利用改进的GoogLeNet深度学习模型识别COSMIC-2掩星信号中的反射信号.pdf

9895.2202.21096GoogLeNetDeepLearningModel.ChineseJournalofAtmosphericSciences(inChinese),47(3):631-641.doi:10.3878/j.issn.1006-LUO Wenjie,XIANG Jie,DU Huadong.2023.Identification of the Reflected Signal in the COSMIC-2 Occultation Signal Using the Improved罗文杰，项杰，杜华栋.2 0 2 3.利用改进的GoogLeNet深度学习模型识别COSMIC-2掩星信号中的反射信号J.大气科学，47(3):6 31-6 41.May20232023年5 月ChineseSciencesVol.47No.3第47 卷第3期科学利用改进的 GoogLeNet深度学习模型识别COSMIC-2掩星信号中的反射信号罗文杰项杰杜华栋国防科技大学气象海洋学院，长沙410 0 0 8摘要GPS（G l o b a l Po s i t i o n i n g Sy s t e m）掩星探测技术作为一种先进的大气探测手段，已广泛用于数值天气预报、气候和空间天气研究。掩星探测存在的问题之一是容易受到地球表面反射信号的干扰，识别和分离掩星探测信号中的反射信号有助于将掩星数据同化到数值天气预报系统中去，具有重要意义。本文提出一种基于改进的GoogLeNet深度学习模型（Im-GNet），并应用于COSMIC-2掩星探测数据来识别反射信号。本文选择了2 0 2 0年1月19 日的COSMIC-2掩星数据（conPhs文件），进行质量控制后，利用无线电全息方法得到掩星信号的无线电全息功率谱密度图像，然后训练得到Im-GNet深度学习模型，Im-GNet模型测试的准确率达到了9 6.4%，显著高于支持向量机（SVM）方法的结果。本文还分析了反射信号对掩星数据的影响，掩星事件的地理分布以及掩星反演数据（atmPrf文件）与NCEP再分析资料的12 h预报值（avnPrf文件）的折射率比较表明：有反射信号的掩星事件数据质量更好，所包含的大气信息更丰富。关键词COSMIC-2掩星深度学习无线电全息技术GoogLeNet模型文章编号10 0 6-9 8 9 5(2 0 2 3)0 3-0 6 31-11中图分类号号P412文献标识码Adoi:10.3878/j.issn.1006-9895.2202.21096Identification of the Reflected Signal in the COSMIC-2 OccultationSignal Using the Improved GoogLeNet Deep Learning ModelLUO Wenjie,XIANG Jie,and DU HuadongCollege of Meteorology and oceanography,National University of Defense Technology,Changsha 410008Abstractt As an advanced atmospheric detection method,GPS(Global Positioning System)occultation detectiontechnology has been widely used in numerical weather forecasting,climate,and space weather research.One of theproblems in occultation detection is that it is easily interfered with by the reflected signals on the surface of the earth.Identifying and separating the reflected signals in the occultation detection signal helps assimilate the occultation data intothe numerical weather prediction system,which has considerable importance.This study proposes a deep learning modelbased on improved GoogLenet(Im-GNet)model and applies it to COSMIC-2 occultation detection data to identifyreflected signals.This study selects the COSMIC-2 occultation data(conPhs file)from 1 January to 9 January 2020.Afterquality control,the radio holography method is used to obtain the spatial spectrum image of the occultation signal,and收稿日期2021-06-08；网络预出版日期2022-03-12作者简介罗文杰，男，19 9 7 年出生，硕士研究生，研究方向是人工智能方法在卫星遥感中的应用。