Responses of GNSS ZTD Variations to ENSO Events and Prediction Model Based on FFT-LSTME

气候学 全球导航卫星系统应用 环境科学 异常(物理) 多元ENSO指数 对流层 降水 季风 天顶 气象学 拉尼娜现象 地质学 卫星 厄尔尼诺南方涛动 大地测量学 地理 物理 凝聚态物理 工程类 航空航天工程
作者
Tengli Yu,Ershen Wang,Shuanggen Jin,Yong Wang,Jing Huang,Xiao Liu,Zehong Wei
出处
期刊:IEEE Transactions on Geoscience and Remote Sensing [Institute of Electrical and Electronics Engineers]
卷期号:61: 1-17 被引量:1
标识
DOI:10.1109/tgrs.2023.3251375
摘要

The El Niño-Southern Oscillation (ENSO) event often causes natural disasters in mainland China. Existing quantitative analysis of ENSO events effects on climate change in mainland China is insufficient. The monthly scale prediction effectiveness of ENSO events is still low. Global Navigation Satellite System (GNSS) can estimate zenith tropospheric delay (ZTD) with high accuracy, which can study ZTD responses to ENSO and improve the prediction accuracy of ENSO events. This study quantitatively analyzed the response patterns of GNSS ZTD time-frequency variation to ENSO events in mainland China. The monthly multivariate ENSO index (MEI) thresholds for GNSS ZTD anomaly response to ENSO events are (-1.12,1.92) for the tropical monsoon zone, (-1.12,1.61) for the subtropical monsoon zone, (-1.19,1.62) for the temperate monsoon zone, (-1.26,1.64) for the temperate continental zone, and (-1.22,1.72) for the mountain plateau zone. The ENSO event causes the amplitude of the 9-month variation period to decrease and the amplitude of the 0.8–3-month period to increase for the GNSS ZTD in mainland China. Furthermore, a forecasting model is proposed with integrating fast Fourier transform and long short-term memory extended (FFT-LSTME). The model uses monthly MEI as the primary input and the GNSS ZTD reconstruction sequence that responds to ENSO as the auxiliary input. It can predict ENSO events in the next 24 months with an index of agreement (IA) of 91.56% and a root mean square error (RMSE) of 0.25. The RMSE is optimized by 70.48%, 43.95%, and 11.6% when compared with radial basis function (RBF), LSTM, and FFT-LSTM.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
黑猫小苍完成签到,获得积分10
刚刚
没有银完成签到,获得积分10
刚刚
ww完成签到,获得积分10
1秒前
王十二完成签到,获得积分10
2秒前
浮熙完成签到 ,获得积分10
7秒前
ivy完成签到 ,获得积分10
7秒前
9秒前
ling_lz完成签到,获得积分10
10秒前
王科研完成签到,获得积分10
13秒前
佩吉的布丁完成签到 ,获得积分10
14秒前
焚心结完成签到 ,获得积分10
14秒前
ling_lz发布了新的文献求助10
15秒前
123完成签到,获得积分10
17秒前
131完成签到,获得积分10
17秒前
hakuna_matata完成签到 ,获得积分10
19秒前
丘比特应助一定可以采纳,获得10
21秒前
小周完成签到,获得积分10
23秒前
27秒前
27秒前
jzs完成签到 ,获得积分10
27秒前
水瓶鱼完成签到,获得积分10
27秒前
小王完成签到 ,获得积分10
28秒前
犹豫嚣完成签到,获得积分10
30秒前
SciGPT应助Rgly采纳,获得10
34秒前
kkscanl完成签到 ,获得积分10
37秒前
LILI完成签到,获得积分10
38秒前
含糊的紫菜完成签到 ,获得积分10
38秒前
guo完成签到,获得积分10
39秒前
丽丽完成签到 ,获得积分10
42秒前
科研小笨猪完成签到,获得积分10
44秒前
44秒前
sydhwo完成签到 ,获得积分10
47秒前
Rgly发布了新的文献求助10
48秒前
科研通AI2S应助oleskarabach采纳,获得10
49秒前
科研通AI2S应助oleskarabach采纳,获得10
49秒前
123完成签到,获得积分10
53秒前
共享精神应助美丽谷蕊采纳,获得10
54秒前
雪妮完成签到 ,获得积分10
59秒前
打工是不可能打工的完成签到 ,获得积分10
1分钟前
Libgenxxxx完成签到,获得积分10
1分钟前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Evolution 3rd edition 1500
保险藏宝图 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3186963
求助须知:如何正确求助?哪些是违规求助? 2836960
关于积分的说明 8012060
捐赠科研通 2499425
什么是DOI,文献DOI怎么找? 1334354
科研通“疑难数据库(出版商)”最低求助积分说明 637170
邀请新用户注册赠送积分活动 605071