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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».