E-mail:通讯作者项杰，E-mail:资助项目国家自然科学基金项目4147 5 0 2 1Funded byNational Natural Science Foundation of China(Grant 41475021)Vol.47632ChineseSciences47卷科学the Im-GNet deep learning model is trained.The accuracy rate of the Im-GNet model test reached 96.4%,which issignificantly higher than the result of the support vector machine method.This study also analyzes the impact of reflectedsignals on occultation data.The geographic distribution of occultation events and the refractivity comparison between theoccultation inversion data(atmPrf file)and the NCEP(National Centers for Environmental Prediction)12-h forecast files(avnPrf file)shows that the quality of the occultation event data with reflection signals is better,and the atmosphericinformation contained is richer.KeywordsCOSMIC-2 occultation,Deep learning,Radio holographic technology,GoogLeNet model1引言GPS（G l o b a l Po s i t i o n i n g Sy s t e m）掩星探测技术作为一种新型的大气遥感探测手段，具有高精度、高垂直分辨率、全球准均匀覆盖、全天候观测、长期稳定等特点（Kursinski etal.,1996;Kuo etal.,2004），已广泛用于数值天气预报、气候和空间天气研究。如，我国台湾省与美国联合实施的掩星探测项目“气象、电离层和气候星座观测系统（CO SM I C，2 0 0 6-2 0 11）”成为最成功的掩星探测业务应用系统。在COSMIC项目之后，台湾省和美国又推出了名为FORMOSAT-7/COSMIC-2的后续掩星探测项目。COSMIC-2的六颗卫星于2019年6 月2 5 日成功发射到赤道附近的低倾角（2 4）轨道。7 月16 日卫星上的3个仪器（主载荷3G 掩星系统（Tri-GNSS Radio-occultation System,TGRS）、副载荷离子速度计（lonVelocityMeter）和射频信标机（RadioFrequencyBeacon）开始激活。COSMIC-2团队在经过仪器性能评估和算法优化后，于2 0 19 年12 月10 日开始发布掩星探测数据，数据的起始日期为2 0 19 年10 月1日。由于应用了先进的TGRS接收机和高增益天线，结合算法的改进，COSMIC-2掩星探测信号具有前所未有的高信噪比，这使得COSMIC-2项目每天能获得4000多条高质量的中低纬度（45 S45 N）中性大气廓线（弯角、折射率、温度、压力和湿度），这些数据具有高准确度、高精度和高垂直分辨率等特点（Schreiner et al.,2020)。人们在分析GPS无线电掩星数据时发现掩星数据中存在GPS信号与地球表面相互作用的信息(Beyerle and Hocke,2001;Beyerle et al.,2002)。图1中除了常见的主体折射信号（通常称为“直接信号”）外，还经常可以检测到另一个信号，该信号具有较小的频率偏移（由于传播介质的变化和多普勒频移效应）和较低的仰角，通常表现为多路径传播、超折射（异常大的折射率梯度）和强衰减等畸变现象之一，而且有时这个信号并不太容易确定。研究表明，这个信号是来自地球表面的反射信号，常被跟踪直接信号的接收机无意捕获。为了表述方便，此信号被称为“反射信号”（Aparicioetal.,2018)。