利用LiDAR地形智能的可解释地理空间AI用于卫星地面站选址
本文提出了一种可解释的、全球可部署的机器学习框架，用于从开放地理空间数据预测代表杂波高度（RCH）。该模型使用LiDAR衍生的标签进行训练，并采用LightGBM回归器，平均绝对误差为1.79米，R²=0.765，相比ITU基线误差降低超过60%。SHAP分析显示树冠覆盖、土地覆盖语义和光谱反射率是最重要的预测因子。该工作被IEEE CASE 2026接收。
近日，一篇题为《用于卫星地面站选址的基于LiDAR地形智能的可解释地理空间AI》的论文被2026年IEEE第22届自动化科学与工程国际会议（IEEE CASE 2026）接收。该研究由Shohini Sarkar等人完成，提出了一种创新的机器学习框架，旨在通过开放地理空间数据精确预测代表杂波高度（RCH），从而优化低地球轨道（LEO）卫星地面站的选址和频谱协调。
RCH是无线电传播和干扰分析中的关键参数，它反映了终端杂波损耗的局部障碍物主导高度。当前国际电信联盟（ITU）推荐标准ITU-R P.452-18依赖于分配给不同土地覆盖类别的固定杂波高度，这忽略了同类内部的变异性，往往导致保守的排除区和较差的站点排名。为了克服这一局限，研究团队开发了一个基于开放地理空间数据的可解释、全球可部署的机器学习框架。
该模型利用美国地质调查局3D高程计划（3DEP）的LiDAR数据作为训练标签，并从全球土地覆盖、地形、人口统计、热红外和光学遥感产品中提取推断时特征。研究者将RCH定义为稳健的75百分位杂波高度统计量，评估了多种回归器，最终选择LightGBM因其准确性、效率以及与特征归因分析的兼容性。最终模型实现了1.79米的平均绝对误差（MAE）和0.765的R²，相较于ITU基线，绝对误差降低了60%以上。
除了整体拟合优度，研究还评估了射频（RF）规划相关的领域标准，包括米级误差、公差带精度、过/欠估计尾部、与ITU杂波高度体制的一致性以及基于SHAP的物理解释性。SHAP分析揭示了树冠覆盖、土地覆盖语义和光谱反射率是最具影响力的预测因子。此外，通过分割特征、非森林消融以及土地覆盖匹配的国际验证研究，表明开放地理空间数据能够在保持可解释性和可部署性的同时，大規模改进杂波建模。
该工作为卫星地面站选址和频谱协调提供了更精确、更灵活的工具，有望推动全球通信基础设施的优化部署。研究团队已经公开了相关代码和数据，以促进可重复性和实际应用。这一成果不仅对卫星通信领域具有重要意义，也为其他需要精确杂波建模的无线通信场景提供了新思路。