Exploring the role of PPP–RTK network configuration: a balance of server budget and user performance
Notice bibliographique
Résumé
Abstract With atmospheric corrections generated from the server, precise point positioning real-time kinematic (PPP–RTK) can achieve high-precision solutions in a fast convergence. PPP–RTK users are concerned about how to use the corrections and the level of performance that can be achieved; thus, our research has focused on correction methods, a priori stochastic modeling, and positioning performance evaluation. Conversely, it is crucial for the server to improve the precision of corrections provided and to consider the balance between cost, computation burden and user performance, especially for commercial applications. We use different scales of the national GPS network of France to generate ionospheric and tropospheric corrections, and corresponding uncertainty information is generated by establishing error functions with respect to an inter-station distance. The quality of corrections and corresponding user performance are analyzed with inter-station distances varying from 22 to 251 km. The results show that the precision of atmospheric corrections can be improved with an increasing number of stations in the network, but the improvement is not significant when the inter-station distances are smaller than 50 km. Regarding user performance, compared to conventional PPP solutions with ambiguity resolution, the convergence time can be reduced by a maximum of 93% and 85% in the horizontal and vertical components, respectively, when the inter-station distance is about 23 km. However, a station spacing within 100 km can still support a 3-min convergence; thus, a balance of server budget and user performance should be considered instead of a dense network.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».