Hassas Nokta Konumlama (PPP) Tekniğinin Ağaçlık Alanlardaki Konum Belirleme Performansının CSRS-PPP Yazılımı Kullanılarak İncelenmesi
Notice bibliographique
Résumé
GNSS teknolojisi, orman kaynaklarının araştırılması ve izlenmesi için güçlü bir araç haline gelmiştir. Ancak, ormanlık/ağaçlık alanlarda orman örtüsü GNSS sinyalleri ve uydu sayısı üzerinde olumsuz etkiye sahiptir. Bu yüzden hassas konum belirlemek mümkün olmayabilmektedir. Uydu jeodezisinde ve analiz tekniklerinde yaşanılan gelişmeler ile sadece bir GNSS alıcısı kullanarak üzeri açık alanlarda santimetre düzeyinde konumlama yapılabilen Hassas Nokta Konumlama (PPP) tekniği yakın zamanda büyük ilgi görmüştür. Bu çalışmada, ağaçlık alanlarda yapılan statik PPP-AR (Ambiguity Resolution) çözümlerinin, farklı gözlem sürelerinin (1, 2, 4 ve 6 saat), farklı örnekleme aralıklarının (30, 60 ve 120 sn) ve farklı uydu verilerinin (sadece GPS ve GPS+GLONASS) doğruluk açısından etkisi incelenmiştir. Bu kapsamda, Amasya Üniversitesi Yeşilırmak Kampüsü’nde iki farklı konumda (açık ve ağaçlık alanda) GNSS ölçümleri yapılmıştır. Ağaçlık alanın kapalılık oranı i-Tree Canopy yazılımı ile yaklaşık %56 olarak belirlenmiştir. Toplanan gözlem verileri statik PPP-AR çözümü yapabilen Canadian Spatial Reference System Precise Point Positioning (CSRS-PPP) online (çevrimiçi) değerlendirme yazılımına gönderilmiştir. Sonuçlar, ağaçlık alanlarda PPP-AR tekniği kullanılarak 2 saat ölçü ile yaklaşık 10 santimetre doğruluğunda konum belirlenebileceğini ortaya koymuştur. Ayrıca, genel olarak GPS+GLONASS sonuçların sadece GPS sonuçlarına göre daha doğru performans gösterdiği ve örnekleme aralığının yüksek seçilmesinin elde edilen sonuçlarda anlamlı olmadığı görülmüştür.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».