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
虎盐完成签到,获得积分20
刚刚
刚刚
长命百岁完成签到 ,获得积分10
2秒前
喜悦宛凝完成签到 ,获得积分10
4秒前
猫和老鼠完成签到,获得积分10
4秒前
李健应助石玉采纳,获得10
5秒前
Painkiller_完成签到,获得积分10
6秒前
666发布了新的文献求助10
7秒前
ZX801完成签到 ,获得积分10
7秒前
小墨应助虎盐采纳,获得10
10秒前
小酒馆完成签到,获得积分10
12秒前
积极的忆曼完成签到,获得积分10
15秒前
可英完成签到,获得积分10
16秒前
NI完成签到 ,获得积分10
16秒前
害怕的听筠完成签到,获得积分10
16秒前
石玉完成签到,获得积分10
16秒前
滑稽帝完成签到 ,获得积分10
18秒前
blueskyzhi完成签到,获得积分10
19秒前
19秒前
吉尼太美完成签到,获得积分10
19秒前
科研通AI2S应助ycw7777采纳,获得10
21秒前
飞舞的青鱼完成签到,获得积分10
21秒前
山茶发布了新的文献求助10
23秒前
Yang完成签到,获得积分10
23秒前
无语的如音完成签到,获得积分10
23秒前
田様应助liu采纳,获得10
24秒前
25秒前
凶狠的盛男完成签到 ,获得积分10
25秒前
小超人到海底捉虫完成签到,获得积分10
26秒前
月月月鸟伟完成签到,获得积分10
27秒前
Fiona000001完成签到,获得积分10
27秒前
我醉不须辞完成签到,获得积分10
27秒前
黑暗精灵发布了新的文献求助10
28秒前
31秒前
张琦完成签到,获得积分10
31秒前
abc完成签到 ,获得积分10
32秒前
AZX加油完成签到,获得积分10
32秒前
善学以致用应助mk采纳,获得10
33秒前
666完成签到,获得积分20
34秒前
小树叶完成签到 ,获得积分10
34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
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 3187075
求助须知:如何正确求助?哪些是违规求助? 2836983
关于积分的说明 8012363
捐赠科研通 2499453
什么是DOI,文献DOI怎么找? 1334445
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