Hassas Nokta Konumlama (PPP) Yöntemindeki Hata Kaynaklarının Konum Belirleme Performansı Üzerindeki Etkilerinin İncelenmesi: PPPH Yazılımı Örneği
Bibliographic record
Abstract
Son yıllarda Hassas Nokta Konumlama (Precise Point Positioning, PPP) yöntemiyle gerçek zamanlı (real-time) ve ölçü sonrası(post processing) değerlendirme uygulamaları yaygın hale gelmiştir. PPP yönteminin diğer konum belirleme tekniklerine göre bir ya da daha fazla referans istasyonuna gerek duymadan, tek bir GNSS alıcısıyla dm/cm seviyesinde yüksek konum bilgisi elde edilerek maliyet ve zamandan avantaj sağladığı görülmüştür. Çalışma kapsamında ölçü sonrası-PPP (Post Processing, PP-PPP) tekniği ile konum bilgisi elde etmeye imkân sağlayan PPPH yazılımı kullanılarak PPP hata kaynaklarının nokta konum doğruluklarına etkisinin belirlenmesi amaçlanmıştır. Bu amaçla BALK, SINP, YOZ1, IGR1 ve ONIY TUSAGA-Aktif istasyonlarının on günlük (3.04.2021-12.04.2021) gözlem verileri analiz edilmiştir. Değerlendirmede çoklu-GNSS gözlemleri yerine, tercihen ve herhangi bir sebep olmaksızın sadece-GPS uydu sistemi kullanılmıştır. PPPH yazılımından elde edilen sonuçlar istasyonların CSRS-PPP servisinin referans koordinat değerleriyle karşılaştırılmıştır. Çalışmada karesel ortalama hata değerleri dikkate alınarak troposferik gecikme düzeltmesinde yatayda ortalama 0.8 cm ve düşeyde 10.6 cm konum doğruluğuna ulaşılırken, rölativistik mesafe düzeltmesinde sırasıyla 0.75 cm ve 1.0 cm konum doğruluğu elde edilmiştir. Elde edilen sonuçlar troposferik gecikme düzeltmesi hata kaynağının konum doğruluğunda en fazla etkiye, rölativistik mesafe düzeltmesi hata kaynağının ise konum doğruluğunda en az etkiye sahip olduğunu açıkça ortaya koymaktadır.
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.004 |
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".