論文の概要: Explainable Geospatial AI for Satellite Ground Station Siting Using LiDAR-Derived Terrain Intelligence

• arxiv url: http://arxiv.org/abs/2607.14127v1
• Date: Fri, 19 Jun 2026 19:08:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-19 21:54:20.419948
• Title: Explainable Geospatial AI for Satellite Ground Station Siting Using LiDAR-Derived Terrain Intelligence
• Title（参考訳）: LiDAR測地情報を用いた衛星地上局着座のための説明可能な測地空間AI
• Abstract要約: RCHは、電波伝搬と干渉解析において重要なパラメータである。 オープンな地理空間データからRCHを予測するための、解釈可能な、グローバルにデプロイ可能な機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Representative clutter height (RCH) is a key parameter in radio propagation and interference analysis because it captures the dominant height of local obstructions that drive terminal clutter loss. Current practice often relies on fixed clutter heights assigned to land use classes in Recommendation ITU-R P.452-18, but this misses within class variation and can lead to conservative exclusion zones and poor site ranking for low Earth orbit ground station siting and spectrum coordination. We present an interpretable, globally deployable machine learning framework for predicting RCH from open geospatial data. The model is trained using LiDAR derived labels from the U.S. Geological Survey 3D Elevation Program and inference time features from global land-cover, terrain, demographic, thermal, and optical remote sensing products. We define RCH using a robust 75th percentile clutter height statistic, evaluate multiple regressors, and select LightGBM for its accuracy, efficiency, and compatibility with feature attribution analysis. The final model achieves a mean absolute error of 1.79m and an R^2=0.765, reducing absolute error by more than 60% relative to the ITU baseline. Beyond aggregate fit, we evaluate domain facing criteria relevant to RF planning, including meter scale error, tolerance band accuracy, over and under estimation tails, agreement with ITU clutter height regimes, and SHAP-based physical plausibility. SHAP identifies tree canopy cover, land-cover semantics, and spectral reflectance as the most influential predictors. Studies on segmentation derived features, non-forest ablations, and land-cover matched international validation show that open geospatial data can improve clutter modeling at scale without sacrificing interpretability or deployability.
• Abstract（参考訳）: RCHは無線伝搬と干渉解析において重要なパラメータであり、終端クラッタ損失を誘導する局所障害物の圧倒的な高さを捉えている。 現在の慣行は、しばしばITU-R P.452-18(英語版)の土地利用クラスに割り当てられた固定されたクラッタの高さに頼っているが、これはクラスの変化に欠けており、保守的な排除ゾーンと低軌道の地上局の座位とスペクトル調整の低い場所のランクに繋がる可能性がある。 オープンな地理空間データからRCHを予測するための、解釈可能な、グローバルにデプロイ可能な機械学習フレームワークを提案する。 このモデルは、米国地質調査3DエレベーションプログラムのLiDAR派生ラベルと、地球規模の土地被覆、地形、人口統計、熱、光学リモートセンシング製品からの推測時間の特徴を用いて訓練されている。 頑健な75番目のクラッタ高さ統計を用いてRCHを定義し、複数の回帰器を評価し、その正確性、効率、特徴属性解析との整合性についてLightGBMを選択する。 最終モデルは1.79mとR^2=0.765の平均絶対誤差を達成し、ITUベースラインに対する絶対誤差を60%以上削減する。 総括整合性以外にも,パラメータスケール誤差,トレランスバンドの精度,推定テールのオーバー・アンダー・アンダー・アンダー,ITUクラッタ・ハイト・レジームとの整合性,SHAPに基づく物理的妥当性など,RF計画に関連する領域面の基準を評価した。 SHAPは、樹冠被覆、土地被覆意味論、スペクトル反射を最も影響力のある予測因子として特定する。 セグメンテーションによる特徴量,非森林改善量,および土地被覆による国際的検証結果から,開地空間データは,解釈可能性や展開性を犠牲にすることなく,大規模にクラッタモデリングを改善することができることが示された。

