Los sistemas de localización colaborativa de vehículos aéreos no tripulados (UAV) asistidos por satélite combinan la amplia cobertura de los satélites con la flexibilidad de los UAV, ofreciendo nuevas oportunidades para localizar emisores altamente dinámicos en grandes áreas. Sin embargo, la apertura de los enlaces de comunicación espacio-aire y la creciente complejidad de las amenazas cibernéticas hacen que estos sistemas sean vulnerables a ataques de inyección de datos falsos. La mayoría de los enfoques de detección existentes se centran únicamente en las dependencias temporales en las características de tiempo-frecuencia y carecen de mecanismos de diagnóstico para identificar UAV maliciosos, lo que limita su capacidad para detectar y mitigar eficazmente tales ataques. Para abordar este problema, este documento propone un marco de localización colaborativa inteligente que protege la integridad de la localización al identificar y corregir información de rango falsa de UAV maliciosos. El marco captura correlaciones espaciotemporales en secuencias de rango multidimensional a través de una red de atención gráfica (GAT) acoplada con un autoencoder variacional basado en atención temporal (VAE) para detectar anomalías a través de patrones de distribución anómalos. Los UAV maliciosos se diagnostican además a través de un mecanismo de puntuación de anomalías basado en análisis estadístico y errores de reconstrucción, mientras que las anomalías detectadas se corrigen mediante un algoritmo basado en K-vecinos más cercanos (KNN) para mejorar el rendimiento de la localización. Los resultados de simulación muestran que el modelo propuesto mejora la precisión de localización en un 25.9%, demostrando la efectividad de la extracción de características espaciotemporales en la seguridad de la localización colaborativa.