基于机器学习的COSMIC-2 POD定轨数据GNSS信号异常分类

《Remote Sensing》：Machine-Learning-Based GNSS Signal Anomaly Classification Using COSMIC-2 POD Data

　　电离层闪烁和射频干扰（RFI）会影响全球导航卫星系统（GNSS）信号，因此区分二者对于电离层监测和干扰检测具有重要意义。本研究利用COSMIC-2 1 Hz精密定轨（POD）观测数据识别与闪烁和RFI相关的GNSS信号异常。采用60秒单星窗口，提取双频时间序列输入和16维统计特征，并根据幅度闪烁指数S4和RFI指数生成"正常"、"闪烁"和"RFI"的弱标签。训练并测试了InceptionTimeLite-FiLM-DeepSets联合多星模型（其中FiLM表示特征级线性调制），该模型在2024年数据上进行训练和测试，并直接应用于2025年全年数据集。在2024年测试集上，正常、闪烁和RFI的召回率分别为98.9%、76.1%和58.5%，宏平均F1为0.8227，马修斯相关系数为0.7120。预测的闪烁发生率在低磁纬度和日落后前半夜时段较高，而预测的RFI发生率集中在北非、中东、南亚和东南亚地区。这些结果表明，在弱标签框架下，COSMIC-2 1 Hz POD观测数据可以支持GNSS信号异常分类和时空分布分析，为长期异常分析提供了一种补充方法。