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
blush发布了新的文献求助10
刚刚
华仔应助结实星星采纳,获得10
1秒前
陆人甲发布了新的文献求助10
2秒前
hanzhang完成签到,获得积分10
3秒前
5秒前
www发布了新的文献求助10
5秒前
科研通AI2S应助1111chen采纳,获得10
6秒前
SciGPT应助科研小白采纳,获得10
6秒前
汉堡包应助susiecash采纳,获得10
7秒前
7秒前
乐乐应助zzz采纳,获得10
8秒前
温婉的夏烟完成签到 ,获得积分10
8秒前
kmzzy完成签到 ,获得积分10
9秒前
尖叫尖叫完成签到,获得积分10
9秒前
9秒前
10秒前
11秒前
LLL完成签到,获得积分10
11秒前
1111222333发布了新的文献求助10
12秒前
尖叫尖叫发布了新的文献求助30
12秒前
无花果应助cc采纳,获得10
13秒前
14秒前
Owen应助兴奋的白桃采纳,获得10
14秒前
SciGPT应助远看寒山采纳,获得10
14秒前
牛安荷发布了新的文献求助10
16秒前
zqfxc发布了新的文献求助10
16秒前
Ava应助结实星星采纳,获得10
17秒前
费列罗LLL发布了新的文献求助100
19秒前
wuhaixia完成签到,获得积分10
23秒前
所所应助科研通管家采纳,获得10
24秒前
intangible应助科研通管家采纳,获得10
24秒前
充电宝应助科研通管家采纳,获得10
24秒前
paparazzi221应助科研通管家采纳,获得100
24秒前
24秒前
科研通AI2S应助科研通管家采纳,获得10
24秒前
小二郎应助科研通管家采纳,获得30
24秒前
科研通AI2S应助科研通管家采纳,获得20
24秒前
赘婿应助科研通管家采纳,获得10
24秒前
25秒前
打打应助啊嘞嘞采纳,获得10
26秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
ALA生合成不全マウスでの糖代謝異常の分子機構解析 520
安全防范技术与工程 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
A real-time energy management strategy based on fuzzy control and ECMS for PHEVs 400
2024 Medicinal Chemistry Reviews 400
Why I Chose China [by Morris R. Wills] in "Look", February 8 and 22, 1966; 400
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 3191399
求助须知:如何正确求助?哪些是违规求助? 2840729
关于积分的说明 8029730
捐赠科研通 2504104
什么是DOI,文献DOI怎么找? 1337383
科研通“疑难数据库(出版商)”最低求助积分说明 638071
邀请新用户注册赠送积分活动 606600