INFLUÊNCIA DO NÚMERO E DISTRIBUIÇÃO DE PONTOS DE CONTROLE EM ORTOFOTOS GERADAS A PARTIR DE UM LEVANTAMENTO POR VANT
Bibliographic record
Abstract
Os VANTs têm sido amplamente utilizados para vários domínios, que vão desde aplicações militares a civis. Para elaboração de Cartograï¬a e análise de fenômenos (como desastres ambientais, monitoramento florestal, monitoramento de áreas vulcânicas, monitoramento de obras, dentre outras aplicações), esta técnica apresenta-se como relevante dependendo da aplicação, pois os custos operacionais são baixos. Entretanto, devido estar em fase inicial, seu uso é realizado muitas vezes sem conhecimento sobre a qualidade posicional do mesmo. Para tanto, foi avaliada a acurácia posicional planimétrica de ortofotos geradas com diferentes quantidades e distribuição de pontos de controle para uma área da Universidade Federal de Viçosa, no município de Viçosa-MG. Utilizou-se como padrão de acurácia posicional deï¬nido pelo Decreto-lei nº 89.817, podendo ser complementado pela ET-CQDG (Especiï¬cação Técnica de Controle de Qualidade em Dados Geoespaciais), aplicando o método de feição linear do Buffer Duplo. O resultado obtido para as ortofotos geradas a partir de 5, 10 e 15 pontos de controle distribuídos por toda a região, apresentaram classiï¬cação Classe B, Classe B e a Classe A na escala 1:1.000, respectivamente. Para ortofoto gerada com a utilização de 15 pontos de controle terrestre, com padrão de distribuição agrupado, obteve-se resultado Classe D na escala 1:1.000, apresentando tendência nas coordenadas.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".