Data-driven Geospatial Modeling for Complex Airspace Environments
Notice bibliographique
Résumé
The airspace environment is experiencing a rapid increase in complexity as a result of the integration of new types of air vehicles and operations, such as Urban Air Mobility (UAM), and the continuous growth of air traffic volumes. In response to these challenges, this paper presents a novel approach that utilizes the Discrete Global Grid System (DGGS) to effectively integrate Automatic Dependent Surveillance-Broadcast (ADS-B) air traffic data and weather radar data into an airspace simulation. The proposed method offers numerous opportunities to address the complexities of the evolving airspace landscape. It is designed to be applicable to various types of air vehicle and their operations, and is versatile and adaptable to accommodate the diverse needs associated with the National Airspace System (NAS). The computational efficiency of the approach enables the analysis of large volumes of air traffic data, allowing for realistic simulations of complex airspace scenarios. By leveraging the capabilities of DGGS, this research provides a flexible and efficient solution for integrating heterogenous types of aviation data into airspace simulations. The proposed approach not only enables a comprehensive analysis of air traffic dynamics but also offers potential avenues for further research in risk analysis, air traffic management, and unmanned aircraft investigations. Overall, this paper contributes to the field of aviation research by demonstrating the benefits of using DGGS for the integration of ADS-B air traffic data and weather radar data into airspace simulations, paving the way for enhanced airspace analysis, risk assessment, and UAS studies.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 ».