La naturaleza abierta del canal inalámbrico hace que la comunicación de drones sea vulnerable a ataques de suplantación adversos, y la identificación de la huella de radiofrecuencia (RFF) es prometedora para salvaguardar de manera efectiva la seguridad de acceso para los drones. Dado que los drones están volando constantemente en el espacio aéreo tridimensional, surge el problema único de identificación de RFF en la comunicación de drones, donde la extracción e identificación efectiva de RFF sufren los efectos del canal que varían en el tiempo y los movimientos inevitables debido al vuelo constante. Para abordar este problema, proponemos aumentar el conjunto de datos de entrenamiento de RFF regenerando las características del canal del dron y compensando el desplazamiento de frecuencia fraccionario. El método propuesto estima el valor K de Rician del canal y ajusta la distribución estadística, regenerando los canales Rician mediante el método de superposición sinusoidal. Luego, también se establece un canal de conmutación probabilística para introducir los efectos del canal Rayleigh en el conjunto de datos de entrenamiento. El método propuesto aborda de manera efectiva los efectos unilaterales del canal en el conjunto de datos de entrenamiento y logra una distribución equilibrada de los efectos del canal. En consecuencia, el modelo preentrenado puede extraer características de RFF robustas al canal en los canales aire-tierra de los drones. Además, al compensar el desplazamiento de frecuencia fraccionario, el método propuesto elimina los componentes de frecuencia inestables y retiene el desplazamiento de frecuencia entera estable. Luego, se pueden extraer las características de desplazamiento de frecuencia estable que son robustas a los cambios ambientales. El método propuesto logra una precisión de clasificación promedio del 97% bajo condiciones espaciales y temporales variables.