関連論文リスト

• Spatially explicit feature importance for building height estimation using research-access high-resolution SAR and optical sensors [0.0]
  本研究は, ブラジルの大都市における建築の高さを予測するために, 科学研究ライセンスのTerraSAR-X StripMapとPlanetScopeとSentinel-1を併用する。 局地的特徴の重要性は、低層建築物では足跡形状が支配的であり、高層建築物やより孤立した建築物では影由来の高さが支配的であり、セット内の最も高い建物ではスペクトル反射度が支配的であった。 結果は、グローバル機械学習やニューラルネットワークモデルでは提供できない、異なるコンテキストにおける衛星由来の予測製品関連に関するオプションガイダンスと洞察を提供する。
  論文  参考訳（メタデータ） (2026-08-18T14:20:53Z)
• Air Quality Downscaling with Station-Guided Pseudo-Supervision [60.31045749983062]
  局所PM$_2.5$変動に対する高分解性粗大大気場は空間的支持のミスマッチによって一意に挑戦される。 ヨーロッパにおける高分解能PM$_2.5$ダウンスケールのためのステーション誘導フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-06T16:32:25Z)
• Meridian: Metric-Semantic Primitive Matching for Cross-View Geo-Localization Beyond Urban Environments [47.53030013880309]
  ロボット自動化の成功には、リピータビリティ、タスク計画、目標仕様、安全な操作をサポートするために、正確なグローバルローカライゼーションが必要である。 本稿では,空中画像と地上ロボットRGB-Dカメラデータにまたがって,ハイレベルなメトリック・セマンティックプリミティブをマッチングする方法であるメリディアンを提案する。 我々のアルゴリズムは、自律運転データセット、公園とキャンパスのエリア、荒野キャンプなど、幅広い環境にまたがる地上ロボットをローカライズできることを実証する。
  論文  参考訳（メタデータ） (2026-06-04T15:52:40Z)
• Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
  Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。 このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。 本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:14:20Z)
• Revealing Geography-Driven Signals in Zone-Level Claim Frequency Models: An Empirical Study using Environmental and Visual Predictors [1.5484595752241122]
  地理的文脈は、しばしば自動車保険のリスクに関連すると考えられているが、公共のアクチュアリアルデータセットは限られた位置識別子を提供する。 本研究では,MTPL(Motor Third Party Liability)のクレーム予測において,代替データからの地理情報をアクタリカルモデルに組み込む方法について検討した。
  論文  参考訳（メタデータ） (2026-04-23T17:44:52Z)
• Seeing Where to Deploy: Metric RGB-Based Traversability Analysis for Aerial-to-Ground Hidden Space Inspection [48.120690574682875]
  本稿では,RGBを用いた幾何学的意味的再構成と,空中から地上への隠れ空間検査のためのトラベル可能性解析フレームワークを提案する。 テザリングされたUAV-UGVプラットフォームでの実験では、隠れた空間シナリオにおける信頼性の高いデプロイメントゾーンの識別が示されている。
  論文  参考訳（メタデータ） (2026-03-15T22:20:59Z)
• CLAIRE: A Dual Encoder Network with RIFT Loss and Phi-3 Small Language Model Based Interpretability for Cross-Modality Synthetic Aperture Radar and Optical Land Cover Segmentation [1.1237223647481338]
  本稿では、光学および合成開口レーダ(SAR)画像から、独立してモダリティ特有の特徴を抽出するデュアルエンコーダアーキテクチャを提案する。 この融合機構は、補完的な空間的特徴とテクスチャ的特徴を強調し、ネットワークがより詳細に多様な土地被覆パターンを捉えることを可能にする。 また,Small Language Model (Phi-3) によって生成される計量駆動推論モジュールを導入し,モデル予測のための専門家レベル,サンプル固有の正当性を生成する。
  論文  参考訳（メタデータ） (2025-09-15T14:10:52Z)
• TerraFM: A Scalable Foundation Model for Unified Multisensor Earth Observation [65.74990259650984]
  本研究では,グローバルに分散したSentinel-1とSentinel-2画像を利用する,スケーラブルな自己教師型学習モデルTerraFMを紹介する。 我々のトレーニング戦略は、局所的・言語的コントラスト学習を統合し、二重中心化機構を導入する。 TerraFMは分類タスクとセグメンテーションタスクの両方において強力な一般化を実現し、GEO-BenchとCopernicus-Benchの先行モデルよりも優れている。
  論文  参考訳（メタデータ） (2025-06-06T17:59:50Z)
• Deep Self-Supervised Disturbance Mapping with the OPERA Sentinel-1 Radiometric Terrain Corrected SAR Backscatter Product [41.94295877935867]
  地表面の乱れのマッピングは、災害対応、資源と生態系の管理、気候適応の取り組みを支援する。 合成開口レーダ(SAR)は、気象や照明条件に関わらず、地上の連続した時系列画像を提供する、外乱マッピングのための貴重なツールである。 NASAのRemote Sensing Analysis (OPERA)プロジェクトは2023年10月にSentinel-1 (RTC-S1)データセットからほぼグローバルな測地線補正SAR後方散乱器をリリースした。 本研究では,地表面の乱れを体系的に解析するために,この新たなデータセットを利用する。
  論文  参考訳（メタデータ） (2025-01-15T20:24:18Z)
• Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
  畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。 既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。 UNetDCNと呼ばれる新しいモデルを導入し、複雑さを低減した最先端モデルと比較して、同等以上の性能を実現した。
  論文  参考訳（メタデータ） (2024-10-07T09:19:20Z)
• High-resolution landscape-scale biomass mapping using a spatiotemporal patchwork of LiDAR coverages [0.0]
  温室効果ガス推定において,森林土壌のバイオマスの微細な評価がますます重要になっている。 ここでは、トレーニングデータの選択、地域的あるいは範囲的な偏見やエラーの調査、複数スケールでのマップパターンなど、一般的な障害に対処する。 我々のモデルは全体として正確であり (% RMSE 13-33%) バイアスが非常に低く (MBE $leq$$pm$5 Mg ha$-1$) 、ほとんどのフィールドオブザーバの変動を説明した。
  論文  参考訳（メタデータ） (2022-05-17T17:53:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。