TUSAGA-Aktif İstasyonlarındaki Meteorolojik Hava Olaylarının Hassas Nokta Konumlamaya Etkisi
Bibliographic record
Abstract
Hassas Nokta Konumlama (PPP), santimetre mertebesinde konum doğruluğu sağlayan bir teknik olarak geliştirilmiş ve günümüzde bilimsel çalışmalarda yaygın olarak kullanılan bir yöntem haline gelmiştir. PPP tekniğinde, tek bir GNSS alıcısından elde edilen ham verilerin hassas uydu yörünge ve saat düzeltmeleri kullanılarak değerlendirilmesi sonucunda cm mertebesinde doğruluk elde edilebilmektedir. Bu çalışmada; Batı, Orta ve Doğu Anadolu’da yer alan ikişer adet TUSAGA-Aktif istasyonundaki meteorolojik hava olaylarının PPP’ye etkisi birden fazla internet tabanlı değerlendirme servisiyle araştırılmış ve sonuçlar istatistiksel olarak karşılaştırılmıştır. Bu kapsamda; Batı Anadolu’da AFYN ve ESKS, Orta Anadolu’da KAYS ve SIVS, Doğu Anadolu’da ise ERZR ve VAN1 istasyonları seçilmiştir. Bu istasyonlara ait farklı meteorolojik etkiler altında veri kayıt aralığı 30 saniye olan 30 gün 24 saatlik RINEX verileri temin edilmiştir. Temin edilen veriler internet tabanlı PPP servislerinden; Canadian Spatial Reference System – PPP (CSRS-PPP), GNSS Analysis and Positioning Software (GAPS) ve MagicGNSS kullanılarak değerlendirilmiştir. İnternet tabanlı servislerden elde edilen koordinatların gerçek koordinat değerlerinden farkları alınarak karşılaştırmalar yapılmıştır. Karşılaştırmalar sonucunda tüm hava koşullarında MagicGNSS’in en iyi sonuçları verdiği, yağmurlu ve karlı hava koşullarının internet tabanlı PPP servislerinin doğruluğunu etkilediği görülmüştür.
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 | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.023 | 0.006 |
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".