Hassas Nokta Konumlama (PPP) Tekniğinin Ağaçlık Alanlardaki Konum Belirleme Performansının CSRS-PPP Yazılımı Kullanılarak İncelenmesi
Bibliographic record
Abstract
GNSS teknolojisi, orman kaynaklarının araştırılması ve izlenmesi için güçlü bir araç haline gelmiştir. Ancak, ormanlık/ağaçlık alanlarda orman örtüsü GNSS sinyalleri ve uydu sayısı üzerinde olumsuz etkiye sahiptir. Bu yüzden hassas konum belirlemek mümkün olmayabilmektedir. Uydu jeodezisinde ve analiz tekniklerinde yaşanılan gelişmeler ile sadece bir GNSS alıcısı kullanarak üzeri açık alanlarda santimetre düzeyinde konumlama yapılabilen Hassas Nokta Konumlama (PPP) tekniği yakın zamanda büyük ilgi görmüştür. Bu çalışmada, ağaçlık alanlarda yapılan statik PPP-AR (Ambiguity Resolution) çözümlerinin, farklı gözlem sürelerinin (1, 2, 4 ve 6 saat), farklı örnekleme aralıklarının (30, 60 ve 120 sn) ve farklı uydu verilerinin (sadece GPS ve GPS+GLONASS) doğruluk açısından etkisi incelenmiştir. Bu kapsamda, Amasya Üniversitesi Yeşilırmak Kampüsü’nde iki farklı konumda (açık ve ağaçlık alanda) GNSS ölçümleri yapılmıştır. Ağaçlık alanın kapalılık oranı i-Tree Canopy yazılımı ile yaklaşık %56 olarak belirlenmiştir. Toplanan gözlem verileri statik PPP-AR çözümü yapabilen Canadian Spatial Reference System Precise Point Positioning (CSRS-PPP) online (çevrimiçi) değerlendirme yazılımına gönderilmiştir. Sonuçlar, ağaçlık alanlarda PPP-AR tekniği kullanılarak 2 saat ölçü ile yaklaşık 10 santimetre doğruluğunda konum belirlenebileceğini ortaya koymuştur. Ayrıca, genel olarak GPS+GLONASS sonuçların sadece GPS sonuçlarına göre daha doğru performans gösterdiği ve örnekleme aralığının yüksek seçilmesinin elde edilen sonuçlarda anlamlı olmadığı 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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".