我想验证和比较几种参数化模型。我有一些观测计算每个参数化的RMSE最好的气象强迫。但是我想细微的变化迫使。我认为更多的强迫影响输出范围的不确定性,参数化解释RMSE的改进。

就我个人而言,我有5迫使文件和两个不同的参数化,输出Y美元是一个时间序列。我的名字美元$ Y_ {ij} (t)迫使每个输出我美元和参数$ j $我名字的意思美元$ Y_ {ij} (t)为每个时间步之间所有的强迫与参数化j酒吧\ {Y_j} (t)美元和时间序列的观测y (t)美元

我想用以下公式比较RMSE(我取代的地方y (t)美元通过酒吧\ {Y_j} (t)美元):

$ $ \压裂{1}{N_t} \ sum_k (Y_ {ij} {Y_j} (t_k) - \酒吧(t_k)) ^ 2 $ $

最后,我想总结,如果比例$ \压裂{RMSE}{\压裂{1}{N_t} \ sum_k (Y_ {ij} (t_k) - \酒吧{Y_j} (t_k)) ^ 2} $是接近1所以很难断定因为迫使上的错误导致最敏感的输出,如果是接近0,参数化真的提高了模型适合观测。

这是方法有关吗?

我想验证和比较几种参数化模型。我有一些观测计算每个参数化的RMSE最好的气象强迫。但是我想细微的变化迫使。我认为更多的强迫影响输出范围的不确定性,参数化解释RMSE的改进。

就我个人而言,我有5迫使文件和两个不同的参数化,输出Y美元是一个时间序列。我的名字美元$ Y_ {ij} (t)迫使每个输出我美元和参数$ j $我名字的意思美元$ Y_ {ij} (t)为每个时间步之间所有的强迫与参数化j酒吧\ {Y_j} (t)美元和时间序列的观测y (t)美元

我想用以下公式比较RMSE(我取代的地方y (t)美元通过酒吧\ {Y_j} (t)美元):

$ $ \压裂{1}{N_t} \ sum_k (Y_ {ij} {Y_j} (t_k) - \酒吧(t_k)) ^ 2 $ $

最后,我想总结,如果比例大概{$ \压裂{RMSE}{\ \压裂{1}{N_t} \ sum_k (Y_ {ij} (t_k) - \酒吧{Y_j} (t_k)) ^ 2}} $是接近1所以很难断定因为迫使上的错误导致最敏感的输出,如果是接近0,参数化真的提高了模型适合观测。

这是方法有关吗?

我想验证和比较几种参数化模型。我有一些观测计算每个参数化的RMSE最好的气象强迫。但是我想细微的变化迫使。我想比更多的强迫影响输出范围的不确定性,参数化解释RMSE的改进。

就我个人而言,我有5迫使文件和两个不同的参数化,输出Y美元是一个时间序列。我的名字美元$ Y_ {ij} (t)迫使每个输出我美元和参数$ j $我名字的意思美元$ Y_ {ij} (t)为每个时间步之间所有的强迫与参数化j酒吧\ {Y_j} (t)美元和时间序列的观测y (t)美元

我想用以下公式比较RMSE(我取代的地方y (t)美元通过酒吧\ {Y_j} (t)美元):

$ $ \压裂{1}{N_t} \ sum_k (Y_ {ij} {Y_j} (t_k) - \酒吧(t_k)) ^ 2 $ $

最后,我想总结,如果比例$ \压裂{RMSE}{\压裂{1}{N_t} \ sum_k (Y_ {ij} (t_k) - \酒吧{Y_j} (t_k)) ^ 2} $是接近1所以很难断定因为迫使上的错误导致最敏感的输出,如果它是接近0,所以参数化真的提高了模型适合观测。

你认为这种方法是有关吗?

我想验证和比较几种参数化模型。我有一些观测计算每个参数化的RMSE最好的气象强迫。但是我想细微的变化迫使。我想那更多的强迫影响输出范围的不确定性,参数化解释RMSE的改进。

就我个人而言,我有5迫使文件和两个不同的参数化,输出Y美元是一个时间序列。我的名字美元$ Y_ {ij} (t)迫使每个输出我美元和参数$ j $我名字的意思美元$ Y_ {ij} (t)为每个时间步之间所有的强迫与参数化j酒吧\ {Y_j} (t)美元和时间序列的观测y (t)美元

我想用以下公式比较RMSE(我取代的地方y (t)美元通过酒吧\ {Y_j} (t)美元):

$ $ \压裂{1}{N_t} \ sum_k (Y_ {ij} {Y_j} (t_k) - \酒吧(t_k)) ^ 2 $ $

最后,我想总结,如果比例$ \压裂{RMSE}{\压裂{1}{N_t} \ sum_k (Y_ {ij} (t_k) - \酒吧{Y_j} (t_k)) ^ 2} $是接近1所以很难断定因为迫使上的错误导致最敏感的输出,如果是接近0,参数化真的提高了模型适合观测。

是这种方法有关吗?