3, name="c2")
```
Then, connect observations and model results, and extract data at observation points:
```python
>>> from fmskill import Connector
>>> con = Connector([HKNA, EPL, c2], mr)
>>> comparer = con.extract()
```
With the comparer, all sorts of skill assessments and plots can be made:
```python
>>> comparer.skill().round(2)
n bias rmse urmse mae cc si r2
observation
HKNA 385 -0.20 0.35 0.29 0.25 0.97 0.09 0.99
EPL 66 -0.08 0.22 0.20 0.18 0.97 0.07 0.99
c2 113 -0.00 0.35 0.35 0.29 0.97 0.12 0.99
```
### Overview of observation locations
```python
con.plot_observation_positions(figsize=(7,7))
```
### Scatter plot
```python
comparer.scatter()
```
### Timeseries plot
Timeseries plots can either be static and report-friendly ([matplotlib](https://matplotlib.org/)) or interactive with zoom functionality ([plotly](https://plotly.com/python/)).
```python
comparer["HKNA"].plot_timeseries(width=1000, backend="plotly")
```
## Automated reporting
With a few lines of code, it will be possible to generate an automated report.
```python
from fmskill.report import Reporter
rep = Reporter(mr)
rep.to_markdown()
```
[Very basic first example report](https://github.com/DHI/fmskill/blob/main/notebooks/HKZN_local/HKZN_local.md)
نیازمندی
| مقدار | نام |
|---|---|
| - | numpy |
| - | pandas |
| >=1.2 | mikeio |
| - | matplotlib |
| - | xarray |
| - | markdown |
| - | jinja2 |
| - | pytest |
| ==4.5.0 | sphinx |
| - | sphinx-book-theme |
| ==22.3.0 | black |
| >=4.5 | plotly |
| - | nbformat |
| - | nbconvert |
| - | jupyter |
| - | plotly |
| - | shapely |
| - | pytest |
| - | netCDF4 |
| - | openpyxl |
| - | dask |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.8 | Python |
نحوه نصب
نصب پکیج whl fmskill-0.8.0:
pip install fmskill-0.8.0.whl
نصب پکیج tar.gz fmskill-0.8.0:
pip install fmskill-0.8.0.tar.gz