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
科研通AI2S应助大方笑阳采纳,获得10
1秒前
1秒前
2秒前
2秒前
pauchiu发布了新的文献求助10
2秒前
完美世界应助0orange采纳,获得10
2秒前
一堃发布了新的文献求助10
3秒前
辅仁发布了新的文献求助10
3秒前
已而遂晴发布了新的文献求助10
3秒前
yangching应助LH采纳,获得20
4秒前
星月夜应助科研抖擞采纳,获得10
5秒前
十一完成签到,获得积分10
5秒前
HJY完成签到,获得积分10
5秒前
克苦的我发布了新的文献求助10
6秒前
胆XIAOXING发布了新的文献求助10
6秒前
6秒前
绒绒完成签到,获得积分10
6秒前
无私的鸣凤完成签到,获得积分10
7秒前
四维虫子完成签到,获得积分10
7秒前
7秒前
DRMelody完成签到,获得积分10
7秒前
8秒前
8秒前
12138完成签到,获得积分10
9秒前
9秒前
星辰大海应助liulala采纳,获得10
9秒前
傅傅完成签到,获得积分10
9秒前
21发布了新的文献求助10
10秒前
搜集达人应助Jessie采纳,获得10
10秒前
斯文败类应助子车凡采纳,获得10
10秒前
受伤南霜发布了新的文献求助10
11秒前
11秒前
11秒前
研白发布了新的文献求助10
11秒前
云桑完成签到 ,获得积分10
12秒前
瘦瘦小萱发布了新的文献求助10
12秒前
辅仁完成签到,获得积分10
13秒前
金秋完成签到,获得积分0
13秒前
丹霞应助ODD采纳,获得10
14秒前
bkagyin应助健壮问兰采纳,获得10
14秒前
高分求助中
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
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
2-Acetyl-1-pyrroline: an important aroma component of cooked rice 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 3181376
求助须知:如何正确求助?哪些是违规求助? 2831591
关于积分的说明 7985655
捐赠科研通 2493611
什么是DOI,文献DOI怎么找? 1330220
科研通“疑难数据库(出版商)”最低求助积分说明 635954
版权声明 602955