UNIVERSIDADE ESTADUAL PAULISTA
CÂMPUS DE PRESIDENTE PRUDENTE
FACULDADE DE CIÊNCIAS E TECNOLOGIA
Programa de Pós-Graduação em Ciências Cartográficas
Bruno César Vani
Análise da Cintilação Ionosférica no Brasil
empregando GNSS e Técnicas de Mineração e
Visualização de Dados
DISSERTAÇÃO
Presidente Prudente
2014
Bruno César Vani
Análise da Cintilação Ionosférica no Brasil
empregando GNSS e Técnicas de
Mineração e Visualização de Dados
Dissertação apresentada ao Programa de
Pós-Graduação em Ciências Cartográficas
da Universidade Estadual Paulista “Júlio de
Mesquita Filho”, Campus de Presidente Prudente, para obtenção do tı́tulo de Mestre em
Ciências Cartográficas.
Orientador: Prof. Dr. Milton Hirokazu Shimabukuro
Co-orientador: Prof. Dr. João Francisco Galera Monico
Presidente Prudente
2014
FICHA CATALOGRÁFICA
DADOS CURRICULARES
Bruno César Vani
Nascimento: 14/08/1987 em Regente Feijó/SP.
Filiação:
Jorge Henrique Vani e Lucimar Santana Vani
2006-2011:
Curso de Graduação
Bacharelado em Ciência da Computação
Faculdade de Ciências e Tecnologia - UNESP
2012:
Curso de Pós-Graduação
Mestrando no Programa de Pós-Graduação em Ciências Cartográficas
Faculdade de Ciências e Tecnologia - UNESP
Agradecimentos
Agradeço primeiramente a Deus, pela oportunidade.
Ao orientador Prof. Dr. Milton Hirokazu Shimabukuro e ao co-orientador Prof. Dr.
João Francisco Galera Monico, pela confiança e incentivo.
Aos amigos do Programa de Pós-Graduação em Ciências Cartográficas.
A todos os funcionários e colaboradores da FCT/UNESP.
À minha famı́lia, pela paciência e compreensão.
Resumo
Cintilações ionosféricas são rápidas variações na amplitude e/ou fase de um sinal de
rádio ao se propagar por irregularidades na densidade de elétrons na ionosfera. Este
fenômeno prejudica a acurácia dos Sistemas Globais de Navegação por Satélite (Global
Navigation Satellite Systems - GNSS), já que podem acarretar, dentre outros aspectos,
que o receptor perca a sintonia com um ou mais satélites durante o rastreio do sinal. A
ocorrência e a intensidade de cintilações ionosféricas variam de acordo com vários fatores,
tais como a atividade solar, época do ano, região no globo terrestre e horário local. Em
perı́odos de máxima atividade solar, os efeitos da cintilação ionosférica são ainda mais
intensos, principalmente em regiões equatoriais como o Brasil. Estações GNSS de monitoramento contı́nuo da ionosfera foram instaladas no território brasileiro desde fevereiro
de 2011 através de projetos que contam com a cooperação de diversas instituições da Europa e do Brasil, dentre as quais está inserida a Faculdade de Ciências e Tecnologia (FCT)
da Universidade Estadual Paulista Júlio de Mesquita Filho (UNESP). Estas estações contam com receptores capazes de fornecer ı́ndices de cintilação ionosférica e métricas sobre
os sinais recebidos, os quais são denominados Ionospheric Scintillation Monitor Receivers (ISMR). Com a infraestrutura de monitoramento disponı́vel, mais de dez milhões de
observações de monitoramento são obtidas diariamente. Extrair informações relevantes
em meio a esta grande quantidade de dados pode-se tornar um processo árduo. Neste
contexto, nesta pesquisa foi investigado o uso de técnicas de mineração e visualização
de dados visando estender as possibilidades de análise do comportamento da cintilação
ionosférica no Brasil, além de seus efeitos no posicionamento GNSS. Uma ferramenta para
exploração e análise dos dados – denominada ISMR Query Tool – foi desenvolvida utilizando estas técnicas. Tal ferramenta foi disponibilizada à comunidade cientı́fica através
da Internet, constituindo uma infraestrutura de análise que complementa a infraestrutura
de monitoramento. Nesta dissertação, são apresentadas as caracterı́sticas e potencialidades das técnicas implementadas, bem como experimentos e análises dos resultados pela
aplicação das mesmas, os quais contribuı́ram na análise do comportamento e na avaliação
dos impactos da cintilação ionosférica no Brasil. São avaliados aspectos como as variações espaciais, temporais e caracterı́sticas peculiares das cintilações, bem como os efeitos
causados no posicionamento GNSS.
Palavras-chave: Cintilação Ionosférica. Posicionamento GNSS. Mineração e Visualização de Dados.
Abstract
Ionospheric scintillations are rapid variations on amplitude and/or phase of a radio
signal as it passes through irregularities on electron density on the ionosphere. This
phenomenum decrease the accuracy of Global Navigation Satellite Systems (GNSS) once
can lead to, among other aspects, that receiver lose the lock of one or more satellites
during signal tracking. The occurence and intensity of ionospheric scintillations change
according to several factors like solar activity, epoch in the year, geographic location and
local time. During high solar activity the effects are more intense mainly at equatorial
regions like Brazil. GNSS monitoring stations were deployed on Brazilian territory since
February 2011 through projects of cooperation of several institutions of Europe and Brazil, among is inserted the Faculdade de Ciências e Tecnologia (FCT) da Universidade
Estadual Paulista Júlio de Mesquita Filho (UNESP). Receivers installed at these stations provide scintillation indexes and signal metrics for each satellite tracked, so called
Ionospheric Scintillation Monitor Receivers (ISMR). With the monitoring infrastructure,
more than ten million monitoring observations are obtained daily. Extract relevant information in this big amount of data can be a hard process. In this context, this research
investigated the usage of data mining and data visualization techniques in order to extend
the possibilities of analyzing the scintillations in Brazil and its effects on GNSS positioning. A software for data exploration and analysis – named ISMR Query Tool – was
developed by using these techniques. This software was available to scientific community
through Internet, constituting an analysis infrastructure that complements the monitoring infrastructure. On this master thesis, the main features and potential applications of
the implemented techniques, as well as experiments and analysis by its applications are
presented, which contribute on the analysis and evaluation of the impact of scintillations
in Brazil. General aspects are evaluated, like variation on time and space and peculiar
features of scintillations, as well as effects on GNSS positioning.
Keywords: Ionospheric Scintillation. GNSS Positioning. Data Mining and Visualization.
Lista de Figuras
1
Configuração básica dos Satélites GPS. Fonte: Seeber (2003, p. 211). . . p. 23
2
Princı́pio básico do posicionamento com GPS. Fonte: Seeber (2003, p 211). p. 24
3
Fotoionização. Fonte: Dal Poz (2010). . . . . . . . . . . . . . . . . . . . . p. 32
4
Divisão da Ionosfera em Camadas. Fonte: Dal Poz (2010). . . . . . . . . p. 33
5
Manchas solares nos últimos 400 anos. Adaptado de Rohde (2012). . . . p. 36
6
Sunspot Number e Fluxo Solar. Fonte: National Oceanic and Atmospheric Administration (NOAA) - Space Weather Prediction Center (2014). . p. 37
7
Sunspot Number observado e predito. Fonte: National Aeronautics and
Space Administration (NASA) (2014). . . . . . . . . . . . . . . . . . . . p. 38
8
Variação dos pólos magnético e geomagnético no hemisfério Norte. Adaptada de World Data Center for Geomagnetism, Kyoto (2014). . . . . . . p. 40
9
Equador geomagnético para o ano de referência de 2010. Adaptada de
World Data Center for Geomagnetism, Kyoto (2014). . . . . . . . . . . . p. 40
10
Esquematização da cintilação nos sinais GNSS. Adaptado de Walter et
al. (2010). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 43
11
Frequência de ocorrência de cintilação de acordo com a localização geográfica. Adaptada de Kintner Jr., Humphreys e Hinks (2009). . . . . . . p. 44
12
Oval auroral sobre a América do Norte. Fonte: Skone e Hoyle (2005). . . p. 45
13
Distribuição global do ı́ndice S4 em 15 de Setembro de 2000 às 21h local.