反射信号与低层大气和地表存在相互作用，因此，除了由直接信号提供大气信息之外，反射信号也成为确定低层大气和地表性质的潜在信息源Directed signalLEOreceiverReflected signalNear-tangent:ex:COSMIC,CHAMP,METOPA.1elevationspecularreflection1GPS emitter1111Earth11！11图1GPS掩星探测示意图Fig.1Schematic diagram of GPS occultation detection633No.3LUOWenjiIdentificationoftheReflectedSignalintheCOSMiC-2OccultationSignal Using罗文杰等：利用改进的GoogLeNet深度学习模型识别COSMIC-2掩星信号中的反射信号3期(Aparicio et al.,2018)。如，Beyerle et al.（2 0 0 2)发现反射分量中信噪比（SNR）值可能与海面特征（如，有效波高或波浪坡度统计）存在联系；Cardellach etal.（2 0 0 4）利用来自反射信号的干涉相位数据对极区冰川高度进行了尝试性测量；Bonifaceetal.（2 0 11）表明，无线电掩星事件中的反射信号可能包含有关对流层最低层（最低几公里）的地球物理信息，并提供低对流层状态的信息，同时还提出，对直接和反射无线电信号的频移进行分析可以帮助确定大气或表面特性。在数值天气预报（NWP）应用上，有研究（Ca r d e lla c h e t a l.2 0 0 8）表明，GPS掩星信号中存在反射信号是掩星数据质量良好的指标，这样的掩星探测廓线与ECMWF（Eu r o p e a n Ce n t r e f o rMedium-Range Weather Forecasts）分析场更一致。Cardellachetal.（2 0 0 8）注意到，具有反射信号的掩星事件从直接信号中获得的大气折射率廓线要比没有清晰反射信号的掩星事件更接近于NWP模型的估计值，同时使用ECMWF数据进行了测试。Aparicioetal.（2 0 18）表明具有强反射信号的掩星事件数据与NWP结果有良好的先验一致性，并尝试提取可用于NWP背景下的大气信息，特别是提供最低5 km内温度和湿度廓线的附加信息（仅限于海洋反射事件）。据统计，40%6 0%的掩星信号包含来自大气和地球表面的反射信号。然而，在反演掩星弯角的过程中，这些受到“污染”的掩星观测值在反演过程中通常被视为异常值而被抛弃（尤其是在波动光学方法中）（Huetal.,2018)。为了处理无线电掩星（RO）信号的多路径传播、衍射等情形而发展的基于傅立叶积分算子的技术也同样能够反演反射信号的弯角廓线（Gorbunovetal.,2018)。这些技术包括：基于傅立叶积分算子（FIO）的正则变换（CT）（G o r b u n o v,2 0 0 1）、全谱反演（FSI）（Je n s e n e t a l.，2 0 0 3）和相位匹配（PM）（Je n s e n e t a l.，2 0 0 4），以及第二类正则变换（CT2）（G o r b u n o v a n d La u r i t s e n,2 0 0 4）。其中FSI和CT2方法在数值上最有效（Gorbunovetal.,2006)。目前，识别反射信号的手段主要是滑动窗口的无线电全息技术（滑动频谱方法）（Hockeetal.，1999;Beyerle and Hocke,2001;Cardellach et al.,2008Bonifaceetal.,2011），该技术已用于提取反射场（Aparicioetal.,2018）。此外也可以使用基于Wigner分布函数（WDF）的技术来识别反射信号(Gorbunov et al.,2016)。Be y e r l e e t a l.（2 0 0 2)利用几何射线追踪和多相位屏模拟方法定量分析了无线电全息图中的特征频率变化，这些特征频率变化主要与信号在地表反射点的海拔高度和地面的折射率有关；Beyerleetal.（2 0 0 2）用于检测反射信号的主要方法是通过对无线电全息图的目视检查。Cardellachetal.（2 0 0 8）提出了基于支持向量机（SVM）的无线电全息方法，用于快速自动检测RO事件中的反射信号，然而，该方法在识别反射信号的特定范围方面仍然有局限性，并且需要大量迭代才能收敛。为了缩小错误识别的范围并提高计算效率，Huetal.（2 0 18）提出了基于梯度下降人工神经网络的无线电全息方法（GDANN-RH），以提高检测成功率并减少计算时间。除了以上的识别反射信号的工作以外，还有一些人开展了反射信号的反演工作。如Bonifaceetal.（2 0 11）首先利用无线电全息滤波方法从GPS掩星信号中分离出反射信号，然后利用一种扰动方法进行反演，确定了最低层大气对反射信号特性的相关贡献，并提取了对直接传播信号反演解的补充信息。Gorbunovetal.（2 0 18）提出了基于修正的CT方法的反演算法，并进行了反演试验。鉴于 Cardellach et al.