利用LiDAR地形智能的可解釋地理空間AI用於衞星地面站選址
本文提出了一種可解釋的、全球可部署的機器學習框架，用於從開放地理空間數據預測代表雜波高度（RCH）。該模型使用LiDAR衍生的標籤進行訓練，並採用LightGBM迴歸器，平均絕對誤差為1.79米，R²=0.765，相比ITU基線誤差降低超過60%。SHAP分析顯示樹冠覆蓋、土地覆蓋語義和光譜反射率是最重要的預測因子。該工作被IEEE CASE 2026接收。
近日，一篇題為《用於衞星地面站選址的基於LiDAR地形智能的可解釋地理空間AI》的論文被2026年IEEE第22屆自動化科學與工程國際會議（IEEE CASE 2026）接收。該研究由Shohini Sarkar等人完成，提出了一種創新的機器學習框架，旨在通過開放地理空間數據精確預測代表雜波高度（RCH），從而優化低地球軌道（LEO）衞星地面站的選址和頻譜協調。
RCH是無線電傳播和干擾分析中的關鍵參數，它反映了終端雜波損耗的局部障礙物主導高度。當前國際電信聯盟（ITU）推薦標準ITU-R P.452-18依賴於分配給不同土地覆蓋類別的固定雜波高度，這忽略了同類內部的變異性，往往導致保守的排除區和較差的站點排名。為了克服這一侷限，研究團隊開發了一個基於開放地理空間數據的可解釋、全球可部署的機器學習框架。
該模型利用美國地質調查局3D高程計劃（3DEP）的LiDAR數據作為訓練標籤，並從全球土地覆蓋、地形、人口統計、熱紅外和光學遙感產品中提取推斷時特徵。研究者將RCH定義為穩健的75百分位雜波高度統計量，評估了多種迴歸器，最終選擇LightGBM因其準確性、效率以及與特徵歸因分析的兼容性。最終模型實現了1.79米的平均絕對誤差（MAE）和0.765的R²，相較於ITU基線，絕對誤差降低了60%以上。
除了整體擬合優度，研究還評估了射頻（RF）規劃相關的領域標準，包括米級誤差、公差帶精度、過/欠估計尾部、與ITU雜波高度體制的一致性以及基於SHAP的物理解釋性。SHAP分析揭示了樹冠覆蓋、土地覆蓋語義和光譜反射率是最具影響力的預測因子。此外，通過分割特徵、非森林消融以及土地覆蓋匹配的國際驗證研究，表明開放地理空間數據能夠在保持可解釋性和可部署性的同時，大規模改進雜波建模。
該工作為衞星地面站選址和頻譜協調提供了更精確、更靈活的工具，有望推動全球通信基礎設施的優化部署。研究團隊已經公開了相關代碼和數據，以促進可重複性和實際應用。這一成果不僅對衞星通信領域具有重要意義，也為其他需要精確雜波建模的無線通信場景提供了新思路。