Fonte: Conker et al. (2003). . . . . . . . . . . . . . . . . . . . . . . . . . p. 48
14
Estações da Rede CANGIM. Fonte: Skone et al. (2005). . . . . . . . . . . p. 52
15
Exemplo de mapa disponibilizado pelo Projeto SCINTEC. Fonte: Instituto Nacional de Pesquisas Espaciais (INPE) (2009). . . . . . . . . . . . p. 53
16
Estações da Rede CIGALA/CALIBRA. Fonte: Universidade Estadual
Paulista - Campus Presidente Prudente (2013). . . . . . . . . . . . . . . p. 54
17
Fluxo diário atual das estações da Rede CIGALA/CALIBRA. . . . . . . p. 56
18
Exemplo do WBMod. Fonte: NorthWest Research Associates, Inc. (NWRA)
(2011). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 57
19
Exemplos do GISM. Fonte: IEEA - Theoretical Studies in Electromagnetism (2010). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 59
20
Estação de monitoramento utilizada para a inferência dos parâmetros de
atividade da ionosfera. Fonte: Mendonça, Monico e Motoki (2012). . . . p. 63
21
Índice S4, erro nas componentes Leste (E), Norte (N) e Vertical (H) em
RTK. Fonte: Mendonça, Monico e Motoki (2012). . . . . . . . . . . . . . p. 64
22
Cintilação observada e erros obtidos em PPP. Fonte: Silva, Monico e
Marques (2012). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 65
23
Comparação entre um disquete e um cartão Micro SD. . . . . . . . . . . p. 66
24
Quatro conjuntos de dados com caracterı́sticas divergentes, mas com propriedades estatı́sticas idênticas. Adaptado de Croarkin e Tobias (2012). . p. 67
25
Processo de Visualização. Adaptado de Ware (2012, p. 4). . . . . . . . . p. 70
26
Escopo da Analı́tica Visual. Adaptado de Keim et al. (2008b, p. 4). . . . p. 72
27
Ciclo do Processo Analı́tico-Visual. Traduzido de Keim et al. (2008a,
p. 165). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 72
28
Escopo da Mineração de Dados. Traduzido de Han e Kamber (2006, p. 29). p. 73
29
Processo KDD incluindo a Mineração de Dados. Adaptado de Han e
Kamber (2006, p. 6). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 74
30
Arquitetura geral de um Sistema de Mineração de Dados. Adaptado de
Han e Kamber (2006, p. 8). . . . . . . . . . . . . . . . . . . . . . . . . . p. 75
31
Representação temporal através de gráficos de dispersão. Fonte: Reimann et al. (2008). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 78
32
Tentativa de representação de diversas séries na tela. Adaptada de Few
(2008) e Ward, Grinstein e Keim (2010). . . . . . . . . . . . . . . . . . . p. 79
33
Formação dos horizon charts. Adaptada de Few (2008). . . . . . . . . . . p. 80
34
Formação dos horizon charts. Adaptada de Bostock (2012). . . . . . . . . p. 80
35
Representação de várias séries temporais com horizon charts. Fonte:
Bostock (2012). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 81
36
Representação espaço-temporal com mapas e pixel-based. Fonte: Shimabukuro et al. (2004). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 82
37
Calendar view representando a quantidade de funcionários dentro de uma
empresa. Fonte: Wijk e Selow (1999). . . . . . . . . . . . . . . . . . . . . p. 82
38
Redução de dimensionalidade com a técnica PAA. Adaptada de Lin et
al. (2003). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 83
39
Conversão de uma série temporal em uma representação simbólica com
SAX. Fonte: Lin et al. (2004). . . . . . . . . . . . . . . . . . . . . . . . . p. 84
40
Aplicação de janelas deslizantes. Fonte: Lin et al. (2003). . . . . . . . . . p. 84
41
Visualização da representação SAX utilizando árvore. Fonte: Lin et al.
(2004). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 85
42
Fluxo lógico dos dados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 88
43
Exemplo de interface baseada em filtros da ISMR Query Tool. . . . . . . p. 89
44
Ciclo analı́tico-visual com visualização de séries temporais. . . . . . . . . p. 91
45
Comparações de ı́ndices observados por diferentes estações. . . . . . . . . p. 92
46
Identificação dos horários mais afetados pela cintilação em Março/2013. . p. 93
47
Visualização do ı́ndice S4 baseada em grids. . . . . . . . . . . . . . . . . p. 94
48
Visualização da média do ı́ndice S4 para cada dia e hora do dia (UTC)
em um perı́odo de dois meses para uma única estação.
. . . . . . . . . . p. 95
49
Representação com pierce-points. . . . . . . . . . . . . . . . . . . . . . . p. 95
50
Visualização de seis atributos para dois satélites através dos horizon-charts. p. 96
51
Exemplo de visão de calendário. . . . . . . . . . . . . . . . . . . . . . . . p. 96
52
Visualização dos resultados da técnica SAX. . . . . . . . . . . . . . . . . p. 98
53
Interação com os resultados da técnica SAX. . . . . . . . . . . . . . . . . p. 99
54
Índice S4 e resultante do erro posicional para um dia sem picos de cintilação.p. 102
55
Índice S4 e resultante do erro posicional para um dia com picos de cintilação.p. 103
56
Média diária do ı́ndice S4 - todas as estações. . . . . . . . . . . . . . . . p. 105
57
Desvio-padrão do ı́ndice S4 nos pierce points (máscara de elevação de
20o ; grid com resolução de 1o ; dados GPS do mês de Outubro de 2012). . p. 106
58
Desvio-padrão do ı́ndice S4 nos pierce points (máscara de elevação de
20o ; grid com resolução de 1o ; dados GPS do mês de Dezembro de 2013). p. 106
59
Horários mais afetados no mês de Outubro de 2012. . . . . . . . . . . . . p. 107
60
Estação PRU2 - variação dos horários mais afetados pela cintilação na
última quinzena do mês de Outubro de 2012. . . . . . . . . . . . . . . . . p. 108
61
Média diária do ı́ndice S4 - estação PALM. . . . . . . . . . . . . . . . . . p. 109
62
Média diária do ı́ndice S4 - estação PRU2. . . . . . . . . . . . . . . . . . p. 109
63
Média diária do ı́ndice S4 - estação POAL. . . . . . . . . . . . . . . . . . p. 110
64
Porcentagem mensal de cintilações moderadas a fortes (S4 > 0.3) - Estações PALM e PRU2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 111
65
Comportamento dos picos de ı́ndice S4 para a estação PRU1. . . . . . . . p. 113
66
Porcentagem de cintilações moderadas e fortes. Comparação entre GPS,
GLONASS e Galileo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 115
67
Porcentagem média de cintilação moderada e alta para cada satélite GPS
na frequência de transmissão L1, estação PRU1, ano de 2013.
. . . . . . p. 116
68
Horários de rastreio do satélite GPS PRN 17 em diferentes épocas. . . . . p. 118
69
Porcentagem média de cintilação moderada e alta para cada satélite
GLONASS na frequência de transmissão L1. . . . . . . . . . . . . . . . . p. 119
70
Comparação entre os ı́ndices S4 total e S4 corrigido na estação PRU2,
ano de 2013. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 120
71
Porcentagem de cintilações moderadas e fortes considerando apenas satélites GPS do bloco II-F na estação PRU1, ano de 2013. . . . . . . . . . p. 120
72
Identificação de multicaminho na estação MAN2. . . . . . . . . . . . . . p. 121
73
Comparativo entre as estações MAN2 e PRU2. . . . . . . . . . . . . . . . p. 122
74
Estação MAN2 após a filtragem no parâmetro sigma ccd. . . . . . . . . . p. 123
75
Trajetória da solução posicional. . . . . . . . . . . . . . . . . . . . . . . . p. 125
76
Índice S4 obtido na semana. . . . . . . . . . . . . . . . . . . . . . . . . . p. 125
77
Erros posicionais no processamento original e no processamento modificado.p. 126
78
Representação de cı́rculos com raios proporcionais ao desvio-padrão resultante – Modo PPS, dia 14/11/2013 12:00 UTC. . . . . . . . . . . . . . p. 128
79
Análise comparativa entre a degradação no PPS e o ı́ndice S4. . . . . . . p. 128
Lista de Abreviaturas
CALIBRA
Countering GNSS high Accuracy applications Limitations due to Ionospheric disturbances in BRAzil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
CANGIM
Canadian GPS Network for Ionospheric Monitoring . . . . . . . . . . . . . . . . . . . 51
CGM
Corrected GeoMagnetic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
CIGALA
Concept for Ionospheric Scintillation Mitigation for Professional GNSS in
Latin America . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
DGPS
Differential GPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
DGRF/IGRF Definite/International Geomagnetic Reference Field . . . . . . . . . . . . . . . . . . . 39
EDA
Exploratory Data Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
ESA
European Space Agency . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
EUV
Extreme Ultraviolet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
FCT
Faculdade de Ciências e Tecnologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
GBAS
Ground Based Augmentation System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
GEGE
Grupo de Estudos em Geodésia Espacial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
GISM
Global Ionospheric Scintillation Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
GLONASS
GLObal’naya NAvigatsionnaya Sputnikkovaya Sistema . . . . . . . . . . . . . . . . 22
GNSS
Global Navigation Satellite Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
GPS
Global Positioning System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
IGS
International GNSS Service . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
ISMR
Ionospheric Scintillation Monitor Receiver . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
KDD
Knowledge Discovery from Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
NASA
National Aeronautics and Space Administration . . . . . . . . . . . . . . . . . . . . . . . 38
NOAA
National Oceanic and Atmospheric Administration . . . . . . . . . . . . . . . . . . . . 34
NWRA
Northwest Research Associates, Inc. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
PAA
Piecewise Aggregation Approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
