LiDAR由来の地形インテリジェンスを用いた衛星地球局選定のための説明可能な地理空間AI
本論文では、オープンな地理空間データから代表的なクラッター高さ（RCH）を予測する、説明可能でグローバルに展開可能な機械学習フレームワークを提案する。LiDAR由来のラベルで訓練され、LightGBMを用いたモデルは、平均絶対誤差1.79m、R²=0.765を達成し、ITUベースラインと比較して誤差を60%以上低減する。SHAP分析により、樹冠被覆、土地被覆セマンティクス、スペクトル反射率が最も重要な予測因子であることが示された。IEEE CASE 2026に採択。
最近、『LiDAR由来の地形インテリジェンスを用いた衛星地球局選定のための説明可能な地理空間AI』と題する論文が、2026年IEEE第22回自動化科学と工学国際会議（IEEE CASE 2026）に採択されました。この研究はShohini Sarkarらによるもので、オープンな地理空間データから代表的なクラッター高さ（RCH）を高精度に予測する機械学習フレームワークを提案し、低軌道（LEO）衛星地球局の選定と周波数調整の最適化を目指しています。
RCHは、無線伝搬と干渉解析における重要なパラメータであり、端末クラッター損失を引き起こす局所的な障害物の支配的な高さを表します。現在の国際電気通信連合（ITU）の勧告ITU-R P.452-18では、土地被覆クラスごとに固定のクラッター高さを割り当てていますが、この方法ではクラス内の変動を無視しており、過度に保守的な排除ゾーンや不適切なサイト評価につながる可能性があります。この課題に対処するため、研究チームはオープンな地理空間データを活用した、説明可能でグローバルに展開可能な機械学習フレームワークを開発しました。
モデルは、米国地質調査所の3D標高プログラム（3DEP）のLiDARデータから得られたラベルで訓練され、推論時には全球の土地被覆、地形、人口統計、熱赤外線、光学リモートセンシングプロダクトから特徴量を抽出します。研究者らはRCHをロバストな75パーセンタイルクラッター高さ統計量として定義し、複数の回帰器を評価した上で、精度、効率性、特徴帰属分析との互換性からLightGBMを選択しました。最終モデルは平均絶対誤差1.79m、R²=0.765を達成し、ITUベースラインと比較して絶対誤差を60%以上低減しました。
全体の適合性に加えて、RF計画に関連するドメイン基準（メートルスケール誤差、許容帯域精度、過小/過大推定の裾野、ITUクラッター高さ体制との一致、SHAPに基づく物理的妥当性）も評価されました。SHAP分析により、樹冠被覆、土地被覆セマンティクス、スペクトル反射率が最も影響力のある予測因子であることが明らかになりました。さらに、セグメンテーション特徴、非森林除去実験、土地被覆が一致した国際検証を通じて、オープンな地理空間データが解釈可能性や展開可能性を損なうことなく、大規模なクラッターモデリングを改善できることが示されました。
この研究は、衛星地球局選定と周波数調整のためのより正確で柔軟なツールを提供し、グローバルな通信インフラの最適展開に貢献することが期待されます。研究チームは関連コードとデータを公開しており、再現性と実用性を促進しています。この成果は衛星通信分野だけでなく、正確なクラッターモデリングを必要とする他の無線通信シナリオにも新たな洞察をもたらすものです。