LiDAR 기반 지형 정보를 활용한 위성 지상국 위치 선정 위한 해석 가능한 지리공간 AI

Explainable Geospatial AI for Satellite Ground Station Siting Using LiDAR-Derived Terrain Intelligence

대표적인 혼잡 높이(Representative Clutter Height, RCH)는 무선 전파 및 간섭 분석에서 중요한 매개변수로, 지역 장애물의 주요 높이를 포착한다. 기존의 방법은 고정된 혼잡 높이를 사용하지만, 이는 클래스 내 변동성을 놓치고 저지구 궤도 지상국 위치 선정에 부정적인 영향을 미칠 수 있다. 본 연구에서는 개방형 지리공간 데이터를 활용한 RCH 예측을 위한 해석 가능한 머신러닝 프레임워크를 제시하며, 모델은 미국 지질조사국의 LiDAR 기반 레이블을 사용하여 훈련되었다. 최종 모델은 평균 절대 오차 1.79m와 R^2=0.765를 달성하며, ITU 기준에 비해 60% 이상 절대 오차를 줄였다. 주요 예측 변수로는 나무 캐노피 커버, 토지 피복 의미론, 스펙트럼 반사율이 확인되었다.