인공지능(AI)이 위성 지상국 부지 선정의 오랜 난제를 해결할 새로운 가능성을 제시했습니다. 최근 발표된 연구에 따르면, 라이다(LiDAR) 기반 지형 데이터를 활용하는 AI 모델이 위성 통신에 방해가 되는 주변 장애물 높이(RCH: Representative Clutter Height)를 기존 방식보다 훨씬 정확하게 예측합니다. 이는 저궤도 위성(LEO) 지상국 구축 시 통신 효율을 높이고 불필요한 배제 구역을 줄이는 데 크게 기여할 것으로 보입니다.
기존에는 국제전기통신연합(ITU-R P.452-18) 권고에 따라 토지 이용 분류에 고정된 장애물 높이를 적용해왔습니다. 하지만 이 방식은 동일한 토지 이용 분류 내에서도 실제 지형의 다양성을 반영하지 못해, 위성 신호 손실을 과대평가하거나 부지 선정의 정확도를 떨어뜨리는 문제가 있었습니다. 연구팀은 미국 지질조사국(USGS)의 3D 고도 프로그램에서 얻은 라이다 데이터를 기반으로 AI 모델을 훈련했으며, 전 세계의 토지 피복, 지형, 인구 통계 등 다양한 공개 지리 공간 데이터를 추론에 활용했습니다. 이 모델은 LightGBM을 사용하여 평균 절대 오차(MAE) 1.79m, R² 값 0.765를 달성하며 ITU 기준 대비 60% 이상 오류를 줄였습니다.
이러한 AI 기반 접근 방식은 위성 통신 산업에 중요한 의미를 가집니다. 지상국 부지 선정의 정확도가 높아지면 위성 신호 간섭을 최소화하고 통신 품질을 최적화할 수 있습니다. 특히 스타링크(Starlink)와 같은 저궤도 위성 네트워크가 확장되면서 전 세계적으로 수많은 지상국이 필요해지는 상황에서, 이 기술은 빠르고 효율적인 부지 선정 과정을 가능하게 할 것입니다. 또한, SHAP(SHapley Additive exPlanations) 기반 분석을 통해 나무 캐노피 밀도, 토지 피복 유형, 스펙트럼 반사율 등이 RCH 예측에 가장 큰 영향을 미치는 요소임이 밝혀져, 모델의 해석 가능성(explainability)까지 확보했습니다. 이는 전 세계 어디든 적용 가능한 확장성과 신뢰성을 제공하여 위성 통신 인프라 구축의 새로운 표준을 제시할 잠재력을 가지고 있습니다.