低軌道衛星（LEO）の地上受信局を効率的に配置するための課題に、機械学習を活用した新しいアプローチが提案されている。衛星通信における電波伝播と干渉分析において重要な指標となる「代表的クラッター高さ（RCH）」の予測精度を大幅に向上させる手法がarXivで発表された。現在の業界標準であるITU-R P.452-18勧告では、土地利用クラスごとに固定のクラッター高さを設定しているが、この方法では同じクラス内の変動を捉えられず、結果として過度に広い除外区域が設定されたり、不適切なサイト評価につながる問題がある。 研究チームは、公開されている地理空間データから直接RCHを予測する解釈可能な機械学習フレームワークを開発した。モデルの訓練には米国地質調査所の3D標高プログラムから得られたLiDAR由来のラベルを使用し、推論時には世界規模の土地被覆データ、地形データ、人口統計データ、熱赤外リモートセンシング、および光学リモートセンシング製品から抽出した特徴量を活用している。RCHの定義として堅牢な75パーセンタイル統計量を採用し、複数の回帰モデルを評価した結果、精度と効率性に優れ、特徴量の寄与度分析との相性が良いLightGBMを選定した。 最終的に開発されたモデルは平均絶対誤差1.79メートル、R²値0.765を達成し、ITUベースラインと比較して絶対誤差を60%以上削減している。SHAP分析により、樹冠被覆、土地被覆の意味情報、および分光反射率が最も影響力の高い予測因子であることが明らかになった。セグメンテーション派生特徴、非森林地域の除外分析、および国際検証により、公開地理空間データを活用することで、解釈可能性と実装可能性を維持しながら、クラッターモデリングを大規模に改善できることが実証された。