Spatial modelling of midair collision risk using ADS-B data
Notice bibliographique
Résumé
The airspace environment is a system that is expected to continue increasing in complexity with the projected growth of air traffic volumes and the introduction of new types of air vehicles and operations such as uncrewed aircraft. This increase in complexity brings a need for investigating and developing new models of airspace environments as a means of better understanding and managing their constituent parts. This paper presents a methodology for creating a geospatial model of complex airspace environments which can be used to study any geospatially distributed entity that is part of these systems. The methodology leverages Discrete Global Grid Systems (DGGS), a Geographic Information Systems framework often utilized in the fields of geography and urban planning. The usefulness of the model is demonstrated using two case studies investigating the risk factors associated with weather and mid-air collisions in an airspace region of interest. Since such a model needs to be able to work for any type of air vehicle and airspace region in a fully three-dimensional model capable of performing time-varying analysis in a computationally efficient manner, a rudimentary geospatial airspace risk model was also developed which satisfies these requirements. Weather radar data from the National Oceanic and Atmospheric Administration and air traffic data from the OpenSky Network were collected and integrated in the geospatial model and the geospatial airspace risk model was used to calculate the risk of collisions for geospatially distributed points in the airspace for four scenarios of increasing airspace complexity. The results from these four scenarios demonstrate that the proposed methodology can be used to study the risk associated with spatially distributed risk factors for different points in the airspace for any type of air vehicle and airspace region of interest in a fully three-dimensional model that can perform time-varying analysis in a computationally efficient manner.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».