（2 0 0 8）和 Hu et al.（2 0 18）使用的都是COSMIC数据，而最新的COSMIC-2中性大气掩星探测数据已经对外公开发布，可以下载使用，因此，本文旨在把无线电全息技术应用于COSMIC-2掩星探测数据以识别出其中的反射信号；通过建立基于改进的GoogLenet反射信号分类模型，获得更好的反射信号自动检测效果。此外，本文还将分析反射信号与掩星数据质量的关系。本文的结构如下：第二节介绍空间谱工具的算法原理，描述反射信号的局地空间谱特征；第三节通过改进GoogLeNet网络结构建立反射信号分类模型，并与SVM方法进行对比分析；第四节讨论反射信号与掩星资料的偏差；第五节为总结讨论。2掩星信号局地空间谱的提取2.1无线电全息技术本文中掩星信号局地空间谱的提取采用无线电全息方法。设低轨（LEO）卫星测得的电磁波场u(t)为Vol.47634ChineselrnalSciences大47卷学科u(t)=A(t)expikY(t),(1)其中，T、A(t)、k、()分别表示时间、振幅、波数、相位。选定参考相位m(t)，得到参考波场um(t)：um(t)=expikYm(t),(2)其中，m(t)可以通过对观测波场u(t)的相位(t)进行平滑得到。那么，u(t)u(t)=A(t)exp(ikP(t)-Ym(t)(3)um(t)称为无线电全息图（radiohologram）（H o c k e e t a l.1999)。对无线电全息图【公式（3）】进行滑动窗的傅里叶变换（So k o l o v s k i y,2 0 0 1）得到1Cto+T/2c(to,w)Au(t)exp(-iwt)dt,(4)2元Jto-T/2其中，to是时间窗口的中心，T是时间窗口的范围大小，是局地的频率。谱lc(t,w)2取最大值时的频率wm代表t时刻的射线。谱lc(t,w)的变化情况可以在t一图（时一频图）上表示出来。同时，也可以在影响参数一弯角图上表示出来（Gorbunovetal.,2000;Gorbunov,2002)。图2 给出了采用无线电全息方法计算COSMIC-2掩星事件的空间谱图像（时间一频率域与影响参数一弯角域）的一次示例，本文的研究仅使用到L1波段（1.5 7 5 42 GHz）信号的时间一频率域空间谱，影响高度一弯角域空间谱则在后续的掩星资料质量控制与误差分析的研究中起到重要作用。2.2反射信号的视觉识别BeyerleandHocke（2 0 0 1）提出了第一个证据，即GPS/MET无线电掩星试验中观察到的GPS信号包含反射信号分量，他们采用无线电全息方法来分离直接和反射信号成分。GNSS掩星数据中存在反射信号的特征体现在其局地空间谱图像中，反射信号的频谱不同于主要的直接（折射）信号的频谱，其呈牛角形，随着时间的流逝，它逐渐趋向直接信号的中心频率（出现在下行掩星事件中，对于上行掩星事件则是偏离）（Cardellachetal.，2 0 0 8）。这种结构通常很清晰，而且易于通过人工视觉识别。本文使用COSMIC-2掩星数据进行研究，借助无线电全息技术，通过确定局地空间谱图像中的特征频移来检测反射信号。本文处理的数据仅限于下行掩星L1波段（1.5 7 5 42 GHz）的C/A信号，原因是上行掩星的反射信号容易出现偏离，且L2波段（1.2 2 7 6 0 GHz）的发射功率较低，信号容易受到噪声的影响。图3给出了三种类型的掩星信号的局地空间谱图像。在图3a中，由于直接信号的功率占主体，因此，直接信号以接近零的频率出现在局地空间谱图像中，并受大气和电离层中的小尺度结构的影响而加宽。38 6 5 s之间出现在直接信号两端的较低强度（振幅）分量则是反射信号，该信号的频率随时间而变化，并趋向于直接信号的中心频率（零频率附近），在6 0 s之后与直接信号逐渐会聚。图3a中较亮的水平横线是信号混叠造成的（由于COSMIC-2信号的采样率为10 0 Hz，频率在5 0 Hz以上的信号会发生混叠）。在大约8 0 s之后，掩星事件结束，直接信号消失。而由于电离层（总电子含量TEC起主要作用）、中性大气层（水汽的影响最大）和地球表面（复杂的粗糙度产生散射）对反射信号传播的影响，同时卫星仪器性能或影响到反射信号的接收和处理，图3b则在35 5 0 s之间出现了模糊的反射信号特征。图3c是典型的无反射信号示例：5 0 s之前直接信号清晰而集中，508 0 s 由于信号干扰致使直接信号发生小幅度的频移和散焦。3改进的GoogLeNet反射信号分类模型GoogLeNet是一种全新的深度学习结构(Szegedy et al.,2014)，它和 LeNet-5、A l e x t Ne t、VGGNet、Re s Ne t 等其他经典CNN结构一样通常应用于图像处理领域。GoogLeNet卷积神经网络在2 0 14年的ImageNet分类任务中击败VGG（Vi s u a lGeometry Group）夺得冠军，以往AlexNet、VG G等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但增加网络层数会带来overfit、梯度消失、梯度爆炸等负作用。