对无人机连接性的纵向观察：蜂窝网络 vs. 星链、3D 特征与性能预测

大家读完觉得有帮助记得关注和点赞！！！

摘要

可靠且有弹性的无线连接对于超视距场景中的无人机和先进空中交通应用至关重要。地面蜂窝网络和新兴的低地球轨道卫星网络有望在各种用例中提供增强的性能。然而，它们在具有复杂三维空中传播的低空空域中的性能对比在很大程度上仍未被探索。在本文中，我们提出了一个开源的测量平台，旨在通过在农村环境中的实际飞行测试，表征商业蜂窝网络（Verizon，美国主要运营商）和低地球轨道卫星网络（星链）的性能。我们实现了一个全面的多层测量方法，涵盖物理层信号指标、多小区网络拓扑和端到端应用性能。通过包含超过 10 次飞行测试、超过 4.5 小时飞行时间、产生超过 18K 个样本的广泛飞行活动，我们首次提供了详细的开源数据集，分析低空无人机运行中蜂窝网络和星链的双重性能。我们同时在同一时间和地点收集的蜂窝-星链对比结果显示，两种技术之间存在显著性能差异：低地球轨道卫星链路实现了优越的延迟性能，95% 的往返时间测量值低于 50 毫秒，而蜂窝网络 80% 低于 150 毫秒；并且具有出色的下行链路容量，95% 超过 25 Mbps，而蜂窝网络仅为 5 Mbps。我们对蜂窝网络性能的分析表明，虽然较高的海拔（例如，海平面以上 330 米以上）通过视距传播将信号功率提高了 15-20 dB，但这导致了切换率增加 3-4 倍，这是由于过度的多小区可见性而非信号质量下降。此外，我们观察到切换对往返时间性能的不对称影响：53.5% 的切换改善了往返时间，但最坏情况下的降级（275 毫秒）是最好情况改进（137 毫秒）的 2 倍。最后，为了扩展我们的测量能力，我们开发了一套机器学习模型，通过对关键性能指标的空间和基于海拔的预测，将分析扩展到测量的飞行路径之外。测量平台与基于机器学习的预测相结合，为评估和优化农村部署场景中的超视距无人机连接性提供了一个全面的工具集。

关键词：网络 · 移动网络 · 网络测量 · 网络性能分析 · 无线接入点、基站和基础设施 · 机器学习

1. 引言

无人机正在迅速改变多个行业，包括物流、精准农业、基础设施检查、公共安全和实时多媒体服务 (Sheshashayee et al., 2024; Geraci et al., 2022)。随着这些应用从孤立试验过渡到大规模部署，它们越来越依赖可靠的连接来传输遥测、指挥控制和高速率载荷数据。这种从独立无人机到连接无人机的演变，将通信从单纯的辅助角色提升为安全性、可靠性和经济可行性的核心推动因素。特别是，新兴的超视距用例需要能够支持三维机动性、严格延迟和可靠性要求以及延长任务持续时间的强大广域连接 (Homayouni et al., 2022; Alsabah et al., 2021; Poorvi et al., 2025)。

首先，将无人机集成到现有的蜂窝通信基础设施中已获得显著发展，因为其具有广域覆盖、成熟的部署和内置的移动性管理 (Zeng et al., 2019; Zhang et al., 2019; Zeng et al., 2020)。3GPP 第 15 版关于增强 LTE 支持空中飞行器的研究，以及随后在 5G-NR 中的工作 (Abdalla and Marojevic, 2021; Muruganathan et al., 2022)，已证明商业网络可以支持无人机的指挥控制和载荷流量。然而，几项研究（例如，(Lin et al., 2018; Zeng et al., 2019; Amorim et al., 2018a)）揭示了重大挑战，包括高层的高干扰、上行链路拥塞和覆盖可变性。实际的现场评估进一步突显了满足严格可靠性和延迟要求的困难，例如 99.9% 的指挥控制可靠性和在复杂空中传播条件和动态网络负载下的亚 100 毫秒单向延迟 (Homayouni et al., 2023)。这些发现强调了需要对空中平台的蜂窝网络性能进行测量驱动的表征，以及需要能够预测关键无线接入网指标（如信号质量和吞吐量）跨空间和海拔域的数据驱动模型。已有许多关于蜂窝连接无人机的研究工作。特别是，一些针对蜂窝连接无人机的实验研究考虑在无人机上安装手机来测量蜂窝网络的性能 (Platzgummer et al., 2019; Amorim et al., 2018a; Sae et al., 2019; Amorim et al., 2017a; Lin et al., 2019)。然而，由于多种原因（例如缺乏自动飞行控制能力、有限的无线接入测量以及测量设置不同子系统之间的时间同步不匹配 (Platzgummer et al., 2019)），这些研究在范围上受到限制。

其次，虽然蜂窝网络在许多人口稠密和郊区提供强大的覆盖，但在许多无人机任务（如环境监测、灾害评估和远程物流）最引人注目的偏远、农村或人口稀少地区，其可用性和性能可能会下降。在这些环境中，低地球轨道卫星星座（如星链）提供了一种有吸引力的补充连接选择，提供广域覆盖和相对于传统地球静止系统相对较低的延迟 (Wang et al., 2025; Ghafoori et al., 2024; Ghoshal et al., 2025)。将无人机与卫星网络集成可以在地面基础设施有限或没有的地区实现弹性连接，扩展超视距任务范围，并为安全关键型操作提供冗余 (Baltaci et al., 2021; Zhou et al., 2023; Hu et al., 2023)。有几个先前的测量活动旨在表征星链在不同移动模式（如路测）下的性能（参见例如 (Wang et al., 2025; Qin et al., 2024; Izhikevich et al., 2024; Mohan et al., 2024; Laniewski et al., 2024, 2025)）。然而，卫星链路在实际无人机场景中的性能（受限于天线指向约束、波束未对准以及快速机动性和机动）在很大程度上仍未被探索。

最后，依赖单一的连接基底（无论是蜂窝还是卫星）可能使无人机操作易受覆盖空洞、容量限制或瞬态降级的影响 (Lin et al., 2021; Muruganathan et al., 2021)。双连接，即无人机同时利用商业 LTE 和低地球轨道卫星链路，为弹性和灵活的通信架构提供了一条有希望的路径，能够在异构网络中实现故障转移、负载均衡和感知应用的流量引导 (Vaezi et al., 2022)。虽然先前有几项研究探索了蜂窝网络和星链的集成 (Hu et al., 2023; Shang et al., 2024)，但这些努力主要局限于地面场景。目前，缺乏一个开放的、测量驱动的平台，能够在无人机上同时集成商业蜂窝和星链连接，以进行同步操作和监控。在匹配的空间位置和海拔高度下评估卫星与蜂窝连接性的对比研究仍然有限。

