The effect of stochastic gravity models in airborne vector gravimetry
Notice bibliographique
Résumé
Abstract Measurements of specific force using inertial measurement units (IMU) combined with Global Positioning System (GPS) accelerometry can be used on an airborne platform to determine the total gravitational vector. Traditional methods, originating with inertial surveying systems and based on Kalman filtering, rely on choosing an appropriate stochastic model for the gravity disturbance components included in the set of system error states. An alternative procedure that uses no a priori stochastic model has proven to be as effective, or moreso, in extracting the gravity vector from airborne IMU/GPS data. This method is based on inspecting acceleration residuals from a Kalman filter that estimates only sensor biases. Using actual data collected over the Canadian Rocky Mountains, this method was compared to the traditional approach adapted for different types of stochastic models for the gravity disturbance vector. In all test cases, the estimation filter without a gravitational model yielded better results—up to 50%. This implies that accurate gravity vector determination from airborne IMU/GPS need not rely on an a priori stochastic model of the field, even though the theory of optimal estimation requests it. However, no filter was able to remove all systematic errors from the data; these remaining errors could only be reduced by elementary methods such as endpoint matching and correlative processing of adjacent passes of the system over the gravity field. The final, best gravity estimates had standard deviations with respect to control data of 6 mGal in the horizontal components and 3–4 mGal in the vertical component.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».