PPP
Posicionamento por Ponto Preciso. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .19
PPS
Posicionamento por Ponto Simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
RAIM
Receiver Autonomous Integrity Monitoring . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
RBMC
Rede Brasileira de Monitoramento Contı́nuo dos Sistemas GNSS . . . . . 124
RTK
Real Time Kinematic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
SAX
Symbolic Aggregation Approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
SBAS
Space-Based Augmentation System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
SGBD
Sistema Gerenciador de Banco de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
SNR
Signal to Noise Ratio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
SSN
Sunspot Number . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
TEC
Total Electron Content . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .41
TECU
TEC-Unit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
UNESP
Universidade Estadual Paulista Júlio de Mesquita Filho . . . . . . . . . . . . . . . 20
Sumário
1 Introdução
p. 18
1.1
Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 19
1.2
Justificativa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 20
1.3
Organização do Documento . . . . . . . . . . . . . . . . . . . . . . . . . p. 20
2 Sistemas Globais de Navegação por Satélite (GNSS)
2.1
p. 22
Introdução . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 22
2.1.1
Global Positioning System (GPS) . . . . . . . . . . . . . . . . . . p. 23
2.2
Observáveis GNSS e Efeitos Sistemáticos . . . . . . . . . . . . . . . . . . p. 26
2.3
Métodos de Posicionamento GNSS . . . . . . . . . . . . . . . . . . . . . p. 29
3 Ionosfera e Cintilação Ionosférica
3.1
3.2
p. 31
Ionosfera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 31
3.1.1
Divisão em Camadas . . . . . . . . . . . . . . . . . . . . . . . . . p. 32
3.1.2
Influência da Atividade Solar na Ionosfera . . . . . . . . . . . . . p. 33
3.1.2.1
Ciclo Solar . . . . . . . . . . . . . . . . . . . . . . . . . p. 35
3.1.2.2
Interação Solar-Terrestre . . . . . . . . . . . . . . . . . . p. 38
Latitude Geomagnética . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 39
3.3
Atraso ionosférico e Conteúdo Total de Elétrons . . . . . . . . . . . . . . p. 41
3.4
Cintilação Ionosférica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 42
3.5
Estimativas de cintilação . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 45
3.6
3.5.1
Cintilações de Amplitude e Índice S4 . . . . . . . . . . . . . . . . p. 46
3.5.2
Cintilações de Fase e ı́ndice Sigma-fi . . . . . . . . . . . . . . . . p. 49
Redes GNSS de Monitoramento Contı́nuo da Ionosfera . . . . . . . . . . p. 51
3.6.1
Canadian GPS Network for Ionospheric Monitoring
(CANGIM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 51
3.7
3.6.2
Projeto SCINTEC . . . . . . . . . . . . . . . . . . . . . . . . . . p. 52
3.6.3
Rede CIGALA/CALIBRA . . . . . . . . . . . . . . . . . . . . . . p. 53
Modelos de Cintilação Ionosférica . . . . . . . . . . . . . . . . . . . . . . p. 56
3.7.1
WideBand MODel (WBMOD) . . . . . . . . . . . . . . . . . . . . p. 56
3.7.2
Global Ionospheric Scintillation Model (GISM) . . . . . . . . . . . p. 58
4 Influência da Cintilação Ionosférica no Posicionamento GNSS
4.0.3
Influência no Posicionamento Relativo . . . . . . . . . . . . . . . p. 62
4.0.4
Influência no Posicionamento por Ponto Preciso (PPP) . . . . . . p. 63
5 Visualização e Mineração de Dados
5.1
O conceito de Visual Analytics
. . . . . . . . . . . . . . . . . . . p. 71
Mineração de Dados (Data Mining) . . . . . . . . . . . . . . . . . . . . . p. 73
5.2.1
5.3
p. 66
Visualização de Dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 68
5.1.1
5.2
p. 60
Funcionalidades da Mineração de Dados . . . . . . . . . . . . . . p. 75
Técnicas de Mineração e Visualização de Dados . . . . . . . . . . . . . . p. 77
6 Concepção e desenvolvimento de uma ferramenta para mineração e
visualização de dados: ISMR Query Tool
6.1
p. 86
Da Infraestrutura de Monitoramento para a Infraestrutura de Análise . . p. 87
6.1.1
Recursos Implementados: Visualização e
Mineração . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 88
6.1.1.1
Sı́ntese dos Recursos de Mineração e Visualização Implementados . . . . . . . . . . . . . . . . . . . . . . . . . p. 99
6.2
Inclusão do erro posicional como atributo na base de dados . . . . . . . . p. 100
7 Experimentos e Análises dos Resultados
p. 104
7.1
Variações temporais e espaciais . . . . . . . . . . . . . . . . . . . . . . . p. 104
7.2
Comparações envolvendo Constelações, Satélites, Índices e Frequências . p. 114
7.2.1
Comparação entre GPS, GLONASS e Galileo . . . . . . . . . . . p. 114
7.2.2
Comparação entre os Índices S4 Total e S4 Corrigido . . . . . . . p. 119
7.2.3
Comparação entre Frequências (L1, L2 e L5) . . . . . . . . . . . . p. 120
7.3
Avaliação em relação ao Multicaminho . . . . . . . . . . . . . . . . . . . p. 121
7.4
Experimento para mitigação dos efeitos da cintilação ionosférica no PPP p. 123
7.5
Experimento no PPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . p. 127
8 Conclusão
p. 129
Referências
p. 133
18
1
Introdução
Os Sistemas Globais de Navegação por Satélite (Global Navigation Satellite Systems –
GNSS) são constituı́dos por constelações de satélites que permitem, através da transmissão
de sinais, determinar as coordenadas da antena de um receptor.
Atualmente, pode-se destacar quatro constelações GNSS: a norte-americana GPS, a
russa GLONASS, a europeia GALILEO e a chinesa Beidou/Compass, sendo que as duas
últimas ainda estão em fase de implantação. Compõem também o GNSS os sistemas de
complemento, como os baseados em satélites geoestacionários e em estações terrestres.
Estes sistemas se tornaram indispensáveis para aplicações em diversas áreas. Como
exemplo, pode-se citar a agricultura de precisão, na qual a tecnologia de posicionamento
por satélite proporciona melhor qualidade e produção dos campos de plantio. Podese, também, citar a navegação, que ganha cada vez mais adeptos através de sistemas
GNSS embutidos em receptores portáteis, celulares, veı́culos, dentre outros. Destacam-se
ainda o emprego do GNSS na Meteorologia (SAPUCCI; MACHADO; MONICO, 2009),
Aeronomia (MUELLA et al., 2011), dentre outras áreas.
A qualidade do posicionamento GNSS se degrada quando ocorre a cintilação ionosférica, um fenômeno muito comum nas regiões equatoriais (aproximadamente 15o ao norte
e ao sul do equador geomagnético (KLOBUCHAR, 1987)) e de baixas latitudes, portanto,
também no Brasil.
Esta pesquisa visou estender as possibilidades de análise do comportamento da cintilação ionosférica e seus efeitos no posicionamento GNSS. Foram utilizados dados providos
por estações GNSS de monitoramento contı́nuo da cintilação ionosférica, as quais estão
distribuı́das pelo território brasileiro e disponibilizam observações de monitoramento a
cada minuto. Estas estações fazem parte da Rede CIGALA/CALIBRA, cujos primeiros
19
receptores foram constituı́dos em fevereiro de 2011.
Considerando a configuração da rede, tem-se mais de 10 milhões de observações a cada
dia: são mais de 60 parâmetros, que incluem ı́ndices de cintilação ionosférica, parâmetros
referentes à ionosfera e métricas sobre o sinal rastreado – os quais são obtidos para cada
satélite a cada minuto.
Cabe destacar que para o desenvolvimento de técnicas de mitigação de cintilação ionosférica no posicionamento GNSS, deve-se buscar perı́odos onde ela ocorreu, o que era
difı́cil devido a grande quantidade de dados. Para a extração de informações relevantes em meio a este grande volume de dados, pode-se recorrer a técnicas de Mineração
e Visualização de dados oriundas da área de Ciência da Computação, explorando-se um
ciclo analı́tico visual. A investigação e uso destas técnicas foram objetos de estudo desta
pesquisa. Os resultados obtidos permitem a realização de diversas análises sobre o comportamento das cintilações ionosféricas, podendo inclusive subsidiar o desenvolvimento de
técnicas de mitigação dos efeitos deste fenômeno no posicionamento GNSS. Estas técnicas
foram viabilizadas através da ferramenta “ISMR Query Tool”, a qual foi desenvolvida e
disponibilizada à comunidade cientı́fica ao longo desta pesquisa.
1.1
Objetivos
Este projeto tem por objetivo geral investigar e avaliar o uso de técnicas de visualização de dados – explorando-se o conceito emergente de Visual Analytics (KEIM et al.,
2008b) – bem como técnicas de mineração de dados para suporte à análise da cintilação
ionosférica no Brasil. Desta forma, explora-se a percepção visual humana e a capacidade
de descoberta de conhecimento das técnicas de mineração de dados, visando dar suporte
ao posicionamento GNSS.
Como objetivos especı́ficos, tem-se
• Aplicação de técnicas de Mineração e Visualização de Dados – como exemplo a abordagem proposta pela técnica SAX (LIN et al., 2003) – para análise das informações
coletadas pelas estações de monitoramento de cintilação ionosférica;
• Aplicação de métodos e softwares de posicionamento GNSS – sobretudo posicionamento por ponto simples (PPS) e posicionamento por ponto preciso (PPP) – a fim
de extrair informações relevantes que identifiquem o quanto o posicionamento está
sendo degradado pela cintilação ionosférica.
20
1.2
Justificativa
Os efeitos causados pela cintilação ionosférica podem interferir negativamente no
GNSS, acarretando em perda de acurácia no posicionamento. Como o uso deste tipo
de sistema tem aumentado continuamente, inclusive se tornando essencial para algumas
atividades, como agricultura de precisão e navegação, contribuir para a eficácia do GNSS
é uma maneira de colaborar indiretamente com todas estas áreas.