GoogLeNet提出了一个全新的深度CNN架构Inception代替了单纯的“卷积+激活”的传统操作，达到提高性能而又不大量增加计算量的目的，把对卷积神经网络的研究推上新的高度。本文选择GoogLeNet的Inception（3a、3b、4a）模块作为神经网络主体，以改进GoogLeNet模型用于反射信号的识别。3.1数据及预处理我们从https:/data.cosmic.ucar.edu/gnss-ro/cosm635No.3LUOWenjioftheRefiectednal in theCOSMIC-2Occultation Signal Using罗文杰等：利用改进的GoogLeNet深度学习模型识别COSMIC-2掩星信号中的反射信号3期(a)(b)1201201001008080606040402020-40-2002040-40-2002040Frequencyoffset/HzFrequencyoffset/Hz30(c)30(d)25252020151510105500-5-50.000.010.02 0.030.040.050.000.010.020.030.04 0.05Bendingangle/radBendingangle/rad图2 一次COSMIC-2掩星事件【（1.7 5 N，5 4.0 2 E），掩星编号为C2E1.2020.001.03.50.G19的（a）L1波段（1.5 7 5 42 GHz）信号、（b）L2 波段（1.2 2 7 6 0 GHz）信号的时间一频率域空间谱，（c）L1波段信号、（d）L2 波段信号的影响高度一弯角域空间谱Fig.2 Spatial spectrums of time-frequency domain for the(a)L1 wave band(1.57542 GHz)and(b)L2 wave band(1.22760 GHz)signals,spatialspectrums of height-bending angle domain for the(c)LI wave band and(d)L2 wave band signals in a COSMIC-2 occultation event(1.75N,54.02E),occultation ID is C2E1.2020.001.03.50.G19ic2/nrt/2020-04-06下载2 0 2 0 年1月19 日的COSMIC-2掩星近实时conPhs数据（Level-1b），进行质量控制后，利用无线电全息方法得到17 8 2 6张下行掩星L1波段信号的空间谱图像。通过专家标记得到有清晰反射信号的图像5 9 0 3张，反射信号模糊的图像45 19 张和无反射信号的图像7 40 4张。在试验中，删除了反射信号模糊的图像，仅对有清晰反射信号和无反射的图像进行分类识别。将上述1330 7 张试验图像合理截取成2 2 4224像素的灰度图像并进行归一化。随机选择总数据7 0%的数据作为训练数据集，15%的数据作为验证数据集，剩余15%的数据作为测试数据集，并保存为.pickle型数据，将大幅减少模型训练前的数据集导入时间。为了评估所提出方法的性能，将其与SVM方法进行比较，设置三种方案进行测试：（1）改进的GoogLeNet模型（Im-GNet)；（2）线性核函数的SVM（Li-SVM)；（3）高斯核函数的SVM(Ga-SVM)。为了评估每种方案的运算时间，表1给出了试636Vol.47ChineseJournalnericSciences47卷科学表1订试验计算机的软、硬件配置Table 1Configuration for hardware and software项目配置硬件内存(RAM):16G;处理器:Inter(R)Core(TM)i7-9850H CPU操作系统Windows10专业版计算机语言Python 3.7.0机器学习框架/工具GoogLeNet:Tensorflow2.1.0SVM:Scikit-learn0.18.1验的详细配置。其中，使用Tensorflow框架来建立和训练Im-GNet模型，SVM不是研究的重点，则直接调用Scikit-learn库来实现。3.2改进的GoogLeNet网络结构GoogLeNet模型最大的特点在于引入了Inception模块。以图4中Inception3a模块为例，该模块共有4个分支，左边第一个分支对输入进行11卷积，它可以跨通道组织信息，提高网络的表达能力；第二个分支先使用了11卷积，然后连接33卷积，相当于进行了两次特征变换；第三个分支类似，先是11的卷积，然后连接5 5 卷积；最后一个分支则是33最大池化后直接使用1X1卷积Inception模块的引入会显著提高参数的利用效率，其原因在于：卷积层提升表达能力主要依靠的是增加输出通道数，但会产生计算量增大和过拟合的副作用（杨真真等，2 0 18）。