为了解决上述研究空白，本文的贡献是多方面的。首先，我们设计、开发和测试了一个全面的基于无人机的测量平台，具有蜂窝和星链双连接。该平台与我们内部开发的自动飞行系统集成，能够在现实条件下进行广泛的自主飞行测试。该平台同时测量蜂窝和星链网络性能，从而能够详细分析它们的性能和与海拔相关的权衡。据我们所知，目前还没有基于开源无人机的测量平台能够在超视距飞行期间提供同步、同地的蜂窝和星链测量。其次，我们开发了一个全面的多层测量和数据收集框架，该框架在协议栈的多个层上运行。在物理层，我们收集时空指标，如 RSRP、RSSI、RSRQ 和 SINR，这些指标共同提供了对蜂窝覆盖、干扰和链路质量（作为海拔、位置和小区关联的函数）的洞察。在网络层，我们捕获有关服务小区和邻小区、切换行为以及多小区网络拓扑的信息。此外，我们收集从无人机平台到我们专用远程服务器的端到端性能指标，包括延迟、上行/下行吞吐量和数据包交付统计信息。我们的平台能够测量和关联蜂窝网络的所有这些指标，以及在匹配的地理位置和海拔高度下星链网络的端到端性能指标。我们的分析结果展示了关于与海拔相关的 LTE 网络性能、多小区可见性与作为海拔函数的切换行为之间的关系，以及 LTE 与星链性能比较的几个关键发现。第三，为了将我们的分析扩展到测量的轨迹之外，我们利用机器学习模型来捕捉复杂的三维传播模式，并将性能外推到未测量的海拔高度。因此，我们的经验性能测量与基于机器学习的预测算法相结合，最终将提供一个全面的框架，用于网络性能表征、覆盖评估和安全的超视距航线/任务设计。总之，我们的贡献如下：

图 1：整体系统模型和测量场景，使用能够在海拔 400 英尺高度悬停并配备蜂窝和卫星调制解调器的无人机。无人机收集 RAN 指标、端到端网络测量和星链测量数据。

• 双连接无人机测量平台：我们设计并实现了一个基于无人机的测量平台，该平台支持超视距操作，并集成了商业 LTE 和星链连接，能够在实际农村飞行期间同时操作和协调测量异构无线网络。据我们所知，这是第一个集成商业蜂窝和星链连接，在实际飞行期间同时操作、测量和比较分析异构无线网络的无人机平台。

• 多层蜂窝和星链测量数据集：我们开发了定制软件来捕获多层蜂窝指标，包括服务小区和邻小区的无线接入网级参数（RSRP、RSRQ、RSSI、SINR）、网络级拓扑信息以及端到端性能指标（延迟、上行和下行吞吐量），以及在同一地理位置和海拔高度收集的星链性能测量数据。这产生了一个全面的数据集，收集时间为 2024 年 5 月至 2025 年 12 月，包含 10 次飞行测试，共 18,948 个样本。该数据集包括 7 次飞行的 3.5 小时 LTE 测量和 4 次飞行的超过 1 小时的星链接端到端测量，总飞行时间约 4.5 小时。对于应用层比较，我们还在 2 次飞行测试（2025 年 9 月和 2025 年 12 月）中收集了同步的 LTE 和星链端到端测量数据。

• 商业蜂窝和星链连接对无人机的比较分析：通过利用在匹配空间位置同步的测量数据，我们对无人机在蜂窝和星链下的性能进行了比较评估，量化了它们各自的覆盖、延迟和吞吐量特征，并确定了某种技术在哪些方面具有明显优势或双连接可以提供鲁棒性优势的场景。

• 基于机器学习的三维空间关键无线接入网指标预测：为了将分析扩展到测量的飞行路径之外，我们在收集的数据集上训练机器学习模型，以在随机分割和留一海拔高度验证下，估计测量和未测量的空间和海拔区域中的关键无线接入网指标。这些模型能够预测未观察区域的网络性能，支持未来无人机任务的覆盖规划、风险评估和航线优化。

• 开源测试平台设计、软件模块和测量数据：我们提供所有平台设计、定制软件实现和分析工具作为开源资源，以实现可重复研究、促进协作开发，并为农村网络评估提供更广泛的先进测量能力。为了保持匿名，我们省略了指向开源代码库（其中包含准确的地理信息）的引用。完整的数据集和代码库将在接收后在最终稿件中公开。

2. 平台架构与测量方法

为了弥合理论/模拟网络性能表征与现实场景之间的差距，我们开发了一个模块化的、开源测量平台，专门为混合地面-卫星网络表征而设计。

图 2：用于将双连接技术与机载航空电子设备和软件日志系统集成的分层模块化设计。

商业测量工具如罗德与施瓦茨的 Qualipoc (41)、TEMS Pocket (47) 和是德科技的 NEMO (Nemo, )（用于空中无线电测量 (Amorim et al., 2017b, 2018b; Sae et al., 2019)）或软件定义无线电配置（例如，(Maeng et al., 2023; Maeng et al., 2023)）要么是专有的（闭源），要么通常缺乏完整的协议栈测量能力。

为了解决这一差距，我们提出的基于无人机的平台集成了自动飞行控制器、机载航空电子设备和计算系统、商业级蜂窝调制解调器和星链接收终端，并配有一个同步的数据记录框架。图 2 展示了我们无人机平台的分层模块化设计，由三个不同的层组成：(i) 无线电层和射频子系统，(ii) 机载航空电子设备、控制和计算子系统，以及 (iii) 软件模块和数据记录子系统。在本节中，我们将详细介绍我们的平台架构和测量方法。

2.1 平台设计

图 3：集成了 LTE 调制解调器的无人机平台。

2.1.1 航空电子子系统。
为了实现全面且可扩展的网络测量，我们设计并组装了大型固定翼和垂直起降无人机（>12 磅）（如图 1、3 和 4 所示），其航空电子套件与商业 LTE 调制解调器和星链 Mini 终端完全集成。垂直起降平台结合了固定翼和旋翼（例如六旋翼或四旋翼）配置，允许无人机在巡航飞行期间从垂直起降模式切换到固定翼模式。这种双模式能力提供了增强的有效载荷能力、扩展的航程和续航力，同时允许即使在较小的场地也能进行垂直起降操作。我们的无人机平台配备了内部开发的基于机器人操作系统 2 框架的自动飞行系统，该系统具有模块化和适应性强的架构。

自动飞行系统已成功集成到多个具有不同有效载荷能力和功率限制的无人机平台中，实现了灵活的任务配置和可扩展的测量。自动飞行系统专为运行多个实时计算密集型算法的先进航空航天应用而设计。如图 1 所示，机载航空电子设备的核心是 NVIDIA Jetson Orin 16GB (Nvidia, ) 作为主处理单元。

