MétaCan
Menu
Back to cohort
Record W4408848425 · doi:10.47328/ufvbbt.2024.594

Influência da solução da ambiguidade GPS na qualidade posicional do CSRS- PPP

2024· dissertation· pt· W4408848425 on OpenAlexaboutno aff
Rafael Pereira Vicente

Bibliographic record

Venuenot available
Typedissertation
Languagept
FieldEngineering
TopicGNSS positioning and interference
Canadian institutionsnot available
Fundersnot available
KeywordsGlobal Positioning SystemComputer scienceTelecommunications

Abstract

fetched live from OpenAlex

O Posicionamento por Ponto Preciso (PPP) evidencia-se como alternativa ao método de posicionamento relativo. Trata-se de um método que faz uso das órbitas precisas e correções dos relógios de várias fontes, requer, para que se alcance alta acurácia, que a maioria das fontes de erros seja considerada ou modelada. Dessa forma, a principal desvantagem encontra-se no tempo de convergência da solução, definido como o tempo decorrido desde o início da coleta até a época em que a estimativa de posição do receptor atinge um determinado nível de precisão, não mais se desviando dele. Para se realizar o PPP de forma rápida, é necessário que as ambiguidades sejam solucionadas como números inteiros. No posicionamento relativo, a solução das ambiguidades, de modo geral, é realizada com a utilização das (DD) duplas diferenças. No PPP, por se tratar de apenas um receptor, não ocorre a formação da DD, dificultando a solução, como número inteiro, devido à presença dos atrasos não calibrados do código/fase do receptor e do satélite. Nos últimos anos, tem sido dada atenção por diferentes grupos de pesquisa, resultando em algumas metodologias, na tentativa de resolver este problema. Em 2020, o CSRS-PPP (Canadian Spatial Reference System Precise Point Positioning) operado pelo NRCan (Natural Resources Canada), a partir da versão 3.0, implementou o método DCM (Decoupled Clock Model) em seu serviço de posicionamento que soluciona as ambiguidades da constelação GPS (Global Positioning System). No Brasil, o IBGE-PPP realiza o serviço de posicionamento, que permite determinar coordenadas referenciadas ao Sistema Geodésico Brasileiro, sendo tal serviço concebido através de uma parceria com o NRCan. Entretanto, a versão utilizada no IBGE-PPP não permite a solução das ambiguidades. Diante do exposto, esta pesquisa pretendeu avaliar o desempenho da nova versão do CSRS-PPP, comparando-a com IBGE-PPP; analisou a solução das ambiguidades, as discrepâncias posicionas, precisões e RMSE (Root Mean Square Error) de cada componente do SGL (Sistema Geodésico Local) nos distintos intervalos de rastreio (15, 30, 45, 60 e 120 minutos), utilizando-se de dados de seis estações da RBMC (Rede Brasileira de Monitoramento Contínuo dos Sistemas GNSS) em 30 dias no clima úmido e 30 dias no clima seco. Ao utilizar dados, em regiões climáticas distintas, em termos de umidade, buscou avaliar se a modelagem troposférica pode influenciar na solução das ambiguidades. A partir dos resultados obtidos, foi possível perceber que a solução da ambiguidade implementada pelo CSRS-PPP apresentou melhorias expressivas e estatisticamente significativas, segundo teste de Wilcoxon Mann-Whitney, nas componentes e, n e up do sistema geodésico local, em comparação com IBGE-PPP. Também observamos melhor resultados na solução das ambiguidades (porcentagens) em clima seco, comparado ao clima úmido, resultando em componentes do SGL com menores discrepâncias e valores de RMSE no clima seco. Em relação à precisão, embora as obtidas no CSRS-PPP tenham demonstrado valores elevados nos curtos intervalos de rastreio, como em 15 e 30 minutos, a discrepância e RMSE não refletiu este comportamento. Palavras-chave: Posicionamento por Ponto Preciso (PPP); Solução das Ambiguidades; Canadian Spatial Reference System Precise Point Positioning (CSRS- PPP).

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 imitation

Not 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.

metaresearch head score (Codex)0.004
metaresearch head score (Gemma)0.018
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: Simulation or modeling
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.021
Threshold uncertainty score0.041

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0040.018
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0020.002
Science and technology studies0.0010.001
Scholarly communication0.0040.002
Open science0.0010.002
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0060.001

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.

Opus teacher head0.022
GPT teacher head0.289
Teacher spread0.267 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2024
Admission routes1
Has abstractyes

Explore more

Same topicGNSS positioning and interferenceFrench-language works237,207