经过多次试验，我们保留GoogLeNet卷积神经网络Inception（3a、3b、4a）作为神经网络主体，并在前2 个Inception结构后添加BatchNorm Layer保持训练稳定。在输出结果前增加2 个DenseLayer与1个DropoutLayer，提升输出空间的描述能力同时防止过拟合，具体网络结构如图4所示。改进的GoogLeNet采用了交叉焰损失函数（Cr o s s-e n t r o p y Lo s s Fu n c t i o n），基于 Tensorflow2.1.0架构搭建网络，主要参数设置如下：Shuffle(Buffer_size)=12000,Batch_size=50,Epochs=100,Learming_rate=0.0001，其中设置每个阶段节点学习率（Learning_rate）减半并延续至下一个阶段。通常来说，合理的参数设置，可以提高神经网络的泛化性能和模型的训练速度，使得梯度下降的方向更加准确，优化模型使之达到最佳的性能。a(b)(c)1001006080806060404040202020-40-2002040-40-2002040-40-2002040Frequencyoffset/HzFrequencyoffset/HzFrequencyoffset/Hz图3COSMIC-2掩星L1波段信号局地空间谱：（a）清晰的反射信号；（b）模糊的反射信号；（c）无反射信号Fig.3 Local spatial spectrum of L1 wave band signal for COSMIC-2 occultation:(a)Clear reflection signal;(b)unclear reflection signal;(c)no-reflection signal637No.3LUO WenjieoftheReflectedSignalintheCOSMiC-2OccultationSignal Using罗文杰等：利用改进的GoogLeNet深度学习模型识别COSMIC-2掩星信号中的反射信号3期从理论上来说，GoogLeNet比SVM更加健全和完善，更有利于解决非线性问题，在图像分类上FrameConv7x7,2(S)MaxPool3x3,2(S)BatchNormConv1x1,1(V)Conv3x3,1(S)BatchNormMaxPool33,2(S)I Inception 3aConvConvMaxPool1x1,1(S)1x1,1(S)3x3,1(S)1ConvConvConvConv11x1,1(S)3x3,1(S)55,1(S)11,1(S)DepthConcat&BatchNormInception 3bConvConvMaxPool1x1,1(S)1x1,1(S)3x3,1(S)一ConvConvConvConv1x1,1(S)3x3,1(S)5x5,1(S)1x1,1(S)DepthConcat&BatchNormMaxPool3x3,2(S)Inception4aConvConvMaxPool111,1(S)11,1(S)3x3,1(S)11ConvConvConvConv11x1,1(S)3x3,1(S)5x5,1(S)1x1,1(S)DepthConcatAveragePool5x5,3(V)Conv1x1,1(S)DenseFlattenSoftmaxVisibility(rank)&Dropout&Dense图4Im-GNet（改进的GoogLeNet模型）网络结构Fig.4Im-GNet(improved GoogLenet model)network structure具有更优的性能，它的Inception结构既能保持网络结构的稀疏性，又能利用密集矩阵的高计算性能。下面给出具体的处理结果。3.3模型结果及评估图5 给出了Im-GNet模型训练过程中准确率和损失率的变化曲线。在第2 2 次迭代之前，验证集的准确率和损失率曲线均存在较大波动，训练集的准确率呈上升趋势，损失率呈下降趋势，模型欠拟合。第2 2 次迭代往后，验证集损失率逐渐上升，其他曲线趋于平稳，模型过拟合。在第2 2 次迭代时，验证集的准确率稳定在0.9 6，损失率为次低值且无大的波动，模型达到最佳拟合效果，即模型训练完成。之后，将测试集数据输入模型得到其准确率为 9 6.4%。表2 给出了三种模型的测试结果。从表2 可以看出，Im-GNet的运算时间要远远高于另外两种模型，原因是Inception结构迭代的时间复杂度更高，但相对于Li-SVM和Ga-SVM来说反射信号的识别准确率分别提高了15.5%和2 2.6%。这表明，Im-GNet的掩星反射信号的识别效果要优于SVM。4反射信号对掩星数据的影响关于反射信号对掩星数据的影响，一直以来有许多学者在研究。如Beyerleetal.（2 0 0 2）分析了2001年3月14日至6 月10 日间的37 8 3次CHAMP掩星事件的地理分布，观察到热带纬度地区出现掩星反射信号的数量显著低于其他纬度。Cardellachetal.