2.1.2 无线电和射频子系统
为了表征地面和卫星网络的性能，我们将商业级蜂窝调制解调器和星链 Mini 终端集成到我们的无人机平台中。

• 蜂窝调制解调器：对于蜂窝网络测量，我们使用 Microhard pMLTE (pMLTE, ) 调制解调器，它通过 AT 命令接口提供对服务小区和邻小区无线接入网参数的完全访问。该蜂窝调制解调器与全球部署的 LTE 网络和 3G/HSPA 回退能力兼容。该模块支持最大下行 150 Mbps/上行 50 Mbps 的 LTE FDD 和最大下行 130 Mbps/上行 30 Mbps 的 LTE TDD。图 3 描绘了 pMLTE 模块、用于机身集成的定制 3D 打印外壳以及在飞行中的全仪器化无人机。

• 星链 Mini：星链 Mini 是一个集成的相控阵卫星终端，将天线子系统和 IEEE 802.11ac Wi-Fi 路由器结合在一个紧凑的外形中。该终端利用电子控制波束成形，动态调整相位关系以跟踪约 550 公里高度的多颗低地球轨道卫星。卫星接口在双频段运行：Ku 波段（下行 10.7-12.7 GHz，上行 14.0-14.5 GHz）和 Ka 波段（下行 17.8-20.2 GHz，上行 27.5-30.0 GHz）。该系统预计通过低地球轨道星座到地面网关基础设施实现 50-100 Mbps 的吞吐量和 25-60 毫秒的往返延迟。由于其轻巧的外形和低功耗，该终端非常适合无人机平台集成和扩展的空中操作。图 4 显示了在 (a) 地面配置和 (b) 主动飞行测试期间，星链 Mini 与无人机机身的集成（在第 5.2 小节中讨论）。

图 4：我们的无人机平台集成了星链 Mini 终端，在地面和飞行测试中展示。

地面灵敏度分析。为了评估星链 Mini 终端在无人机应用中的性能，我们进行了基于地面的方向灵敏度分析。地面分析评估了卫星连接对终端方向的敏感性，主要目标是识别在各种模拟真实无人机飞行高度的空间配置下可能的服务降级场景，并确定空中部署的最佳安装配置。理解方向敏感性对于无人机应用至关重要，因为飞行器在飞行操作中会经历俯仰、滚转和偏航机动，这可能会影响天线-卫星的对准。实验评估在一个视野开阔的室外位置进行。我们使用球坐标系改变了星链 Mini 的空间位置。方位角 φ 表示绕垂直轴的旋转方向，φ = 0° 与地理北向对齐。测试了四个方位角位置：φ = 0°（北）、φ = 90°（东）、φ = 180°（南）和 φ = 270°（西）。倾斜角 θ 模拟无人机的俯仰和滚转机动，θ = 0° 表示终端直接朝上。我们评估了相对于垂直轴 30° 和 60° 的倾斜角。

a

b

图 5：基于地面的星链接端到端指标对时间的方向敏感性分析。(a) 往返时间，(b) 上行和下行吞吐量。

地面结果如图 5 所示，表明大多数测试方向提供了可接受的性能，往返时间值在 40 毫秒到 200 毫秒之间，下行吞吐量保持在 20-100 Mbps。然而，在特定的未对准情况下发生了关键连接降级，特别是在朝南 60° 倾斜（θ = 60°，φ = 180°）时，由于严重的天线-卫星未对准，往返时间超过 800 毫秒，吞吐量下降到接近零。基于地面发现，星链 Mini 终端被安装在无人机平台上，其表面直接朝上（θ = 0°），以最小化飞行机动期间由方向引起的性能降级。

2.2 系统和软件架构

2.2.1 系统架构。
我们实现了一个全面的测量架构，协调机载数据收集、实时数据传输和地面分析框架。如图 1 的系统架构所示，一个远程应用服务器（例如，远程飞行员）与空中无人机平台通信。为了支持实时监控和端到端网络性能评估，服务器执行多个关键功能，包括作为延迟和吞吐量测试的固定测量端点，在飞行操作期间接收实时数据传输，以及在收集测量数据时进行初步分析。固定端点方法消除了消费者速度测试应用程序（如 Speedtest）中自动服务器选择引入的测量变异性，从而能够在不同飞行测试和部署场景之间进行一致的比较分析。同步数据收集方法支持各种分析方法，包括估计未测量区域覆盖的空间插值、识别时间模式的时间序列分析，以及理解位置、海拔和网络性能之间关系的相关性研究。

图 6：NVIDIA Jetson Orin 与 pMLTE 和星链 Mini 模块的内部通信流程。

2.2.2 通信软件架构。
为了定义和创建数据包，我们使用 MAVLink (29)，一个“轻量级通信库”，来封装正在传输的数据。MAVLink 是一个开源协议，用于与无人机通信以及无人机机载组件之间（例如，图 1 中飞控与 Orin 之间）的通信。MAVLink 被设计为独立于平台，并且可以在不更改当前代码库的情况下扩展新的消息类型。MAVLink 支持多种消息类型，包括状态、控制和任务消息。数据格式化为 MAVLink 消息后，通过串行或以太网连接传输到 pMLTE 模块或星链 Mini，如图 6 所示。然后数据通过无线网络传输并由远程服务器接收。在相反方向，当消息成功到达时，MAVLink 消息被机载的 Intel MAVLink Router 捕获。IMR 扫描传入数据以寻找有效的 MAVLink 消息，一旦找到，它将通过 UDP 将数据包传输到任何指定的端点。目前唯一的端点是一个 ROS 节点，其工作是解包 MAVLink 消息并提取所需信息。然后它通过 ROS 消息将该信息发布到 ROS 系统的其余部分。该 ROS 节点还订阅提供无人机当前位置和姿态信息的 ROS 主题。这些订阅在节点主执行循环的单独线程中生成，并将在数据可用时立即将消息拉入结构。主执行线程在 ROS 节点内的一个单独线程中启动，其工作是接收传入消息和发送传出消息。

2.2.3 图形用户界面。
为了促进高效的实时监控和飞行后分析，我们开发了一个基于 Web 的图形用户界面分析工具，如图 1 所示。该工具通过提供一个集成的平台用于日志文件处理、数据提取和结果可视化，简化了数据分析工作流程。该界面包括文件浏览功能（允许用户选择测量日志文件）、数据提取例程（解析收集的指标）以及生成空间覆盖图和统计分析图表的集成可视化模块。结果直接显示在 Web 界面内，为飞行操作期间的远程飞行员提供即时反馈，并在飞行后评估期间实现快速的迭代分析。

