摘要
代表性杂乱高度（RCH）是无线电传播和干扰分析中的关键参数，因为它捕捉了驱动终端杂乱损失的局部障碍物的主导高度。当前的做法通常依赖于在ITU-R P.452-18推荐中为土地使用类别分配的固定杂乱高度，这忽视了类别内的变异，可能导致保守的排除区域和低地球轨道地面站选址及频谱协调的差劲排名。
我们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中预测RCH。该模型使用来自美国地质调查局3D高程项目的LiDAR标签进行训练，并利用全球土地覆盖、地形、人口统计、热成像和光学遥感产品的推理时间特征。
我们通过稳健的第75百分位杂乱高度统计来定义RCH，评估多种回归器，并选择LightGBM作为最终模型，因为它在准确性、效率和特征归因分析的兼容性方面表现优异。最终模型的平均绝对误差为1.79米，R^2=0.765，相比ITU基线减少了超过60%的绝对误差。
除了整体拟合外，我们还评估了与射频规划相关的领域标准，包括米级误差、容忍带准确性、过度和低估尾部、与ITU杂乱高度标准的一致性，以及基于SHAP的物理合理性。SHAP分析显示，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。关于分割衍生特征、非森林消融和土地覆盖匹配国际验证的研究表明，开放地理空间数据可以在不牺牲可解释性或可部署性的情况下，提升杂乱建模的规模。
博主点评： 本文展示了如何利用开放的地理空间数据和机器学习技术，显著提高无线电传播分析中的杂乱高度预测准确性。通过引入可解释性，研究不仅改善了模型性能，还确保了其在实际应用中的可靠性，为卫星地面站的选址提供了更科学的依据。