應用卷積神經網路於 GNSS-RO 頻譜圖 之大氣導管偵測： 資料策略與架構設計之效能評估

摘要

全球導航衛星系統掩星觀測（GNSS-RO）是探測天氣的重要技術。然而，在水氣豐富的低層大氣中，常會發生「大氣槽化（大氣導管）」現象。這會把無線電波困在大氣層內，導致傳統的計算方法（阿貝爾反演）產生嚴重誤差。為了避免天氣預報失準，氣象中心通常會直接丟棄這些受干擾的觀測資料，導致我們流失了大量低層大氣的寶貴資訊。目前用來挑出這些異常資料的方法，主要是去尋找極微弱的繞射訊號。但這個方法限制很多: 它不僅需要極高的訊號品質，而且在衛星「上升觀測」時幾乎會完全失效，造成嚴重的資料流失。為了解決這個問題，我們提出利用「卷積神經網路（CNN）」來自動偵測大氣槽化。我們承襲前人的方法，將原始訊號轉換成二維的「頻譜圖」來進行分析。雖然憑人眼極難直接辨識頻譜圖上的槽化特徵，但 CNN 卻非常擅長從中抓取這類複雜的影像紋理。此外，我們嚴格配對了福衛七號與探空儀的資料，過濾掉模糊不清的樣本，確保 AI 模型只學習最明確的特徵。實驗結果顯示，我們設計的 3 層輕量化 CNN 模型表現優異。在偵測槽化事件上，達到了 86.33\% 的召回率與 83.19\% 的精確率。研究也證實，保留影像的空間結構，並在訓練時排除不確定的資料，是維持模型準確度的關鍵。總結來說，這個新方法成功突破了傳統物理限制，無論衛星上升或下降都能穩定偵測，未來有望幫助氣象單位救回更多觀測資料，提升天氣預報的品質。