2.3 多层测量方法

2.3.1 指标。
我们实现了一个多层测量方法，捕获三个不同层的网络性能指标：物理层、网络层和应用层。我们在 NVIDIA Jetson 上开发了一个基于 Python 的自定义数据记录器应用程序，以在整个飞行操作中实现自动化、高分辨率的数据收集。该应用程序以 1 秒的采样间隔运行，提供足够的分辨率以捕获空中移动期间的信号动态。在物理层，数据记录器通过 telnet 通信持续检索服务小区和最多三个邻小区的无线接入网参数。收集的指标包括每个跟踪小区的 RSRP、RSRQ、RSSI 和 SINR。这种全面的服务小区和邻小区监控能力在整个飞行操作中持续运行，无需人工干预，从而实现干扰分析和切换评估。在网络层，平台捕获网络拓扑标识符，包括物理小区 ID、小区 ID 和位置区码。这些标识符支持空间覆盖映射和每个小区的性能分析，使该平台区别于单小区测量方法。在应用层，平台集成了端到端性能评估能力。数据记录器自动执行 Nping (Nping, ) 以测量数据包往返时间，并执行 iPerf3 (iPerf, ) 进行双向吞吐量测试，两者都连接到专用的远程服务器基础设施。此外，还收集数据包交付统计信息以评估链路可靠性。这个自动化测试框架在整个飞行操作中定期运行，捕获与无线接入网指标和位置数据同步的延迟、吞吐量和数据包交付特征。固定的远程服务器端点确保不同测量之间的一致性和可比较性。此外，我们收集所有无人机飞行信息（海拔、方向、速度）。所有测量数据都带有 GPS 坐标（经度、纬度、海拔）和通过网络时间协议同步的高精度时间戳，创建了一个时空数据集，其中每个网络指标都与物理位置和时间相关联。

2.3.2 飞行测试和测量区域

图 7：测试区域周围小区站点的空间分布。每个站点包含多个具有唯一小区 ID 的扇区。红色站点为测试区域提供覆盖，而黑色站点不提供覆盖。

平台验证在美国一个半农村环境中进行，如图 7 所示。选择该测试区域是因为其典型的农村特征，包括有限的小区塔安装（基础设施部署稀疏）以及影响传播的起伏地形和高程变化。这些条件提供了一个合适的环境来研究真实世界的飞行操作，并验证平台在农村部署场景中的三维测量能力。该平台运行在 Verizon 的商业 LTE 网络（最大 20 MHz 信道带宽）和星链低地球轨道卫星上，确保测量反映真实世界的运行条件，具有受控测试台环境中不存在的真实干扰、负载和网络管理特征。测量数据在海平面以上 240 到 400 米的海拔范围内收集（在我们测试区域对应地面以上 0-160 米），并使用 10 米海拔区间处理数据以提取与海拔相关的性能趋势。这种垂直采样范围，结合水平空间覆盖，展示了平台的三维表征能力，同时保持在 G 类空域法规范围内 (Kopardekar et al., 2016)。

鉴于所呈现的多层测量框架，我们重点关注三组关键结果：(1) 蜂窝网络在不同海拔的三维性能分析（第 3 节），(2) 通过同时跟踪服务小区和邻小区性能进行多小区性能表征（第 4 节），以及 (3) 地面蜂窝（LTE）和星链卫星连接之间的端到端性能比较评估（第 5 节）。

3. 蜂窝网络性能的时空特征分析

在本节中，我们将介绍基于平台捕获的时空数据集的分析结果。首先，我们通过关键无线接入网指标（RSRP、RSRQ、RSSI 和 SINR）的统计分布来量化基线服务质量。其次，我们研究三维性能以表征与海拔相关的变化行为，并实证验证在高海拔改善的视距信号强度与增加的干扰之间的权衡。

3.1 无线接入网性能分析

a

b

c

d

图 8：五次不同飞行测试（记为“LTE-FLT-1”至“LTE-FLT-5”）中 LTE 无线接入网指标的累积分布函数。(a) RSRP，(b) RSRQ，(c) RSSI，(d) SINR。

在这部分，我们使用累积分布函数来表征整个飞行测试区域内无线接入网性能指标的分布。如图 8 所示，对 2024 年 5 月至 2025 年 12 月之间的五次飞行测试（记为“FLT”）进行了累积分布函数分析，检查了 RSRP、RSRQ、RSSI 和 SINR 的分布。这些图显示了单次飞行的累积分布函数以及带有置信带的平均趋势。由于质量分类的标准化阈值因制造商和应用要求而异，我们采用 Teltonika Networks (Networks,; Shakir et al., 2023) 提出的标准进行一致的性能分类。以下阈值定义了差的条件：RSRP 低于 -100 dBm（信号功率），RSRQ 低于 -20 dB（信号质量），RSSI 低于 -95 dBm（信道功率），SINR 低于 0 dB（抗干扰性）。

图 8(a) 显示了五次飞行测试的 RSRP 分布，低于 -100 dBm 阈值的测量百分比在不同飞行中从 20% 到 67% 不等。尽管存在这些单次飞行的变化，但平均累积分布函数显示了一致的覆盖趋势。图 8(b) 中的信号质量测量显示出优异的性能，在所有五次飞行中，0% 的测量值低于 -20 dB 阈值。图 8(c) 中的信道功率条件显示，100% 的测量值远高于 -95 dBm 阈值，表明覆盖均匀优异。这种高信道功率表明来自高架小区站点的广泛信号过冲。图 8(d) 显示，100% 的测量值超过 0 dB 阈值，表明所有飞行都具有良好的抗干扰性。阴影置信区域表示各次飞行测试之间的测量变异性，其中 RSRP 显示出最大的变化，而 RSRQ、RSSI 和 SINR 始终保持强劲。所有四个指标的整体性能比较显示，LTE-FLT-4 取得了最好的结果，具有最高的 RSRQ（约 -14 dB）和 SINR（约 9 dB），同时保持有竞争力的 RSRP 和 RSSI 值。LTE-FLT-3 表现出最强的原始信号指标，具有最佳的 RSRP（约 -93 dBm）和 RSSI（约 -56 dBm），尽管 SINR 略低（约 7.5 dB）。

3.2 三维空间性能分析

a

b

c

d

图 9：三维地图中的 LTE 无线接入网指标分布。(a) 3D RSRP 图，(b) 3D RSSI 图，(c) 3D RSRQ 图，(d) 3D SINR 图。

平台能够在多个海拔高度收集 GPS 同步测量数据，从而实现了三维覆盖映射。平台收集了从海平面以上 240 米到 400 米的测量数据，使用 10 米海拔区间处理数据以提取统计性能趋势。这种垂直采样能力是地面路测无法实现的，并且为理解空中蜂窝连接性和高层设备的覆盖预测提供了重要见解。该系统以 3D 格式生成地理空间可视化，说明关键性能指标在水平位置和垂直海拔维度上的分布和行为。图 9 通过在测试环境中对 RSRP、RSSI、RSRQ 和 SINR 分布的空间可视化，展示了该平台的 3D 映射能力。RSRP 和 RSSI 可视化揭示了较低海拔处对应于地形遮挡的覆盖弱点，表明在较高海拔处信号强度可接受，但在特定区域的地面附近性能下降。RSRQ 分布表现出空间变异性，在某些区域质量有所改善，表明整个覆盖区域内存在不同程度的干扰和信道质量。SINR 结果显示从差到一般的值，且随海拔变化，反映了农村环境中信号强度和干扰之间复杂的相互作用。