Avanços em tecnologias de hardware permitiram que o armazenamento de grandes
quantidades de dados deixasse de ser preocupação para muitas áreas. No entanto, a
possibilidade de se manter enormes quantidades de informações em repositórios de dados acarreta em necessidades adicionais para analisá-los. Neste contexto, o conceito de
Analı́tica Visual figura como um importante aliado nos processos de tomada de decisão,
uma vez que compreende uma relação entre as capacidades de análise do ser humano e a
organização de uma base de dados com grande volume de informações, propiciando um
aumento no conhecimento sobre estes e almejando-se chegar a novas hipóteses e conclusões; tem-se ainda na Mineração de Dados a caracterı́stica de extração de conhecimento
em grandes volumes de dados.
O desenvolvimento da ISMR Query Tool consiste em uma importante contribuição
para os pesquisadores do Grupo de Estudos em Geodésia Espacial (GEGE) da Faculdade
de Ciências e Tecnologia (FCT) da Universidade Estadual Paulista Julio de Mesquita
Filho (UNESP), bem como para usuários provenientes de outras instituições nacionais e
internacionais, uma vez que a ferramenta permite a exploração visual dos dados e agrega
facilidade de acesso e uso através de sua interface acessı́vel via web. Diversas pesquisas
vem sendo realizadas à partir da base de dados disponı́vel em diversos segmentos, como
iniciação cientı́fica, mestrado e doutorado.
Destaca-se que o estudo e o desenvolvimento de técnicas de Mineração e Visualização
de Dados permitem que as mesmas sejam aplicadas em diferentes contextos. Desta forma,
os resultados obtidos também podem ser aplicados em outras áreas.
1.3
Organização do Documento
Além dos aspectos introdutórios, este documento está organizado em mais sete Capı́tulos.
Os Capı́tulos 2 a 5 trazem a fundamentação teórica: o Capı́tulo 2 introduz o GNSS,
21
destacando os princı́pios de funcionamento; no Capı́tulo 3, são destacadas as caracterı́sticas da ionosfera e da cintilação ionosférica; o Capı́tulo 4 apresenta os efeitos da cintilação
ionosférica no posicionamento GNSS; e o Capı́tulo 5 discorre sobre a Visualização e a
Mineração de Dados.
No Capı́tulo 6, a abordagem proposta neste Projeto é apresentada: a concepção e o
desenvolvimento de uma ferramenta para mineração e visualização de dados de monitoramento de cintilação – a ISMR Query Tool.
O Capı́tulo 7 apresenta experimentos e análises dos resultados obtidos pela aplicação
das técnicas de mineração e visualização aplicadas.
Por fim, no Capı́tulo 8 são apresentadas conclusões, novas perspectivas obtidas através
do Projeto, comentários gerais e considerações finais.
22
2
Sistemas Globais de Navegação por Satélite (GNSS)
2.1
Introdução
Os Sistemas Globais de Navegação por Satélite são constituı́dos por constelações de
satélites que permitem, através da transmissão de sinais a um receptor, determinar as suas
coordenadas. Estes sinais são transmitidos em frequências especı́ficas, e as caracterı́sticas
peculiares que permitem a identificação dos mesmos pelos receptores caracterizam as
observáveis GNSS.
Atualmente, destacam-se quatro sistemas globais (GREWAL; WEILL; ANDREWS,
2007; MONICO, 2008; MARQUES, 2012):
• Global Positioning System (GPS): sistema de radionavegação desenvolvido pelo Departamento de Defesa dos Estados Unidos. Desenvolvido inicialmente para fins
militares, o sistema se tornou muito popular e útil a diversos segmentos, como agricultura de precisão e navegação. Foi declarado operacional em 1985;
• GLObal’naya NAvigatsionnaya Sputnikkovaya Sistema (GLONASS): sistema concebido na década de 1970 pela antiga União Soviética; atualmente é operado pela
Rússia. Analogamente ao GPS, foi criado para fins militares, mas atualmente também está disponı́vel para uso civil. Foi declarado operacional em 1995;
• Galileo: sistema em desenvolvimento pela European Space Agency (ESA), teve o
primeiro satélite lançado em 2005. Mais satélites serão lançados após a etapa de
validação do sistema;
• Beidou/Compass: sistema em desenvolvimento pela China; o primeiro lançamento
de satélite ocorreu no ano 2000. Estão previsos mais de 30 satélites em órbita
23
transmitindo em três frequências, sendo que alguns deles permanecerão em órbitas
geoestacionárias.
Também compõem o GNSS alguns complementos ao sistema. Os sistemas de complemento baseados em satélites são denominados Space-Based Augmentation System (SBAS),
os quais podem ser utilizados, por exemplo, para a obtenção de correções diferenciais e
para avaliação de integridade. Outro tipo de sistema de complemento são os Ground Based Augmentation System (GBAS), os quais são similares aos SBAS mas transmitem as
informações a partir de estações terrestres (GREWAL; WEILL; ANDREWS, 2007).
Na Subseção a seguir, mais detalhes são apresentados para o GPS, tecnologia mais
difundida e utilizada atualmente. De uma forma geral, caracterı́sticas similares estão
presentes nos outros sistemas.
2.1.1
Global Positioning System (GPS)
O GPS está sob desenvolvimento nos Estados Unidos desde 1973, sendo inicialmente
caracterizado como um sistema militar. A disposição básica dos satélites GPS, que conta
com 24 satélites, foi planejada de modo que pelo menos quatro satélites estejam simultaneamente visı́veis acima do horizonte em qualquer lugar da Terra, 24 horas por dia. A
Figura 1 apresenta esta disposição, composta por seis planos orbitais que distam aproximadamente 20.200 km da superfı́cie terrestre. O perı́odo orbital é de 12h siderais, o que
faz com que a mesma configuração de geometria dos satélites seja repetida no dia seguinte
cerca de quatro minutos mais cedo em relação ao tempo universal (SEEBER, 2003).
Figura 1: Configuração básica dos Satélites GPS. Fonte: Seeber (2003, p. 211).
Do ponto de vista geométrico, medidas de distância a partir de três satélites com
24
coordenadas conhecidas seriam suficientes para obtenção das coordenadas do usuário.
No entanto, um quarto satélite é necessário: o GPS utiliza a comunicação de uma via,
onde os sinais são transmitidos apenas pelos satélites. Para a obtenção das distâncias
satélite-receptor, o tempo de percurso do sinal é escalado em uma distância à partir de
sua velocidade. No entanto, os osciladores dos satélites não são sincronizados com os osciladores dos receptores, causando um erro sistemático de sincronização. A presença deste
erro justifica o uso do termo pseudodistância, ao invés de somente distância (SEEBER,
2003; MONICO, 2008). Mais detalhes sobre a pseudodistância são apresentados na Seção
2.2. Logo, o princı́pio básico de navegação com GPS é baseado em pseudodistâncias entre
o usuário e quatro satélites, conforme pode ser visto na Figura 2. À partir de coordenadas
e relógios conhecidas dos satélites, pode-se obter as coordenadas da antena do receptor
do usuário e o referido erro de sincronização – o qual é comumente denominado erro do
relógio do receptor.
Figura 2: Princı́pio básico do posicionamento com GPS. Fonte: Seeber (2003, p 211).
Para obtenção das coordenadas e relógios dos satélites, pode-se recorrer às efemérides
transmitidas pelos satélites ou pelas efemérides precisas produzidas por algum centro,
como o International GNSS Service (IGS) . As efemérides transmitidas são enviadas
aos usuários através de mensagens de navegação. Elas são constituı́das por elementos
Keplerianos com os quais se torna possı́vel a determinação das coordenadas dos satélites,
que neste caso, estarão associadas a um sistema de referência (como o WGS84 para o caso
do GPS). Também são transmitidos parâmetros perturbadores e parâmetros de tempo, os
quais permitem a aplicação de correções relacionadas ao sistema de tempo e aos relógios
dos satélites (MONICO, 2008; MARQUES, 2012). Estas efemérides são derivadas à partir
de observações feitas por estações de controle, as quais são normalmente distribuı́das pelo
25
globo terrestre (SEEBER, 2003).
Já as efemérides precisas são obtidas através do pós-processamento de dados, onde
mais parâmetros são levados em consideração, como o campo gravitacional da Terra.
Os centros de análise, como o IGS, combinam soluções baseadas em inúmeras estações
terrestres. As efemérides precisas são uma alternativa a usuários que esperam maior
precisão, já que chegam a possuir acurácia centimétrica (SEEBER, 2003; MONICO, 2008).
Atualmente, tem-se também disponı́veis efemérides preditas, com as quais se pode obter
posicionamento em tempo real. Destaca-se que tais efemérides também trazem correções
para o erro dos relógios dos satélites.
Atualmente, 31 satélites estão operacionais na constelação GPS. Com mais satélites disponı́veis em relação a disposição básica – composta por 24 satélites – a maioria
dos usuários dispõe de mais satélites visı́veis em relação ao mı́nimo necessário de quatro
satélites (SEEBER, 2003).
Os satélites GPS transmitem originalmente seus sinais simultaneamente nas frequências L1 (1575,42 MHz) e L2 (1227,60 MHz). Com a modernização dos satélites, tem-se
também a portadora denominada L5 (1176,45 MHz). As frequências L1, L2 e L5 são obtidas ao multiplicar-se respectivamente a frequência fundamental (f0 = 10.23 MHz) por
154, 120 e 115. Algumas gerações de satélites tem sido lançadas ao longo dos anos, as
quais incluem as novas frequências e/ou modernizações na estrutura do sinal (SEEBER,
2003; MONICO, 2008; MARQUES, 2012):
• Bloco I: primeiros satélites, os quais foram utilizados no desenvolvimento do sistema;
• Bloco II: primeiros satélites operacionais. O primeiro lançamento ocorreu em 1989;
atualmente não se tem mais satélites em uso;
• Bloco IIA: os lançamentos ocorreram entre 1990 e 1997; atualmente ainda há satélites em operação;
• Bloco IIR/IIR-M: substituição aos satélites dos Blocos II e IIA; duas versões de
satélites – clássico (IIR) e modernizado (IIR-M). Destaca-se os novos sinais disponı́veis no Bloco IIR-M: o código L2C na frequência L2 e o novo código militar M
nas frequências L1 e L2;
• Bloco IIF: primeiro lançamento em maio de 2010, tendo como caracterı́stica principal
a transmissão de sinais na frequência L5;
26
• Bloco III (futuro): previsão de lançamento em 2014, contendo novos sinais e autonomia de monitoramento de integridade dos sinais.