（2 0 0 8）利用COSMIC掩星资料进行研究发现：GPS掩星信号中存在反射信号是掩星数据质量良好的指标，包含反射信号的掩星数据廓线与同一时间、同一位置的ECMWF分析场更接近。此外，有研究（CardellachandOliveras,2016）表明，在海洋上，反射事件的比例随纬度增加而增加；反射事件与粗糙度/风况不相关，因为在这些倾斜的几何形状中，有效粗糙度趋于零，而与海表温度有一定的相关性。表2三种模型的测试结果Table 2Test results for the three models模型模块/核函数准确率运算时间/sIm-GNetInception(3a、3b、4a)96.4%12423Li-SVM线性核函数80.9%2053Ga-SVM高斯核函数73.8%2804Vol.47638ChinesSciences47卷学科由于COSMIC-2掩星探测项目应用了先进的仪器并改进了算法，其数据具有更高的信噪比和精度，相较于使用CHAMP、C O SM I C 在中低纬度的掩星探测数据来说，本文使用COSMIC-2数据研究反射信号对掩星数据的影响应该具有更优的效果，4.1反射信号与掩星事件的地理分布通过计算发现，本文所研究的数据集中约有44.4%的掩星事件呈现出反射信号特征，在呈现出反射信号的掩星事件中，有9 5.6%发生在海洋上，仅有4.4%发生在陆地上，且主要分布在湖泊或沙漠（图6）。掩星事件的地理分布表明接收器捕获的反射信号的清晰度（相干性）与地表性质存在相关性，在相对光滑的表面（海洋）中尤其常见，这是准镜面反射的预期行为，可保持信号相干性。海洋和湖泊等均匀表面是掩星信号的良好反射器，陆地多为不规则的表面，通常会产生漫散射使信号失去相干性，故陆地掩星事件极少接收到反射信号。然而，海洋上接近一半的掩星事件没有反射信号，这些掩星事件主要出现在热带的海洋上。出现这种情况的原因，可能与热带海洋上空复杂的大气条件有关，在热带海洋地区，水汽丰富，大气多路径效应容易淹没反射信号；也可能与仪器性能有关，当直接无线电链路扫描大气最低层时，反射的信号是在掩星观测的最深处被捕获的，此时跟踪算法可能已经失效。4.2反射信号与掩星折射率的偏差本文把COSMIC-2的折射率廓线（a tm Pr f 文件）与NCEP预报值（avnPrf文件）进行比较，检查两者的偏差与反射信号的关系。我们将2 0 2 0 年1月19 日的COSMIC-2掩星事件分为3类【有清晰反射信号（5 9 0 3个）、有模糊反射信号（45 19 个）、无反射信号（7 40 4个），1.4TrainLossTrainAccuracy1.2Validation LossValidationAccuracy1.00.80.60.40.20010203040506070Epoch图5Im-GNet模型训练过程准确率和损失率的变化曲线Fig.5 The change curves of accuracy and loss rate for training process of the Im-GNet model45N30N15N015S30S45S030E60E90E120E150E180150W120W90W30W30W0图6 2 0 2 0 年1月19 日的1330 7 次COSMIC-2掩星事件的分布。蓝（红）色点代表有（无）反射信号Fig.6 Distribution of 13307 COSMIC-2 occultation events from 1 January to 9 January 2020.Blue(red)dots represent clear reflection(no-reflection)signals639No.3LUOWenjldentificationoftheReflectedsOccultation Signal Using罗文杰等：利用改进的GoogLeNet深度学习模型识别COSMIC-2掩星信号中的反射信号3期然后与NCEP数据进行时间一空间匹配，得到COSMIC-2折射率一NCEP折射率数据对，比较它们的平均偏差和标准差。选取0.5 40 km高度范围，共分为6 0 个高度层（0.5 5 km的间隔为0.5 km，540 k m 的间隔为1km），在每个单独高度层k上计算折射率的偏差均值（k）和标准差（k）：1MkN.COSMIC-NNCEP(hk)k(5)2MkN.COSMIC-2(hk)1MkNCOSMIC-NNCEP(hk)2Qk从kN.COSMIC-(hk)(6)其中，M为高度层k上的掩星事件数量，NCOSMIC-2(hk)和NNCEP(hk)分别为第i个COSMIC-2、1NCEP的折射率廓线在第k层的值。计算结果如图7所示。从图7 可以看出，一般来说，在5 km以下高度，三种类型的掩星事件折射率偏差均显著高于其他高度范围，且随着高度的降低掩星事件的数量快速减少，这对应于多路径传播效应的影响；8 30 km的折射率偏差均控制在2%以内，掩星反演的效果最好，此时多路径传播效应对GPS信号频率的影响微乎其微。对于有清晰反射信号的掩星事件（图7 a），在30 km以下高度的折射率偏差明显小于有