图 10：LTE 无线接入网指标作为海拔的函数。(a) RSRP vs. 海拔，(b) RSRQ vs. 海拔，(c) RSSI vs. 海拔，(d) SINR vs. 海拔。随着海拔增加，由于视距条件改善，RSRP 值提高；然而，这导致来自邻小区的干扰增加。

此外，图 10 展示了平台揭示与海拔相关的信号强度趋势的能力。RSRP 测量显示出随着海拔增加而逐步改善，这归因于无人机与基站之间视距传播条件的改善。在较低海拔，地面障碍物（包括地形特征和植被）导致显著的信号衰减。随着平台上升，实现直接视距的概率增加，路径损耗减少。这种表征能力使网络运营商能够了解垂直覆盖轮廓并预测空中用户的性能。平台的多海拔测量能力揭示了空中蜂窝连接的一个关键权衡：虽然信号功率随海拔增加而提高，但由于多小区干扰增加，信号质量下降。在高处，无人机同时获得对多个基站的无遮挡可见性，包括超出预期服务小区的那些小区。这种基本的与海拔相关的行为——改善的视距条件同时增强了期望信号接收和来自邻小区的干扰——只能通过平台实现的垂直测量来表征。这些结果为识别三维传播环境中的覆盖缺口、干扰模式和与海拔相关的信号质量变化提供了全面的见解。

4. 多小区性能分析

聚合信号强度是蜂窝网络中连接质量的主要指标。然而，可靠的超视距操作从根本上依赖于网络冗余和在飞行时间内执行无缝切换的能力。在本节中，我们将分析从服务小区的孤立扩展到更广泛的多小区视角。我们首先在第 4.1 节调查服务小区的空间分布，并证明一个“主导”小区尽管其无线性能可能并非最优，但仍可能提供大部分空中覆盖。接着，在第 4.2 节中，我们通过评估邻小区的可用性和信号质量来量化网络性能，以评估切换就绪状态。我们详细分析了切换行为作为无线接入网指标、飞行海拔的函数以及对往返时间性能的影响。

4.1 多小区覆盖主导性与空间分布分析

a

b

c

d

图 11：不同服务小区的 LTE 无线接入网指标。(a) 服务小区 RSRP，(b) 服务小区 RSRQ，(c) 服务小区 RSSI，(d) 服务小区 SINR。总共，在我们图 7 所示的测试区域中接收到了 14 个不同小区的信号。

图 12：从每个小区接收到的样本归一化数量。

虽然典型的无线接入网指标如 RSRP、RSRQ、RSSI 和 SINR 指示信号质量，但如果不考虑每个小区的空间覆盖贡献，它们本身无法决定网络性能。一个小区可能表现出优异的无线电指标，但只覆盖很小一部分区域，从而最小化其对用户体验的影响。相反，一个参数次优但主导覆盖区域的小区会显著影响整体服务质量。为了研究这些行为，我们捕获了从测量区域（图 7）收集的所有测量样本中归一化的小区 ID 出现频率。图 12 中的结果显示，小区 8 主导覆盖区域，约占测量样本的 45%，其次是小区 1，约占 30%，小区 2 约占 10%。其余小区（小区 3、7、13 和 14）各自贡献不到 5%。然而，当将此覆盖主导性与图 11 所示的无线接入网性能指标对比时，我们观察到有趣的行为。

特别是，服务约 45% 测试区域的小区 8 表现出较差的信号强度，平均 RSRP 约为 -100 dBm，平均 RSSI 约为 -65 dBm，但显示出中等的 RSRQ（约 -16 dB）和一般的 SINR（约 8 dB）。占样本 30% 的小区 1 表现出中等的 RSRP（约 -93 dBm），但保持较好的 RSRQ（约 -14 dB）和 SINR（约 7 dB）。这两个小区共同服务了约 75% 的测试区域，直接决定了该区域大多数空中用户所体验的网络质量。贡献 10% 覆盖的小区 2 在所有指标上表现出良好的性能（RSRP 约 -97 dBm，RSRQ 约 -16 dB，SINR 约 9 dB），但由于其空间存在有限，对整体服务质量贡献不大。其余小区，尽管各自指标有所变化，但由于每个服务不到 5% 的覆盖区域，实际影响很小。

使用 CellMapper (CellMapper, ) 进行的空间分析（如图 7 所示）证实，大多数检测到的小区都恰当地定位以覆盖测试区域。小区 13 和 14 安装在高海拔地形上（通过 Google Earth 分析确认），尽管各自贡献不到 5% 的覆盖且表现出较差的信号强度（平均 RSRP 约 -108 dBm），但仍通过信号过冲到达测试区域。与小区 1、2 和 3 对应的站点显示出受天线方向模式影响的覆盖贡献变化，这通过 CellMapper 方向数据得到验证。对于该部署区域的实际农村无人机应用，网络优化工作必须优先考虑小区 8 和 1，因为改善它们的性能将通过对它们共同服务的 75% 的覆盖区域产生影响，从而对整体服务质量产生最大效果。

图 13：主导小区（小区 8）和三个邻小区（记为“NB1”至“NB3”）的 RSRP 和 RSRQ 性能。(a) 邻小区 RSRP，(b) 邻小区 RSRQ。

4.2 邻小区性能分析与切换评估

4.2.1 切换就绪状态。
在用户移动期间维持服务连续性需要可靠的切换机制，以便在服务小区信号降级时切换到邻小区。平台的多小区监控能力能够同时测量邻小区性能，这对于评估网络可靠性、覆盖冗余以及系统在整个部署区域维持无缝连接的能力至关重要。我们的数据记录平台持续捕获来自邻小区的无线电测量数据。在此分析中，我们考虑三个最强的邻小区，它们在服务小区信号降级事件中是关键的切换候选者，以防止服务中断。图 13 展示了主导小区（索引 8）以及三个邻小区（图中记为“NB”）的 RSRP 和 RSRQ 性能指标。实验结果证实了良好的切换候选者是存在的，至少有一个邻小区将其信号水平维持在阈值要求以上（RSRP ≥ -100 dBm，RSRQ ≥ -20 dB）(3GPP, 2025; Lai et al., 2024)。这种覆盖重叠确保了无缝的切换执行，并降低了移动事件期间服务中断的风险。