2.2
Observáveis GNSS e Efeitos Sistemáticos
Para fins de posicionamento GNSS, além da observável de pseudodistância, tem-se
também a observável de fase da onda portadora. Destaca-se que outras observáveis também podem ser obtidas, como a variação Doppler e a Razão Sinal Ruı́do (Signal to Noise
Ratio – SNR) (MONICO, 2008).
A pseudodistância é obtida pela multiplicação do tempo de propagação do sinal – o
qual é obtido através da correlação de um código – pela velocidade da luz. Cada satélite
GPS transmite continuamente um código, denominado pseudorandom noise (PRN – ruı́do
pseudoaleatório), que nada mais é que uma sequência binária padrão. Os PRN’s são
designados de maneira a garantir uma baixa correlação entre eles. Desta forma, o receptor
– que conhece as sequências binárias de cada PRN – consegue identificar univocamente
cada satélite emissor dos sinais (SEEBER, 2003; MONICO, 2008; MARQUES, 2012).
A medida de pseudodistância não consiste, de fato, na distância geométrica entre
satélite e receptor. Isto se deve ao fato de que os sinais transmitidos pelos satélites, além
do erro causado pelo não sincronismo do oscilador do receptor com os osciladores dos
satélites, estão sujeitos a inúmeros efeitos em sua trajetória de propagação do satélite
até a antena do receptor, tais como (GREWAL; WEILL; ANDREWS, 2007; MONICO,
2008):
• Erro do relógio dos satélites: os osciladores de cada satélite, embora altamente
precisos, contém discrepâncias em relação ao tempo GPS. Coeficientes de correção
são transmitidos por cada satélite através das efemérides; desta forma, pode-se
corrigir o erro de cada satélite e associá-los a um tempo comum a todos – o tempo
GPS. Após a correção, o resı́duo é de aproximadamente 1 ns, o que acarreta em um
erro de cerca de 1 m nas medidas;
• Refração ionosférica: refração do sinal ao atravessar a camada da ionosfera (aproximadamente 50 a 1000 km da superfı́cie terrestre). Trata-se de um meio dispersivo,
onde a refração varia conforme a frequência do sinal GNSS. Mais detalhes sobre este
efeito são apresentados no Capı́tulo 3;
• Refração troposférica: a troposfera – camada da atmosfera que se estende da superfı́-
27
cie terrestre até aproximadamente 50 km de altitude – é caracterizada pela presença
de gases secos e vapor d’água, os quais podem aumentar o percurso do sinal causando
erros de até cerca de 30 m nas distâncias medidas. Destaca-se que, diferentemente
da ionosfera, as diferentes frequências dos sinais GNSS são igualmente afetadas pela
troposfera: trata-se de um meio não dispersivo;
• Multicaminho: objetos localizados nas proximidades da antena do receptor podem
refletir os sinais GNSS, resultando em um ou mais caminhos de propagação distintos.
Estes sinais distintos podem causar irregularidades na amplitude e na fase do sinal
direto, causando erros nas medidas e prejuı́zo no posicionamento;
• Erros orbitais: possı́veis erros nas coordenadas dos satélites – tanto nas efemérides
transmitidas, quanto nas precisas – são propagados para as coordenadas do usuário;
• Erros de hardware e centro de fase da antena: efeitos sistemáticos aparecem no
hardware dos satélites e dos receptores, causando atraso entre as portadoras. Já
o centro de fase da antena pode divergir do centro de massa da mesma, o qual é
utilizado como ponto de referência das coordenadas;
• Efeitos geodinâmicos: causados por interações da Terra com a atmosfera e o meio interplanetário, tais como marés terrestres (deformação da crosta da Terra em virtude
das forças de maré – sol e lua), carga oceânica (deslocamentos na crosta terrestre
causados pelas marés oceânicas) e movimento do pólo.
Por esta razão, a observável pseudodistância pode ser descrita pelo seguinte modelo
matemático (MONICO, 2008):
P Drs = ρsr + c (dtr − dts ) + Trs + Irs + dmsr + sr
(2.1)
onde:
• P Drs refere-se à pseudodistância (em metros) entre as antenas do satélite s, no
instante de transmissão, e do receptor r, no instante de recepção;
• c é a velocidade da luz no vácuo;
• dtr é o erro do relógio do receptor no instante de recepção;
• dts é o erro do relógio do satélite s no instante de transmissão;
28
• Trs e Irs referem-se respectivamente aos atrasos troposférico e ionosférico;
• dmsr refere-se aos efeitos de multicaminho do sinal;
• sr refere-se a outros efeitos não modelados.
Embora a pseudodistância obtida pelo código seja o método mais utilizado, tal observável tem precisão na ordem de metros. Uma observável muito mais precisa é a fase (ou
fase de batimento) da onda portadora, cuja precisão é da ordem de milı́metros.
A fase da onda portadora é obtida pela diferença entre a fase gerada pelo satélite
no instante de transmissão do sinal e sua réplica gerada pelo receptor no instante de
recepção do sinal, o que resulta em uma medida fracionária. Um número inteiro de ciclos
permanece desconhecido, o qual é denominado ambiguidade da fase (MONICO, 2008;
MARQUES, 2012). Uma vez determinado o valor das ambiguidades, a medida de fase
da onda portadora pode ser considerada uma medida de pseudodistância com muito mais
precisão, e consequentemente, obtém-se maior acurácia no posicionamento baseado nesta
observável (TEUNISSEN; KLEUSBERG, 1998). O ruı́do da observável de fase após a
solução das ambiguidades é da ordem de centı́metros a milı́metros (COLLINS et al., 2010).
O seguinte modelo matemático descreve a fase da onda portadora (MONICO, 2008):
φsr
=f
s
ρ
r
+ Trs − Irs + Dmsr
+ f (dtr − dts ) + [φs (t0 ) − φr (t0 )] + Nrs + sr
c
(2.2)
onde:
• φsr é a fase (em ciclos);
• f é a frequência da portadora;
• Dmsr refere-se aos efeitos de multicaminho do sinal;
• φs (t0 ) é a fase inicial no satélite na época de referência t0 ;
• φr (t0 ) é a fase inicial no receptor na época de referência t0 ;
• Nrs é a ambiguidade da fase no instante inicial de rastreio.
Os outros termos estão definidos na Equação 2.1. Observa-se que o termo referente à
refração ionosférica (Irs ) na equação da fase é negativo, ao passo que na pseudodistância é
positivo. A velocidade de propagação de um grupo de ondas – como os códigos modulados
29
sobre a portadora – é inferior à velocidade de fase. Desta forma, ocorre um atraso no
código e um avanço na fase (MONICO, 2008).
A Eq. 2.2 pode ser reescrita multiplicando-se os termos pelo comprimento de onda
(λ = c/f ), resultando-se na medida da fase em metros (Φsr ):
Φsr = ρsr + c (dtr − dts ) + Trs − Irs + Dmsr + λ [φs (t0 ) − φr (t0 )] + λNrs + sr
2.3
(2.3)
Métodos de Posicionamento GNSS
De uma forma geral, o conceito de posicionamento remete a determinação da posição
de um objeto em relação a um referencial. Se este referencial é geocêntrico, trata-se de
posicionamento absoluto; se é um referencial materializado, trata-se de posicionamento
relativo. Outro fator a destacar é o estado do objeto: se está em repouso, trata-se de
posicionamento estático; caso esteja em movimento, tem-se o posicionamento cinemático
(MONICO, 2008).
Ao empregar-se o GNSS para posicionamento, a presença de alguns aspectos caracteriza cada um dos diversos métodos de posicionamento descritos na literatura: a observável
utilizada, o referencial adotado, o estado do objeto a posicionar, o tratamento dos efeitos
presentes na trajetória do sinal do satélite até o receptor, o tipo de efeméride utilizada,
dentre outros. De uma forma geral, comparece o posicionamento absoluto, posicionamento
relativo e posicionamento diferencial.
Os dois últimos estão relacionados à utilização de uma estação base de coordenadas
conhecidas, ou seja, mais de um receptor é utilizado. Desta forma, torna-se possı́vel a
realização de diferenciações entre observações de diferentes estações para a obtenção de
melhores resultados. No entanto, atualmente, o usuário com um simples receptor pode
usufruir de infraestruturas de Redes GNSS ou Sistemas de Complemento para suprir a
necessidade de receptores adicionais. Diversos métodos estão presentes na literatura, como
Real Time Kinematic (RTK) e o Differential GPS (DGPS).
Como métodos de posicionamento absoluto, destacam-se o PPS e o PPP.
