Evaluating the Performance of the Static PPP-AR in a Forest Environment
Notice bibliographique
Résumé
Forest environment and topographic obstacles tend to reduce the positioning performance of precise point positioning (PPP) with ambiguity resolution (AR) and may even prevent radio signals from reaching the global navigation satellite systems (GNSS) antenna. In this study, we investigated the positioning performance of PPP-AR in a forest environment in terms of the crown closure ratios, session duration (1-, 2-, 3-, and 6-h), and different satellite constellations [i.e., the global positioning system (GPS)-only and GPS+GLONASS combined satellites]. For this purpose, three GNSS receivers were used to make measurements at three test points in areas with crown closure ratios of 0%, 38%, and 87%. The data were evaluated using the PRIDE PPP-AR software and Canadian Spatial Reference System-PPP (CSRS-PPP). The experiments revealed that the inclusion of the GLONASS observations in the GPS-only solutions did not obviously improve the positioning error and accuracy with closure ratios of 0% and 38%. However, the improvements became more dramatic when the closure ratio increased to 87%. Furthermore, in the horizontal components, an accuracy of 10 cm can be achieved with at least a 2-h session, whereas for the up component, this level of accuracy can only be achieved with a 3-h session. While the PRIDE PPP-AR was able to achieve a 3D positioning performance of 1 cm with the combined GPS+GLONASS satellites, this accuracy level remained at 8 cm in CSRS-PPP.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».