New method for first-order network design applied to TLS self-calibration networks
Notice bibliographique
Résumé
Terrestrial laser scanning (TLS) is established as a viable means for precision measurement and the need for systematic error modelling and instrument self-calibration is well recognized. While additional parameter (AP) models and procedures for their estimation from signalized target fields have been developed, the first-order design (FOD) of TLS self-calibration networks remains an active area of research aiming to improve AP quality. The conventional FOD approach of numerical simulation carries a heavy computational burden. This paper reports a new method for TLS self-calibration FOD that avoids the high computational effort and can predict AP precision in closed form. Its basis is a relatively simple analytical model of the distribution of spherical coordinate observations, specifically the elevation angle. The accuracy of predicted AP precision is quantified by comparison of precision estimates from a more complex and detailed observation distribution model and from self-calibration. Results from 25 datasets demonstrate the high accuracy (arc second or better) of the closed-form approach. A new observation distribution model is then developed to optimize the geometric design of TLS self-calibration networks. An ideal observation distribution based on the versine function and a corresponding target field configuration that enhance AP precision are established. Testing was performed on five additional, very dense TLS self-calibration datasets. Each dataset was subsampled so as to replicate the observation distributions corresponding to conventional network design and the proposed design. The results show that up to 55% improvement in AP precision, obtained from self-calibration, can be achieved with the new design and these results agree with versine-distribution model predictions within 14–16%.
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 | 0,001 |
| 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 ».