O PPS pressupõe o fundamento básico de utilização do GNSS, configurado por um
simples receptor e a utilização de efemérides transmitidas; a observável utilizada é a pseudodistância. Tal técnica é empregada em navegação de baixa precisão, onde costuma-se
utilizar apenas a pseudodistância derivada do código C/A na portadora L1 (MONICO,
30
2008). Modelos podem ser aplicados para atenuação dos efeitos da ionosfera e da troposfera; a acurácia fica limitada à precisão das pseudodistâncias e das efemérides transmitidas.
Já o PPP é caracterizado pela utilização de efemérides precisas e correções precisas
para os erros dos relógios dos satélites (ZUMBERGE et al., 1997; MONICO, 2000; MONICO, 2008). Pode-se adotar como observáveis tanto a fase quanto a pseudodistância,
bem como combinações lineares para eliminar os efeitos da ionosfera. Todos os erros envolvidos devem ser tratados para que se obtenha alta acurácia. Por exemplo, pode-se
utilizar as efemérides precisas produzidas por algum centro, como o IGS, para se obter
as coordenadas e erros dos relógios dos satélites com maior qualidade. Também pode-se
recorrer a modelos regionais de ionosfera e troposfera, os quais podem apresentar melhores
resultados em relação aos modelos globais. De maneira análoga para os demais efeitos,
tais como movimento do pólo, carga oceânica, centro de fase da antena, etc.
O PPP recupera o princı́pio do posicionamento GNSS, já que pressupõe a utilização
de apenas um receptor (COLLINS et al., 2010). No entanto, os modelos utilizados para
as correções dos diferentes efeitos são definidos em sua maioria através de redes, muitas
vezes globais. Logo, é possı́vel perceber que, embora pressuponha apenas um receptor, o
PPP é suportado por diversas redes, envolvendo por consequência, inúmeras e variadas
infraestruturas.
A definição dos efeitos que serão modelados, bem como a escolha das observáveis
ou combinações lineares utilizadas no processamento, faz com que se tenham inúmeras
formas de se realizar PPP. Por exemplo, pode-se utilizar apenas as observáveis de fase
na portadora L1, utilizando as efemérides precisas provenientes do IGS, modelando-se
os efeitos da ionosfera, troposfera e centro de fase da antena, mas negligenciando-se o
efeito das marés terrestres e cargas oceânicas. Esta flexibilidade de configurações pode
ser explorada em estudos especı́ficos sobre os diversos efeitos já destacados, bem como
para avaliação dos modelos utilizados.
31
3
Ionosfera e Cintilação Ionosférica
3.1
Ionosfera
No contexto do GNSS, para fins teóricos e práticos, a atmosfera terrestre é normalmente dividida em duas camadas principais – troposfera e ionosfera – cada qual com
diferentes influências sobre os sinais (MATSUOKA, 2007). A troposfera não está no
escopo deste trabalho.
Davies (1990) define a ionosfera como a camada superior da atmosfera na qual a
ionização existente é suficiente para afetar a propagação de ondas de rádio. Destaca-se
que o termo ionosfera foi proposto por R. A. Watson-Watt, em 1926, e não foi muito
utilizado nos anos seguintes (McNAMARA, 1991).
A definição da região de abrangência da ionosfera pode divergir um pouco de autor
para autor, mas, de uma forma geral, define-se que a ionosfera se estende em uma região de
aproximadamente 50 a 1000 km acima da superfı́cie terrestre, sendo dividida em algumas
subcamadas que serão descritas adiante na Subseção 3.1.1. Sendo a ionosfera um meio de
propagação de sinais, torna-se possı́vel a abrangência global de serviços que utilizam esta
camada como meio de comunicação. Neste contexto, tem-se como exemplo o GNSS.
A ionosfera é caracterizada pela presença de ı́ons e elétrons livres; ambos são formados
principalmente pela fotoionização (DAL POZ, 2010). Este processo é caracterizado pela
absorção de radiação solar na faixa do extremo ultra-violeta (Extreme Ultraviolet – EUV)
e raios X por átomos neutros da atmosfera.
A absorção retira os elétrons dos átomos neutros da atmosfera: quando um feixe de
EUV – denominado fóton – encontra um átomo neutro da atmosfera, sua energia é transferida para um elétron neste átomo neutro. O elétron por vezes se desprende, tornando-se
32
um elétron livre na atmosfera. O átomo neutro torna-se então um ı́on positivo, pois perdeu um elétron de carga negativa. Destaca-se que são os elétrons livres que refletem as
ondas de rádio, tornando possı́vel a comunicação por ondas de rádio na ionosfera (McNAMARA, 1991; DAL POZ, 2010). O esquema da fotoionização é apresentado na Figura
3.
Figura 3: Fotoionização. Fonte: Dal Poz (2010).
Outro processo que ocorre na ionosfera é a recombinação. Este processo é o inverso
da fotoionização, ou seja, os elétrons livres, com carga negativa, se recombinam com os
ı́ons, de carga positiva, produzindo átomos neutros. Nas regiões mais altas da ionosfera,
muitos elétrons se perdem devido à recombinação. Já nas regiões mais baixas, os elétrons
se perdem devido a um processo de ligação ou captura (attachment), onde se juntam
com os átomos neutros, formando ı́ons com carga negativa. Ressalta-se que tanto os ı́ons
com carga positiva, tanto os ı́ons de carga negativa são mais densos que os elétrons e não
interagem com as ondas de rádio (MCNAMARA, 1991).
Os processos de recombinação e ligação ocorrem durante todo o tempo. Já a fotoionização ocorre apenas durante o dia quando o sol está acima do horizonte. Estes processos
determinam a densidade de elétrons na ionosfera. A densidade de elétrons é maior durante
o dia, quando o processo de fotoionização é superior. Ao entardecer, este processo cessa,
e a recombinação faz com que a densidade diminua constantemente ao longo da noite. Ao
amanhecer, a quantidade de elétrons livres é incrementada novamente pela fotoionização
(McNAMARA, 1991). Observa-se o comportamento cı́clico destes fenômenos.
3.1.1
Divisão em Camadas
A ionosfera é dividida em três camadas com caracterı́sticas especı́ficas. Estas camadas
são denominadas D, E e F, e são caracterizadas por variações na densidade de elétrons
de acordo com a altitude (DAL POZ, 2010). Esta divisão é apresentada na Figura 4. A
33
densidade volumétrica de elétrons livres nas regiões da ionosfera é expressa em número
de elétrons por centı́metro cúbico.
Figura 4: Divisão da Ionosfera em Camadas. Fonte: Dal Poz (2010).
A Camada D abrange aproximadamente 50 a 90 km de altitude, e figura como uma
fonte refletora de sinais de baixas freqüências. Esta camada não acarreta em efeitos
mensuráveis nas observáveis GNSS (DAVIES, 1990; DAL POZ, 2010).
A Camada E abrange aproximadamente 100 km de altitude; McNamara (1991) destaca
que esta camada foi a primeira a ser descoberta (a letra “E” denota “campo elétrico”).
Já a camada F abrange aproximadamente 150 a 1000 km. Esta camada se subdivide
em F1 e F2. Observa-se que, durante a noite, a densidade de elétrons nas camadas D,
E, e F1 diminui (devido à superioridade dos processos de recombinação e ligação em
relação ao processo de fotoionização). No entanto, na camada F2, observa-se uma maior
variabilidade da ionosfera, o que consequentemente causa efeitos mais severos nos sinais
GNSS, como as cintilações (DAL POZ, 2010).
3.1.2
Influência da Atividade Solar na Ionosfera
O sol é uma estrela média com raio superior a 100 vezes o raio da Terra e massa
300.000 vezes superior à massa da Terra. Ao estudar a influência do sol na ionosfera,
pode-se considerar uma subdivisão em dois nı́veis: sol calmo e sol perturbado. Na maioria
34
do tempo, o sol permanece calmo, não causando efeitos significativos nas comunicações
de rádio de alta frequência. No entanto, o sol perturbado, ainda que levemente, pode até
interromper tal tipo de serviço (McNAMARA, 1991).
Ao observar-se o sol, pode-se notar a presença de pequenas manchas. Esta observação
pode ser feita, por exemplo, através da projeção de sua imagem em uma folha de papel, utilizando-se um telescópio. Este tipo de observação é denominado white light image
(imagem branca e clara). Neste tipo de observação, algumas manchas escuras podem ser
notadas eventualmente. Estas manchas vêm sendo observadas há muito tempo. Há registros de observações destas manchas por chineses no primeiro século a.C. Com a invenção
do telescópio, Galileo mostrou, em 1610, que tais manchas – que são denominadas na
literatura como sunspots – eram de fato da superfı́cie do sol. Galileo também observou
o comportamento cı́clico das manchas solares, e concluiu que o sol rotacionava com um
perı́odo de aproximadamente 27 dias, em um eixo aproximadamente paralelo ao eixo de
rotação da Terra (McNAMARA, 1991).
As manchas solares são utilizadas hoje em dia para a análise dos efeitos do sol na
ionosfera. Há centros de observação que catalogam diariamente o número de manchas
solares, como o National Oceanic and Atmospheric Administration (NOAA). O número
de manchas solares (Sunspot Number – SSN) é obtido através da contagem do número de
grupos de manchas solares e do número de manchas individuais, respeitando-se a seguinte
proporção (McNAMARA, 1991):
SSN = 10NG + NI
(3.1)
onde N G e N I referem-se respectivamente ao número de grupos de manchas e ao
número de manchas individuais.
