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
Orange应助无敌LI采纳,获得30
1秒前
violetlishu完成签到 ,获得积分10
1秒前
香蕉觅云应助林厌寻采纳,获得10
2秒前
4秒前
树懒发布了新的文献求助10
5秒前
pegasus0802完成签到,获得积分10
6秒前
达达发布了新的文献求助10
7秒前
理查德完成签到,获得积分10
8秒前
瓜瓜完成签到 ,获得积分10
8秒前
9秒前
烟花应助木禾火采纳,获得10
9秒前
kk发布了新的文献求助10
12秒前
12秒前
秃驴完成签到,获得积分10
13秒前
13秒前
理查德发布了新的文献求助10
14秒前
树懒完成签到,获得积分10
15秒前
dling02完成签到 ,获得积分10
15秒前
海慕云发布了新的文献求助10
15秒前
林厌寻发布了新的文献求助10
17秒前
Pureasy完成签到,获得积分10
17秒前
今后应助Wy采纳,获得10
17秒前
liuyun发布了新的文献求助10
20秒前
21秒前
21秒前
hanzhuziyan完成签到,获得积分10
23秒前
木禾火发布了新的文献求助10
24秒前
ADcal完成签到 ,获得积分10
27秒前
coups哒嘟发布了新的文献求助50
28秒前
不配.应助gfreezer采纳,获得10
28秒前
oyk发布了新的文献求助10
30秒前
完美世界应助佛了欢喜采纳,获得10
30秒前
树袋熊发布了新的文献求助100
32秒前
木禾火完成签到,获得积分20
33秒前
Zhangtao完成签到,获得积分10
33秒前
不落完成签到,获得积分10
35秒前
SciGPT应助兔兔要吐啦采纳,获得10
37秒前
小迷糊完成签到,获得积分10
40秒前
哭泣青烟完成签到 ,获得积分10
40秒前
搜集达人应助木禾火采纳,获得10
41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
Aspects of Babylonian celestial divination: the lunar eclipse tablets of Enūma Anu Enlil 500
安全防范技术与工程 500
Mathematics and Finite Element Discretizations of Incompressible Navier—Stokes Flows 500
2024 Medicinal Chemistry Reviews 400
Dictionary of socialism 350
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 3193694
求助须知:如何正确求助?哪些是违规求助? 2842680
关于积分的说明 8040436
捐赠科研通 2506763
什么是DOI,文献DOI怎么找? 1339363
科研通“疑难数据库(出版商)”最低求助积分说明 638752
邀请新用户注册赠送积分活动 607445