4.2.2 切换分析。
我们使用小区 ID 信息进行切换检测，与可在全网重复使用的物理小区 ID 相比，小区 ID 提供了全球唯一的小区标识。我们的算法处理时间序列的 LTE 测量数据，以同时检测切换（通过小区 ID 变化）并根据切换瞬间的信号质量对其触发原因进行分类。基于 3GPP 标准 (3GPP, 2025)，算法 1 根据基于阈值的决策逻辑将每个检测到的切换分为四种事件类型之一：(i) 切换事件 E1：当邻小区 RSRP 超过服务小区 ≥ 3 dB 时发生。此事件对应于 3GPP 上下文中的事件 A3（基于强度）。(ii) 切换事件 E2：对应干扰（基于质量），当 RSRP 强（> -95 dBm）但 RSRQ 差（≤ -18 dB）时发生。(iii) 切换事件 E3：当服务小区 RSRP 降至 -110 dBm 以下时触发。此事件对应于 3GPP 上下文中的事件 A2（基于覆盖）。(iv) 切换事件 E4：捕获由网络优化或负载平衡引起的其他切换。主要的限制是在短暂的无线链路故障期间可能会错过切换，尽管我们的数据集显示空值 < 0.1%，确保了高检测准确性。此方法在 60 分钟的飞行中检测并分类了 217 个切换事件，分布如下：E1/事件 A3 (121, 55.8%)，E2/干扰 (26, 12.0%)，E3/事件 A2 (66, 30.4%)，E4/其他 (4, 1.8%)。

算法 1 组合切换检测与分类

输入: 时间序列: {(CellID_i, RSRP_i, RSRQ_i, RSRP_neighbor,i, t_i)} for i=1..n
输出: 分类切换事件集合 H
1: H ← ∅
2: for i = 2 to n do
3: if CellID_i ≠ CellID_{i-1} and CellID_i ≠ null then
4: ΔRSRP ← RSRP_neighbor,i-1 – RSRP_{i-1}
5: if ΔRSRP ≥ 3 dB then
6: cause ← E1 ▷ 对应3GPP中的事件A3
7: else if RSRP_{i-1} > -95 dBm and RSRQ_{i-1} ≤ -18 dB then
8: cause ← E2 ▷ 捕获增加的干扰
9: else if RSRP_{i-1} ≤ -110 dBm then
10: cause ← E3 ▷ 对应3GPP中的事件A2
11: else
12: cause ← E4 ▷ 由于其他事件引起的切换
13: end if
14: H ← H ∪ {(t_i, CellID_{i-1}, CellID_i, cause)}
15: end if
16: end for
17: return H

图 14：每 10 分钟块内的切换率，叠加归一化的 RSRP、RSRQ 和无人机海拔。

时间切换动态。 图 14 展示了在 60 分钟飞行期间切换事件的时间演变，将切换聚合到 10 分钟的块中，并叠加归一化的信号质量指标（RSRP、RSRQ）以及飞行海拔。前 30 分钟（0-30 分钟，海拔 250 米 ASL）显示相对较低的切换率，每块 16-30 个事件，其中 E3（事件 A2，基于覆盖）切换占主导地位，这是由于地面小区边缘操作特有的弱 RSRP（-95 到 -100 dBm）。大约在 30 分钟时，随着无人机上升，切换事件数量显著增加：在 30-50 分钟期间，海拔 330-380 米 ASL，切换率激增至每 10 分钟块 65-75 个事件，此时 RSRP 改善到 -81 到 -85 dBm，这是整个任务中记录到的最强信号。这个悖论揭示出，在空中环境中，更强的信号强度并不会降低切换频率。关键是，E2（干扰）切换仅在此 30-50 分钟的高海拔窗口中出现，占切换事件的 19-22%，此时尽管 RSRP 很强，但 RSRQ 下降到 -16 到 -17 dB，表明来自多个可见小区的高同信道干扰。E1（事件 A3）切换在整个过程中占主导地位（在 30-50 分钟高海拔阶段占事件的 60-70%），因为多个小区的 RSRP 均匀强，微小的信号波动就会持续满足 A3 条件，从而触发频繁的切换乒乓效应。最后 10 分钟块（50-60 分钟）显示切换率回落到基线水平（10 个事件），因为海拔下降到 250 米 ASL，E3 切换重新成为主要类型。这种时间分析表明，海拔而不是信号强度是切换不稳定的主要驱动因素，高海拔期间（30-50 分钟）的切换率比地面操作高 3-4 倍，尽管 RSRP 强 15-20 dB。

图 15：跨飞行阶段的切换率变化和小区可见性。

小区可见性与网络报告。 图 15 研究了跨四个飞行阶段（起飞（0-30 分钟，地面海拔 250 米 ASL）、过渡（30-35 分钟，从 250 米 ASL 快速上升到 330 米 ASL）、上升（35-50 分钟，在 330-380 米 ASL 持续飞行）和下降（50-66 分钟，返回 250 米 ASL））中唯一小区可见性与切换率之间的关系。在起飞阶段，无人机检测到 7 个唯一小区 ID，切换率为 2.2 次/分钟，受限于地形障碍和典型的地面传播。过渡阶段（转换为固定翼）标志着垂直上升的开始，切换率激增 3 倍达到 6.6 次/分钟，小区可见性略有增加（9 个小区 ID），这表明仅快速的海拔变化速度就会通过剧烈的 RSRP 波动驱动切换不稳定。上升阶段揭示了最引人注目的发现：由于视距传播，小区可见性增加 33% 到 12 个唯一小区 ID，使得能够检测到 5-10 公里外的小区，但切换率不成比例地增加了 223% 到 7.1 次/分钟，相比地面水平。可见小区数量的增加可能导致次优且频繁的切换决策，这不一定是由于服务小区性能下降所致 (3GPP, Technical report; Tashan et al., 2022; Lobinger et al., 2010)。下降阶段显示切换率降至 0.6 次/分钟，可见小区数为 6，因为无人机返回地面，证实了海拔和垂直速度都是切换行为的关键因素。

