Improved Tropospheric Delay Estimation for Long Baseline, Carrier-Phase Differential GPS Positioning in a Coastal Environment
Notice bibliographique
Résumé
Long baseline, carrier-phase differential GPS positioning in a coastal environment poses unique challenges. It is well known that differential GPS positioning results degrade as baseline length increases due to several sources of error, including the error introduced by differential troposphere. The effect of the troposphere on GPS has been extensively discussed by numerous researchers, either by comparing the resolution of tropospheric prediction models or by assessing the tropospheric delay directly on GPS measurements and results. In order to improve the estimation of tropospheric delay in the coastal environment, a project has been undertaken by the University of New Brunswick (UNB) and the University of Southern Mississippi (USM). The project includes extensive GPS and meteorological data collection in the Bay of Fundy in Canada. The goal of the research is to examine methods for improving tropospheric delay estimation by employing various sources of data. This includes the use of surface meteorological parameters and Numerical Weather Prediction (NWP) model data. For this research, NWP data are accessed from the Canadian Meteorological Centre’s (CMC) regional model and from the National Oceanic and Atmospheric Administration’s (NOAA) tropospheric delay product. Tropospheric delays modelled from the NWP model data are compared with those from global prediction models. Results in this paper will demonstrate the effect of using surface meteorological data and NWP model data to estimate the tropospheric delay in a coastal environment.
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 | 0,001 | 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 | 0,001 | 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 ».