Potencialidades de serviços on-line de Posicionamento por Ponto Preciso em aplicações geodésicas: uma análise envolvendo longo período de dados das estações da RBMC
Bibliographic record
Abstract
Um método de posicionamento por GNSS (Global Navigation Satellite System) que vem se popularizando nos últimos anos é o Posicionamento por Ponto Preciso (PPP). Este método de posicionamento se utiliza de dados de apenas um receptor e requer, fundamentalmente, o uso de efemérides e correções dos relógios dos satélites precisos. O PPP nos últimos anos ganhou um impulso significativo em sua popularidade devido, principalmente, ao surgimento de serviços gratuitos de processamento on-line. Entre estes serviços on-line de processamento de PPP, destaca-se o fornecido pelo NRCan (Natural Resource Canada), denominado CSRS-PPP (Canadian Spatial Reference System – Precise Point Positioning). Nesta Tese utilizou-se o serviço canadense CSRS-PPP no processamento de um longo período de dados superior a onze anos coletados em noventa e cinco das estações da RBMC. A análise das velocidades obtidas a partir das respectivas séries temporais referentes às coordenadas diárias estimadas pelo CSRS-PPP bem como a determinação de suas coordenadas – através do PPP – referidas à época 2000.4, mostraram resultados com pequenas discrepâncias quando comparadas com os valores oficiais adotados para as estações analisadas. O problema detectado, refere-se à impossibilidade da adoção de velocidades lineares de translação no sistema cartesiano X, Y e Z, tendo em vista que na grande maioria das estações constatou-se um comportamento sazonal referente à altura elipsoidal, variação esta que afeta as translações em X, Y e Z ao longo do ano. Como solução, propõe-se a adoção das velocidades de deslocamento calculadas para coordenadas planas, particularmente as coordenadas UTM, sendo a altura elipsoidal corrigida através de modelos estabelecidos em função da variação sazonal registrada em cada uma das estações da RBMC.
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 | 0.002 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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.
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".