图 16：切换事件中往返时间的变化（叠加在无人机海拔轨迹上）。

切换事件对往返时间的影响。 图 16 将单个切换的往返时间影响叠加在无人机海拔轨迹上，揭示了切换并不像通常假设的那样均匀地增加延迟。对所有 217 个切换的分析显示，116 个事件（53.5%）降低了往返时间，而 101 个事件（46.5%）增加了往返时间，最大往返时间增加为 275.4 毫秒，最大往返时间减少为 -136.6 毫秒。在前 30 分钟的地面水平（海拔 250 米 ASL），往返时间变化适中且混合，改进和降级的数量大致相等，通常在 ±50 毫秒范围内。最显著的往返时间不稳定性发生在 30-50 分钟的高海拔阶段（330-380 米 ASL），最大的往返时间增加（100-275 毫秒峰值）和显著的减少（50-100 毫秒改进）都集中在此。这个时期与峰值切换频率（7.1 次/分钟）、最强的 RSRP（-81 到 -85 dBm）和下降的 RSRQ（-16 到 -17 dB）相吻合，表明仅凭强信号强度无法防止延迟降级。往返时间影响表现出关键的不对称性：虽然 53.5% 的切换改善了延迟（通常通过将用户设备从拥塞或回传差的小区移动到更好的网络条件），但最坏情况下的降级（275.4 毫秒）是最好情况改进（136.6 毫秒）的 2.0 倍，形成了一种高风险特征：切换要么适度帮助（典型减少：20-50 毫秒），要么严重损害（异常值超过 100-200 毫秒）。下降阶段（50-60 分钟，返回 250 米 ASL）显示稀疏的往返时间事件，反映了低切换率（0.6 次/分钟），影响混合但适度，没有极端异常值。在观察到的持续 7.1 次/分钟的切换率下（每 8.5 秒一次切换），应用程序经历连续的延迟中断，事件之间没有足够的恢复时间，导致持续的性能下降，不适合时间敏感的无人机操作，如实时视频流和指挥控制。

关键发现与启示。 我们的切换分析确立了以下关键发现：

• 尽管 RSRP 强 15-20 dB，但海拔仍驱动切换率增加 3-4 倍，这揭示了仅基于 RSRP 的算法在空中视距条件下失效，因为来自多个小区的均匀强信号会触发过度的 E1（事件 A3）切换。

• 干扰切换仅在高海拔阶段（30-50 分钟，330-380 米 ASL）出现，此时强 RSRP 与差的 RSRQ（-16 到 -17 dB）共存，E2（干扰）事件占总切换的 12%。这表明对于空中平台，质量指标必须补充基于强度的切换触发条件。

• 切换影响是不对称的：53.5% 的切换改善了往返时间，但最坏情况下降级（275 毫秒）是最好情况改进（137 毫秒）的 2 倍，产生了不适合时间敏感应用的高风险延迟特征。

5. 蜂窝网络 vs. 星链：端到端服务质量评估

鉴于该平台能够同时跟踪来自地面蜂窝网络和低地球轨道卫星（星链 Mini）连接的指标，我们进行了双连接分析，比较在运行飞行条件下的端到端性能特征。分析集中在三个关键指标：往返延迟、双向吞吐量和数据包交付统计。

5.1 正面比较

图 17：端到端网络性能测量。LTE 和星链（记为“SL”）的性能在同一时间和地点（无人机与专用远程服务器之间）同时测量。实验在 2025 年 9 月和 12 月重复了两次。(a) 往返时间，(b) 下行吞吐量，(c) 上行吞吐量。

延迟性能：我们对在同一时间和地点（无人机与专用远程服务器之间）同时测量的 LTE 和星链性能进行比较分析。该比较在两次飞行测试（2025 年 9 月和 2025 年 12 月）中重复进行，结果如图 17 所示。运行飞行测试揭示了两种连接选项在实时响应性方面的显著性能差异。如图 17(a) 所示，星链卫星链路表现出卓越的延迟稳定性，95% 的往返时间测量值保持在 50 毫秒以下。相比之下，蜂窝网络显示出更高的延迟，大约 80% 的测量数据落在 150 毫秒阈值以下。这种三倍的延迟分布差异表明，尽管增加了到轨道的传播距离，低地球轨道卫星星座仍为实时应用提供了卓越的响应性。

吞吐量性能：吞吐量分析揭示了蜂窝和星链在下行和上行方向上的性能二分法。对于下行性能，如图 17(b) 所示，星链展现出显著的能力优势，95% 的测量值超过 25 Mbps。蜂窝网络显示出较一般的性能，其可比较的 95% 阈值仅为 5 Mbps。这种五倍的下行容量差异突显了低地球轨道卫星系统在数据密集型应用中的带宽优势。然而，上行性能呈现出一个对比的图景。对于蜂窝和星链，大约 65% 的上行测量值低于 5 Mbps，表明两种技术在上行方向上存在类似的限制。这种对称的上行限制表明，无论底层连接技术如何，上行容量都是一个共同的瓶颈。

数据包交付统计：在主动飞行操作期间，两种连接解决方案都显示出高传输可靠性。如表 1 所示，蜂窝连接实现了 99.44% 的数据包交付率（5159 个数据包中交付 5130 个），而星链连接保持了 99.31% 的交付率（3627 个数据包中交付 3602 个）。这些极低的数据包丢失率（蜂窝为 0.56%，星链为 0.69%）验证了两种链路对无人机操作的鲁棒性，并表明具有足够的数据传输可靠性。

连接

发送包数

交付包数

丢失包数

交付率 (%)

表 1：LTE 和星链连接之间的数据包交付性能比较。

双连接启示：蜂窝和星链的互补性能特征表明存在智能双连接架构的机会。星链的延迟性能（95% < 50 毫秒）使其非常适合延迟敏感的控制和遥测流量，而其高下行容量（95% > 25 Mbps）支持带宽密集型载荷数据传输。蜂窝网络虽然表现出较高的延迟，但仍保持有竞争力的数据包交付可靠性（99.66%），并提供与星链相当的一致上行性能。双连接方法可以利用星链进行主要数据传输和实时操作，同时利用蜂窝提供冗余和故障转移，或者根据延迟要求和带宽可用性智能地分配流量。该平台在飞行操作期间同时测量两条链路的能力，为双链路架构中动态连接管理所需的实时链路质量评估提供了支持。

5.2 星链性能深入分析

5.2.1 星链短期性能演变。
在这部分，我们使用我们的无人机测量平台对星链网络性能进行更全面的分析。我们在 3 个月的时间内（从 2025 年 9 月到 2025 年 12 月）在四次不同的飞行测试（记为“SL-FLT-1”至“SL-FLT-4”）中重复了测量。图 18 和图 19 展示了四次飞行测试的累积分布函数和时间性能。从结果中，我们观察到几个有趣的趋势。如图 19 所示，拼接的时间序列图揭示了从 2025 年 9 月到 12 月星链连接的清晰时间性能演变。与早期的测试日相比，2025 年 12 月 17 日进行的 SL-FLT-4 在所有指标上都表现出明显优越的性能。具体来说，12 月的下行吞吐量提高了约 5 倍（持续 60-100 Mbps vs. 9 月的 20-40 Mbps），上行吞吐量提高了约 3 倍（10-20 Mbps vs. 5-8 Mbps），往返时间降低了 40%（20-30 ms vs. 40-60 ms）。此外，12 月的数据表现出显著降低的变异性，性能曲线更平滑、更稳定，与 SL-FLT-1 和 SL-FLT-2 中可见的波动形成鲜明对比。这与累积分布函数分析（图 18）完美吻合，我们观察到 12 月的分布更好，平均改善为下行 +30%、上行 +160%、延迟 -39%。此外，与图 5 所示的地面灵敏度分析相比，我们的观察没有发现异常中断，除了少数瞬态尖峰。星链天线在无人机上的这种配置可能增强了视距条件，确保即使在无人机机动期间连接也能保持稳定。基于观察到的性能，我们同意星链的低地球轨道连接为农村环境中涉及无人机的实时应用提供了可靠的通信信道。

