Hassas Nokta Konumlama (PPP) Yöntemindeki Hata Kaynaklarının Konum Belirleme Performansı Üzerindeki Etkilerinin İncelenmesi: PPPH Yazılımı Örneği
Notice bibliographique
Résumé
Son yıllarda Hassas Nokta Konumlama (Precise Point Positioning, PPP) yöntemiyle gerçek zamanlı (real-time) ve ölçü sonrası(post processing) değerlendirme uygulamaları yaygın hale gelmiştir. PPP yönteminin diğer konum belirleme tekniklerine göre bir ya da daha fazla referans istasyonuna gerek duymadan, tek bir GNSS alıcısıyla dm/cm seviyesinde yüksek konum bilgisi elde edilerek maliyet ve zamandan avantaj sağladığı görülmüştür. Çalışma kapsamında ölçü sonrası-PPP (Post Processing, PP-PPP) tekniği ile konum bilgisi elde etmeye imkân sağlayan PPPH yazılımı kullanılarak PPP hata kaynaklarının nokta konum doğruluklarına etkisinin belirlenmesi amaçlanmıştır. Bu amaçla BALK, SINP, YOZ1, IGR1 ve ONIY TUSAGA-Aktif istasyonlarının on günlük (3.04.2021-12.04.2021) gözlem verileri analiz edilmiştir. Değerlendirmede çoklu-GNSS gözlemleri yerine, tercihen ve herhangi bir sebep olmaksızın sadece-GPS uydu sistemi kullanılmıştır. PPPH yazılımından elde edilen sonuçlar istasyonların CSRS-PPP servisinin referans koordinat değerleriyle karşılaştırılmıştır. Çalışmada karesel ortalama hata değerleri dikkate alınarak troposferik gecikme düzeltmesinde yatayda ortalama 0.8 cm ve düşeyde 10.6 cm konum doğruluğuna ulaşılırken, rölativistik mesafe düzeltmesinde sırasıyla 0.75 cm ve 1.0 cm konum doğruluğu elde edilmiştir. Elde edilen sonuçlar troposferik gecikme düzeltmesi hata kaynağının konum doğruluğunda en fazla etkiye, rölativistik mesafe düzeltmesi hata kaynağının ise konum doğruluğunda en az etkiye sahip olduğunu açıkça ortaya koymaktadır.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,014 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».