비지상 네트워크 (Non-terrestrial networks, NTNs)는 유비쿼터스 연결성과 대규모 통신을 가능하게 함으로써 6세대 (6G) 시스템에서 중추적인 역할을 할 것으로 기대됩니다. 이러한 맥락에서, 채널 예측 (Channel prediction)은 파일럿 오버헤드 (Pilot overhead)를 제한하여 스펙트럼 이용 효율을 향상시키는 핵심 기술로 부상하고 있습니다. 그러나 인공지능 (AI)에 기반하여 제안된 많은 예측기들은 높은 추론 복잡도 (Inference complexity)를 특징으로 하며, 이는 온보드 (Onboard) 구현에 어려움을 줍니다. 본 논문에서는 엄격한 전력 제약으로 인해 모델 복잡도가 제한되는 저궤도 (Low Earth orbit, LEO) NTN에 맞춤화된, 정확하면서도 계산 효율적인 채널 예측 기술을 설계하여 스펙트럼 효율 이득을 얻기 위한 과제를 다룹니다. 우리는 6G NTN 환경에서 초기 슬롯에서만 파일럿을 전송하고 이후 슬롯은 데이터 기반 처리에 의존함으로써 파일럿 오버헤드를 크게 줄이는 반복적 공동 채널 추정 및 예측 프레임워크를 제안합니다. 우리는 데이터 보조 채널 추정치를 정교화하고 낮은 계산 비용과 감소된 오차 전파 (Error propagation)로 미래 채널 주파수 응답을 예측하는 경량 아키텍처인 DRIFT (Data-driven Refinement and Iterative Forecast for wireless channel Tracking)를 소개합니다. 합성곱 (Convolutional) 및 장단기 메모리 (Long short-term memory, LSTM) 레이어에 기반한 두 가지 예측기 변형을 조사합니다. 업링크 LEO NTN 시나리오의 엔드 투 엔드 (End-to-end) 시뮬레이션 결과에 따르면, 제안된 방식은 기존 파일럿 기반 시스템과 비교하여 최대 12%의 스펙트럼 효율 이득을 달성하였으며, 훈련-테스트 불일치 (Training-test mismatches)에 대한 강건성과 다양한 채널 모델에 걸친 일관된 성능을 보여주었습니다. 또한, DRIFT는 20만(200k) 미만의 곱셈-누산 연산 (Multiply-accumulate operations)을 요구하므로, 엄격한 전력 제약 하에서의 위성 온보드 구현에 적합합니다.