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
arthurma完成签到,获得积分20
刚刚
HHH发布了新的文献求助10
4秒前
丘比特应助前也采纳,获得10
5秒前
5秒前
6秒前
7秒前
小二郎应助宋宋采纳,获得10
8秒前
一目发布了新的文献求助10
8秒前
123应助腼腆的斩采纳,获得10
9秒前
10秒前
111发布了新的文献求助10
10秒前
jilingfenghuang完成签到,获得积分10
10秒前
10秒前
12秒前
Harry应助weulo采纳,获得20
14秒前
调研昵称发布了新的文献求助10
14秒前
T拐拐发布了新的文献求助10
14秒前
华仔应助不知道叫啥采纳,获得10
15秒前
卡卡发布了新的文献求助10
15秒前
飞在夏夜的猫完成签到,获得积分10
15秒前
Leo发布了新的文献求助10
16秒前
包容可乐完成签到,获得积分10
18秒前
18秒前
学fei了吗完成签到,获得积分10
18秒前
调研昵称发布了新的文献求助10
18秒前
善学以致用应助一目采纳,获得10
20秒前
guoguo发布了新的文献求助10
20秒前
21秒前
雷寒云发布了新的文献求助30
21秒前
21秒前
kkdkg发布了新的文献求助30
22秒前
阳光的晓夏完成签到 ,获得积分10
23秒前
可爱的函函应助皮不可采纳,获得10
23秒前
asdwind完成签到,获得积分10
24秒前
线性谐振子完成签到,获得积分10
25秒前
26秒前
辞南完成签到,获得积分10
28秒前
SciGPT应助星星采纳,获得10
29秒前
30秒前
伊伊发布了新的文献求助10
31秒前
高分求助中
Spray / Wall-interaction Modelling by Dimensionless Data Analysis 2000
Evolution 3rd edition 1500
保险藏宝图 1000
Lire en communiste 1000
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 700
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 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 3184620
求助须知:如何正确求助?哪些是违规求助? 2834922
关于积分的说明 8002218
捐赠科研通 2497295
什么是DOI,文献DOI怎么找? 1332783
科研通“疑难数据库(出版商)”最低求助积分说明 636685
邀请新用户注册赠送积分活动 604062