As manchas solares aparecem com maior frequência em grupos, em regiões compreendidas a aproximadamente 30o do equador solar. As mesmas não aparecem nos pólos
solares. Elas parecem escuras pois estão compreendidas em regiões mais frias – aproximadamente 4000o C – enquanto as regiões do entorno estão a temperaturas de 6000o C
(McNAMARA, 1991).
Outra maneira de observar o sol é através da observação com telescópios acima da atmosfera terrestre, e em comprimentos de onda muito curtos no espectro eletro-magnético.
Ao observar nestes pequenos comprimentos de onda (raios X e ultra-violeta extremo),
pode-se observar o que é conhecido como “corona”, uma espécie de coroa que sobrepõe
35
o sol. Além das observações em comprimentos de onda muito curtos, a coroa também é
visı́vel em certas circunstâncias, como em eclipses solares (McNAMARA, 1991).
A corona contribui para o escoamento de substâncias do sol pelo espaço interplanetário, o que é conhecido como vento solar. Este fluxo é contı́nuo e contém partı́culas
eletricamente carregadas. Logo, conclui-se que os ventos solares também são responsáveis
pela formação da ionosfera (KIRCHHOFF, 1991; DAL POZ, 2010). Estes ventos carregam milhões de toneladas de materiais solares, e sopra a uma velocidade aproximada de
400 km/s. O percurso destas partı́culas do sol até a Terra é de aproximadamente 5 dias.
Não sentimos os ventos solares na superfı́cie da Terra devido à baixa densidade das partı́culas que chegam. No entanto, modificações elétricas nestas partı́culas afetam o campo
magnético da Terra e a ionosfera (McNAMARA, 1991).
As explosões solares (solar flares) são provocadas por um rápido aumento de energia
na superfı́cie do sol, que, ao ser liberada, causa uma variação na radiação solar na forma
de emissão de raios ultravioleta e raios X (McNAMARA, 1991).
3.1.2.1
Ciclo Solar
Através da observação das manchas solares, além da conclusão de que o sol rotaciona, é possı́vel observar também um comportamento cı́clico em perı́odos mais longos.
Pode-se observar que o número de manchas solares varia de 0 a 100 a cada 11 anos (aproximadamente). Registros destas observações foram feitos desde a descoberta de Galileo
(McNAMARA, 1991).
Estas observações podem ser analisadas de várias formas, como através de ajustamentos de observações, ı́ndices mensais ou anuais. O comportamento cı́clico a cada 11 anos
(aproximadamente) pode ser observado na Figura 5. À esquerda, em vermelho, observa-se
um perı́odo de baixa contagem das manchas solares. Este perı́odo ficou conhecido posteriormente como “mı́nimo de Maunder”, pois foi estudado por Walter Maunder na década
de 1890 (McNAMARA, 1991). Outro ponto interessante é o máximo ocorrido no ano
de 1957. Ressalta-se que os efeitos causados pelo sol na ionosfera são intensificados no
perı́odos mais altos de picos da atividade solar.
36
Figura 5: Manchas solares nos últimos 400 anos. Adaptado de Rohde (2012).
Uma medida alternativa à contagem das manchas solares é o fluxo solar na banda de
10,7 cm. Esta medida tem alta correlação com o ı́ndice das manchas solares, e é também
utilizada por centros de observação como ı́ndice de atividade solar por ser simples de
observar (McNAMARA, 1991). A Figura 6 exibe um comparativo entre tais ı́ndices, os
quais são disponibilizados pelo NOAA.
37
Figura 6: Sunspot Number e Fluxo Solar. Fonte: National Oceanic and Atmospheric
Administration (NOAA) - Space Weather Prediction Center (2014).
Outro exemplo de agência que também disponibiliza modelos de predição para os ciclos
38
solares é National Aeronautics and Space Administration (NASA). A Figura 7 apresenta
um exemplo disponibilizado pela referida agência, onde pode-se observar a parte observada
da atividade solar juntamente com a parte predita.
Figura 7: Sunspot Number observado e predito. Fonte: National Aeronautics and Space
Administration (NASA) (2014).
Estudos relacionados aos ciclos solares têm despertado interesse em diversas áreas
devido aos diversos efeitos que estes acarretam em tecnologias como o GNSS (DAL POZ,
2010).
3.1.2.2
Interação Solar-Terrestre
No que concerne ao campo magnético da Terra, alguns ı́ndices visam descrever a
atividade geomagnética terrestre e suas componentes. Os ı́ndices mais utilizados são o
Disturbance Storm-Time (DST), Planetarische Kennziffer ou ı́ndice planetário (Kp) e o
Auroral Electrojet (AE). O ı́ndice Kp é derivado do ı́ndice K – um ı́ndice local que contém
variações ocorridas na atividade geomagnética em intervalos de três horas. A partir da
padronização dos valores obtidos para o ı́ndice K em estações distribuı́das pelo globo,
obtém-se o ı́ndice Kp através da média aritmética. Para cada dia, há oito valores de ı́ndice
Kp, começando-se à zero hora. O ı́ndice AE permite avaliar a atividade geomagnética na
região auroral. Ele é obtido através de medidas de variações na componente horizontal
39
do campo geomagnético. Estas medidas são coletadas por observatórios distribuı́dos na
região auroral no hemisfério norte (DAL POZ, 2010).
3.2
Latitude Geomagnética
Enquanto a latitude geográfica de um ponto é definida com relação aos pólos geográficos, a latitude geomagnética é definida em relação aos pólos geomagnéticos. Os pólos
geomagnéticos (ou dipolares) são a intersecção da superfı́cie da Terra com o eixo de uma
barra magnética hipoteticamente localizada no centro da Terra, pela qual se obtém uma
aproximação do campo geomagnético. Desta forma, tem-se os pólos geomagnéticos Norte
e Sul. Por sua vez, os pólos magnéticos são os pontos em que o campo magnético da
Terra se torna uma linha vertical para baixo, ou seja, a inclinação do campo magnético
da Terra nos pólos magnéticos é de 90o . A Figura 8 apresenta a variação dos pólos magnético e geomagnético ao longo do tempo, considerando-se o hemisfério Norte. Observa-se
um suave deslocamento ao longo do tempo, o qual é denominado variação geomagnética
secular (WORLD DATA CENTER FOR GEOMAGNETISM, KYOTO, 2014; TAUXE et
al., 2014).
As coordenadas geomagnéticas de um ponto na superfı́cie terrestre (ou próximo a esta)
podem ser definidas através de um sistema de coordenadas geomagnéticas. Um sistema
difundido e usualmente empregado na avaliação de fenômenos geofı́sicos – tais como as
cintilações ionosféricas – é o Corrected GeoMagnetic (CGM). Tal sistema recorre a um
modelo do campo magnético da Terra para determinar as coordenadas geomagnéticas de
um ponto de interesse (GUSTAFSSON; PAPITASHVILI; PAPITASHVILI, 1992).
O modelo mais empregado para a obtenção das coordenadas CGM é o Definite/International Geomagnetic Reference Field (DGRF/IGRF). Tal modelo inclui as variações do
campo geomagnético ao longo do tempo (inclusive as variações seculares). Atualmente,
este modelo proporciona coeficientes que permitem a obtenção de diversos parâmetros
relacionados ao campo magnético da Terra entre os anos de 1900 e 2015 (FINLAY et al.,
2010). A Figura 9 apresenta um mapa onde o equador geomagnético derivado do referido
modelo é destacado, assumindo-se como época de referência o ano de 2010.
40
Figura 8: Variação dos pólos magnético e geomagnético no hemisfério Norte. Adaptada
de World Data Center for Geomagnetism, Kyoto (2014).
Figura 9: Equador geomagnético para o ano de referência de 2010. Adaptada de World
Data Center for Geomagnetism, Kyoto (2014).
41
3.3
Atraso ionosférico e Conteúdo Total de Elétrons
O erro devido à ionosfera nas observáveis GNSS é diretamente proporcional à quantidade de elétrons presente na mesma e inversamente proporcional à frequência do sinal
(DAL POZ, 2010). Para a caso do GPS na frequência L1 (1575,42 MHz), a ionosfera pode
retardar as ondas de rádio em até 300 ns nos piores casos, causando um erro de 100 m
nas distâncias satélite-receptor que são medidas (KLOBUCHAR, 1987).
Destaca-se que para o código, ocorre um retardo aparente do sinal, o que faz com
que aumente o comprimento aparente do caminho percorrido pelo mesmo; já para a fase,
ocorre uma diminuição do comprimento aparente (LEICK, 2004; DAL POZ, 2010).
Um parâmetro importante para a determinação do atraso ionosférico é o conteúdo
total de elétrons (Total Electron Content – TEC). O TEC é uma quantidade do tipo
densidade colunar e consiste no número de elétrons presente em uma coluna de 1 m2 de
seção reta estendendo-se pela trajetória satélite-receptor. Tal parâmetro é relacionado
a diversas variáveis, dentre as quais se pode destacar os parâmetros de atividade solar,
ı́ndices geomagnéticos, estação do ano, localização e hora do dia. O TEC é comumente expresso em unidades de TEC (TEC-Unit – TECU). Um TECU equivale a 1016 elétrons/m2
(KLOBUCHAR, 1987; MARQUES, 2012).
Os valores médios de atraso ionosférico em todo o globo terrestre são mais significativos
em uma região em torno de 15o ao Norte e ao Sul do equador geomagnético. Para satélites
com mı́nimo ângulo de elevação projetado para o GPS (5o ), o atraso é aproximadamente
três vezes superior em relação aos satélites no zênite (KLOBUCHAR, 1987).
