Evaluation of Positioning Accuracy of Smartphones under Different Canopy Openness
Notice bibliographique
Résumé
This study focuses on evaluating the positioning accuracy of smartphones in a deciduous forest environment compared to various levels of Global Navigation Satellite System (GNSS) devices. In a mixed coniferous forest with 90% broad-leaved forest (deciduous season), the accuracy of 57 test points was evaluated according to different openness levels under the forest. Taking the coordinates obtained by survey-grade GNSS devices in RTK (Real-time Kinematic) mode as standard, the accuracy of the single-point positioning (SPP) mode and precise-point positioning (PPP) mode obtained by three smartphones (one single frequency and two dual frequency), one survey-grade receiver and one recreational-grade receiver are compared. It can be found that there was a significant positive correlation between canopy openness and carrier-to-noise density(C/N0) (p < 0.05). Meanwhile, the C/N0 of survey-grade devices is significantly higher than that of smartphones. The results show that the positioning accuracy of dual-frequency smartphones under forests is better than that of single-frequency smartphones. Furthermore, the positioning accuracy of the smartphone corrected by PPP mode is better than that of the recreational-grade GNSS receiver and can achieve an accuracy of about 2.5 m in the horizontal direction, which can be used for forestry stakeout, reset and determination of forest area boundaries in environments with high openness (R > 0.7). However, in an environment with low openness (R < 0.7) and relatively complex forest area positioning, survey-grade GNSS devices are still required to cooperate with the PPP or real-time differential positioning method to obtain accurate sub-meter-level positioning data.
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) | 0,001 | 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 ».