Vertailussa Suomen ja Ruotsin kiintopistemittausten suositukset
Bibliographic record
Abstract
Opinnäytetyön tavoitteena oli vertailla kiintopistemittausten suosituksia Suomen ja Ruotsin välillä. Tavoitteena oli selvittää merkittävimmät erot suunnittelun, toteutuksen ja tulosten analysoinnin suhteen. Lisäksi tarkoituksena oli tutustua ruotsalaisiin tapoihin suorittaa kiintopistemittauksia. Opinnäytetyö pohjautuu kahteen vertailuaineistoon, joiden tukena käytettiin muuta aiheeseen liittyvää aineistoa sekä konkreettisia mittausraportteja ja -suunnitelmia. \n \nVertailuaineistona oli Ruotsin maanmittauslaitos Lantmäterietin tuottama ohjekirja Stommätning sekä Suomen JHS184. Työssä käsitellään suositusten välisiä eroja staattisissa GNSS-mittauksissa, takymetrimittauksissa sekä reaaliaikaisessa GNSS-mittauksessa. Vertailua tehtiin mittausmenetelmien lisäksi mittausten lähtökohtien ja pisteiden luokituksen suhteen. Työssä ei käsitellä korkeuden määrittämistä vaaitusmenetelmällä. \n \nTyön tuloksena on vertaileva raportti, jossa nostetaan esiin eroja suosituksissa. Työssä perehdytään erityisesti verkon suunnittelua ja rakennetta koskeviin eroihin. Laskennan ja tulosten analysoinnin suhteen työssä käydään läpi periaatteet ja tavat, miten laskenta ja analysointi tulisi tehdä. Merkittävimmät erot koskevat pisteiden luokittelua, verkon geometriaa ja mittausmenetelmien käyttöä.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.111 | 0.038 |
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".