Refining GNSS-based water storage estimation: Improved hydrological signal extraction using principal component analysis
Notice bibliographique
Résumé
The Global Navigation Satellite System (GNSS) is vital for monitoring terrestrial water storage (TWS). However, effectively extracting hydrological load deformation from GNSS observations poses a significant challenge. This study proposes a novel strategy; the seasonal hydrological load signals are removed from the raw data, and the remaining signals use principal component analysis (PCA). Simulation results from Yunnan Province demonstrate that the spatial distribution of the root mean square error (RMSE) is improved by approximately 15 % compared with traditional PCA extraction from raw data. From January 2013 to December 2022, TWS was inverted from 24 GNSS stations in Yunnan Province. The spatial distribution and time series of TWS inverted from GNSS align well with those TWS inferred from the Gravity Recovery and Climate Experiment (GRACE), GRACE Follow-On (GFO), and the Global Land Data Assimilation System (GLDAS) land surface model. However, the amplitude of the GNSS-inverted TWS is slightly higher. Since GNSS ground stations are more sensitive to hydrological load signals, they show correlations with precipitation data that are 8.6 % and 6.0 % higher than those of GRACE and GLDAS, respectively. In the power spectral density analysis of GRACE/GFO, GLDAS, and GNSS, the signal strength of GNSS is much higher than that of GRACE/GFO and GLDAS in the June and February cycles. These findings suggest that the new data extraction strategy can capture higher frequency hydrological signals in TWS, and GNSS observations can help address limitations in GRACE/GFO observations. This study demonstrates the potential of GNSS TWS in capturing higher-frequency hydrological signals and climate extremes application.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».