图 18：星链端到端指标在三个月内四次不同飞行测试（记为“FLT-1”至“FLT-4”）中的时间稳定性分析。(a) 星链 RTT，(b) 星链下行吞吐量，(c) 星链上行吞吐量。

图 19：在四次飞行测试中进行的星链端到端指标，以识别与图 5 所示地面灵敏度分析类似的任何尖峰。(a) RTT，(b) 上行和下行吞吐量。

5.2.2 无人机动力学对星链性能的影响
在飞行测试期间，无人机遵循一个赛道轨迹，涉及连续的倾斜、俯仰和转弯。我们观察到，尽管由飞机倾斜和俯仰引起的星链天线物理方向频繁变化，但并未观察到对链路稳定性的显著影响。我们的统计分析证实，飞机的姿态角与网络性能之间的相关性相对较小。往返时间与滚转/俯仰的相关系数分别为 0.0434 和 -0.1122。类似地，吞吐量与滚转/俯仰的相关系数分别为 -0.0011 和 0.0544。这些实际飞行测试结果表明，星链 Mini 的相控阵波束控制对于标准的固定翼无人机操作来说足够鲁棒，前提是天线保持大致朝上的方向。

6. 基于机器学习的三维性能预测

如前几节所述，该平台在飞行测试期间在不同海拔高度捕获测量数据，提供了整个部署区域的全面空间采样。然而，穷举测量每个可能的位置和海拔组合是不现实的。我们利用标准机器学习模型来预测在未测量的海拔和位置的性能指标。我们的方法涉及在这些来自飞行测试的带有 GPS 标签的位置数据上训练模型，其中每个测量都与由经度、纬度和海拔定义的特定位置相关联。我们使用位置坐标作为输入特征 (x) 来预测相应的指标值作为输出 (y)。训练完成后，模型接受新的位置坐标 (x̂) 以生成预测值 (ŷ)。

我们使用两种不同的评估范式：留一海拔高度交叉验证和“标准”80/20 随机分割方法。留一海拔高度策略专门设计用于测试模型的垂直外推能力，通过在训练期间移除目标海拔的所有测量数据，然后在该未见的垂直平面上评估模型。具体来说，我们通过从训练集中移除一个海拔水平的所有测量数据来创建一个截断的数据集，然后在剩余的海拔测量数据上训练每个模型。然后使用训练好的模型预测被排除海拔的指标值。相比之下，80/20 随机分割作为一般空间插值的基准，其中 80% 的混洗数据集用于训练，剩余 20% 用于同时跨所有空间坐标和海拔的测试。这种评估框架能够全面评估特定于海拔的外推和一般空间预测能力。

评估指标。为了评估模型性能，我们使用平均绝对误差作为主要评估指标，使用均方根误差作为次要指标。这些指标计算如下：

(1) MAE = (1/N) Σ|y_i – ŷ_i|, RMSE = √((1/N) Σ(y_i – ŷ_i)²)

其中 N 是观测值的数量，y_i 和 ŷ_i 分别是第 i 个观测值的实际（收集的）和预测值。与对所有误差一视同仁的 MAE 不同，RMSE 由于平方运算对较大误差赋予更大重要性，使其特别适用于识别偶尔产生较大预测误差的模型。

结果与讨论。表 2 中的实验结果表明，虽然两种训练方法都实现了高保真度，但与垂直外推相比，模型在执行空间插值时表现出显著更高的精度。如表 2 所示，随机森林模型在 80/20 分割下达到了峰值精度，RMSE 为 1.764 dBm，MAE 为 1.258 dBm。然而，当面临更具挑战性的留一海拔高度任务时，RMSE 增加到 3.610 dBm。这种“外推惩罚”量化了在完全未观测的海拔预测信号指标时引入的额外方差，这是管理农村地形中三维空中覆盖的网络运营商需要考虑的关键因素。

无线接入网指标

机器学习模型

RMSE (dBm)

MAE (dBm)

表 2：机器学习模型预测无线接入网指标的性能比较，使用留一海拔高度和通用 80/20% 训练/测试分割方法。

两种方法之间的性能差距突显了三维无线信号表征的复杂性。对于安全关键型的无人机操作，留一海拔高度指标（特别是约 3.6 dBm 的 RMSE）为在新的飞行高度进行自主路径规划提供了最坏情况下的误差裕度。这些发现证实，虽然基于机器学习的插值非常精确，但垂直外推需要稍高的安全缓冲，以考虑与海拔相关的传播现象，如衍射和地面反射。

这些预测能力对超视距无人机操作的优化和蜂窝网络规划具有直接影响。通过实现精确的三维覆盖外推，这些模型允许网络运营商在物理测量在后勤上不可行的海拔高度估计干扰模式和信号盲区。此外，将这些模型集成到自主飞行控制系统中支持主动路径优化。无人机可以利用这些信号预测动态调整其轨迹，通过避开预测的高多小区干扰或弱信号功率的区域来维持可靠的通信链路，从而提高任务安全性和数据传输可靠性。

7. 结论

在本文中，我们提出了第一个开源的、双连接的基于无人机的测量平台，用于表征农村环境中地面 LTE 和低地球轨道卫星网络的性能。我们的测量平台将商业级蜂窝调制解调器和星链 Mini 终端与机载飞行控制器和计算系统集成在一起，以在不同飞行海拔捕获同步的物理层、网络层和应用层指标。实验验证证明了该平台揭示与海拔相关的性能权衡的能力：由于视距条件改善，信号功率在高海拔提高 8-20 dB；而由于来自邻小区的干扰增加，信号质量下降 3-5 dB。这导致由于过度的多小区可见性而非信号降级，切换率增加了 3-4 倍。与卫星链路比地面网络慢的普遍看法相反，我们的 LTE-星链比较分析显示，星链保持了 95% 的往返时间样本低于 50 毫秒，显著优于农村 LTE 网络（其 20% 的往返时间高于 150 毫秒）。最后，我们基于机器学习的预测套件量化了三维网络测量中固有的“外推惩罚”。为了促进可重复的研究，我们将公开完整的平台设计、软件套件和时空数据集。作为下一步，我们计划将平台功能扩展到支持 5G NR 测量和跨更大地理区域的多无人机测量。此外，我们将把测量活动扩展到其他地理环境，并与多个蜂窝网络运营商合作。