Badacze zaprezentowali interpretowalne ramy machine learning'u do przewidywania reprezentacyjnej wysokości przeszkód (RCH) z otwartych danych geoprzestrzennych, co ma kluczowe znaczenie dla analizy propagacji fal radiowych i interferencji w planowaniu stacji naziemnych satelitów.
Aktualna praktyka opiera się na stałych wysokościach przeszkód przypisanych klasom użytkowania gruntów w standardzie ITU-R P.452-18, co nie uwzględnia zmienności wewnątrz klasy i prowadzi do zbyt konserwatywnych stref wykluczeń. Model LightGBM przeszkolono na etykietach pochodzących z LiDAR z 3D Elevation Program USGS i cechach zebranych z globalnych map pokrycia gruntów, danych terenowych, demograficznych, termicznych i optycznych. Osiągnięty średni błąd absolutny wynoszący 1,79 metra i współczynnik R² równy 0,765 stanowi poprawę o ponad 60 procent w stosunku do linii bazowej ITU. Framework integruje SHAP do analizy atrybutów cech, pozwalając na weryfikację fizycznej wiarygodności predykcji i ocenę kryteriów istotnych dla praktyki - w tym błędów w skali metrowej, dokładności w zakresach tolerancji oraz zachowania zgody z reżimami wysokości przeszkód ITU.
To rozwiązanie jest globalnie skalowalne i może znacznie poprawić dokładność lokalizacji stacji naziemnych dla konstelacji satelitów orbitalnych, zmniejszając przy tym zbędne strefy wykluczeń w procesach koordynacji spektrum i planowania RF.