Para usuários que não disponham de receptores de dupla ou de multi-frequência –
não podendo assim realizar diferenciações para diminuição dos efeitos da ionosfera –,
uma alternativa é a utilização do modelo de Klobuchar (também conhecido como modelo
transmitido) para atenuação do efeito do atraso ionosférico no sinal GPS. Tal modelo
utiliza oito coeficientes que são transmitidos como parte das mensagens de navegação GPS,
e proporciona uma correção de aproximadamente 50% em relação ao erro médio quadrático
devido à ionosfera nas distâncias satélite-receptor que são medidas. O algoritmo contém
algumas aproximações que reduzem sua complexidade computacional, e é detalhado para
a frequência L1. Para o caso da frequência L2, basta-se escalar o valor obtido em L1
através de uma constante (KLOBUCHAR, 1987).
Cabe ressaltar que, no caso do GPS, a frequência de transmissão L2 foi incorporada
com o objetivo de minimizar os efeitos da ionosfera (KLOBUCHAR, 1987); com mais de
42
uma frequência, os usuários podem minimizar os efeitos desta camada através da realização de combinações lineares entre as observáveis de diferentes frequências. Atualmente,
com a modernização do GPS, tem-se disponı́vel também o sinal transmitido na portadora denominada L5, permitindo, portanto, a realização de combinações lineares com
três frequências (POLEZEL, 2010). Para a aviação, porém, trata-se da segunda frequência, uma vez que a frequência L2 não vinha sendo utilizada por não estar numa banda
protegida.
3.4
Cintilação Ionosférica
A cintilação ionosférica é uma rápida mudança na fase e/ou amplitude de um sinal de
rádio à medida em que se propaga por irregularidades (rarefações do plasma) na densidade
do plasma ionosférico (CONKER et al., 2003): tal fenômeno causa atenuação na amplitude
e deslocamentos na fase dos sinais GNSS ao passarem pela ionosfera (SKONE et al., 2005),
efeitos que podem degradar o posicionamento GNSS, já que afetam diretamente os sinais.
As irregularidades da ionosfera que causam cintilações (também denominadas de bolhas ionosféricas) podem variar significativamente em extensão e velocidade de deslocamento. Rezende et al. (2007) apresenta estimativas da dimensão das irregularidades na
região equatorial brasileira, as quais podem chegar a cerca de 480 km na direção LesteOeste, podendo alcançar uma altura plena de cerca de 1400 km. Outra caracterı́stica
destacada são as velocidades zonais (leste-oeste) com que estas se deslocam, as quais podem alcançar 50 a 150 m/s, formando “manchas” de irregularidades. As irregularidades
de grande escala contêm irregularidades de pequena escala (aproximadamente 400 m), as
quais causam cintilações; em alguns casos, estas pequenas irregularidades apresentam um
aspecto intermitente conforme o sinal de um satélite se propaga pelas mesmas (REZENDE
et al., 2007; WALTER et al., 2010). Uma esquematização é apresentada na Figura 10.
Pode-se observar, de acordo com o esquema apresentado na Figura 10, que, em certo
instante, alguns satélites são mais afetados em relação a outros. As irregularidades de
larga escala, como a que afeta o satélite de número 14, podem causar a perda de contato
no rastreio do satélite. Irregularidades de pequena escala, como a que afeta o satélite número 6, podem afetar a integridade do sinal, acarretando em erros nas medidas (WALTER
et al., 2010). Num caso extremo, se não houver satélites disponı́veis, ocorre a perda do
serviço de posicionamento (CONKER et al., 2003). Destaca-se que cintilações freqüentes
e altas taxas de alteração na densidade de elétrons podem causar a perda de sintonia tanto
43
Figura 10: Esquematização da cintilação nos sinais GNSS. Adaptado de Walter et al.
(2010).
em receptores de simples, quanto em receptores de dupla frequência (DATTA-BARUA et
al., 2003). Para o caso do GPS e sua nova frequência de transmissão (L5), também foram
observadas perdas de sintonia nas estações de monitoramento da Rede CIGALA/CALIBRA.
As cintilações de amplitude e de fase têm comportamento especı́fico e podem ser
relacionadas de região para região. Assim como o TEC, os efeitos variam de acordo
com a frequência do sinal, localização geográfica, horário local, estação do ano, atividade
magnética e ciclos solares. Observa-se que as cintilações ionosféricas mais significativas
ocorrem nas regiões de proximidades de até 10o a 20o do equador geomagnético. Também
são freqüentes nas regiões de aurora (latitudes geomagnéticas entre 65 e 75o ) e polares
(latitudes geomagnéticas maiores que 75o ) (WALTER et al., 2010). Destaca-se que em
todas as regiões os efeitos são mais significativos na ocorrência de atividades solares mais
intensas, e que a maioria das cintilações ocorre durante algumas horas após o pôr-do-sol
durante os picos dos ciclos solares. Em perı́odos de atividades solares mais baixas, o
mesmo comportamento é esperado, mas com menor intensidade.
A Figura 11 apresenta a frequência de ocorrência da cintilação de acordo com a localização geográfica a nı́vel global.
Observa-se duas regiões mais afetadas (em vermelho) – localizadas aproximadamente
entre 10o a 20o ao Norte e ao Sul do equador geomagnético; estas regiões constituem a
44
Figura 11: Frequência de ocorrência de cintilação de acordo com a localização geográfica.
Adaptada de Kintner Jr., Humphreys e Hinks (2009).
anomalia equatorial. Observa-se que entre estas regiões há uma faixa estreita com menor
frequência de ocorrência; nesta região encontra-se o equador geomagnético. Os efeitos
são mais significativos na região da anomalia equatorial em relação à região do equador
geomagnético devido à ionosfera equatorial. Na ionosfera equatorial, a combinação dos
campos elétrico e magnético sobre a Terra causa o transporte de elétrons verticalmente, os
quais são difundidos para o Norte e para o Sul. Isso faz com que a ionização seja reduzida
no equador geomagnético e incrementada na anomalia equatorial (WALTER et al., 2010).
Conforme já mencionado, a região de maior preocupação está localizada na região
da anomalia equatorial. Nesta região, a cintilação ocorre com mais frequência após o
pôr-do-sol, podendo persistir por várias horas. Ao longo da noite, a cintilação diminui
lentamente, mas picos esporádicos ainda podem ocorrer. Nestas regiões, é possı́vel observar que as flutuações de fase mais rápidas são geralmente associadas com as degradações
mais significativas do sinal (WALTER et al., 2010). Logo, pode-se observar que há certa
correlação entre as cintilações de amplitude e de fase.
Em regiões de altas latitudes, a ionosfera é caracterizada por interações entre o campo
magnético da Terra com ventos solares e com o campo magnético interplanetário. No perı́odo noturno, nas regiões polares (mais de 75o de latitude geomagnética), partı́culas
energéticas aprisionadas nas linhas de campo magnético terrestre são precipitadas, formando um anel de intensa atividade ionosférica, o qual acarreta em cintilações. Este anel
é denominado oval auroral. A Figura 12 apresenta o esquema do anel auroral sobre a
45
América do Norte. Em regiões de altas latitudes, como o Canadá, estes efeitos persistem
mesmo em perı́odos de baixa atividade solar, já que a cintilação está associada à forte
aurora (SKONE et al., 2005; WALTER et al., 2010). Nestas regiões, a fotoionização é
menor se comparada às regiões equatoriais, fazendo com que as cintilações sejam também
menos significativas se comparadas com a região equatorial. No entanto, as irregularidades se movem até dez vezes mais rapidamente. Estas irregularidades são maiores e podem
causar significativas cintilações de fase (WALTER et al., 2010).
Figura 12: Oval auroral sobre a América do Norte. Fonte: Skone e Hoyle (2005).
Em regiões de médias latitudes, como os Estados Unidos, os efeitos não são tão significativos. No entanto, na ocorrência de tempestades geomagnéticas, a ionosfera destas
regiões pode sofrer distúrbios causando cintilações nos sinais GNSS. Com as tempestades,
o oval auroral se estende na direção do equador, levando os efeitos de cintilação desta
região até as regiões de médias latitudes (CONKER et al., 2003; WALTER et al., 2010).
3.5
Estimativas de cintilação
Estimativas de cintilação ionosférica podem ser definidas em termos da densidade
espectral da potência do sinal (power spectral density – PSD) (CONKER et al., 2003).
Índices especı́ficos também podem ser produzidos, os quais denotam fatores de intensidade
de cintilação ionosférica. Dois ı́ndices são mais destacados na literatura: o ı́ndice S4, para
cintilações de amplitude, e o ı́ndice Sigma-fi, para cintilações de fase.
Irregularidades na densidade de elétrons podem causar uma difração no sinal, acarre-
46
tando em rápidas flutuações na intensidade do mesmo, denominadas cintilações de amplitude (CONKER et al., 2003). Em alguns casos, as cintilações podem ser fortes a ponto
de acarretar que a intensidade do sinal recebido seja inferior a um limiar de rastreio
do receptor, fazendo com que o receptor tenha que readquirir o sinal para tal satélite
(DATTA-BARUA et al., 2003; WALTER et al., 2010), aspecto que prejudica o processo
de solução das ambiguidades da fase da onda portadora.
3.5.1
Cintilações de Amplitude e Índice S4
Durante as cintilações de amplitude, o ı́ndice de refração da ionosfera varia constantemente, fazendo com que o sinal seja disperso em diversas direções além da principal
direção de propagação. Conforme o sinal continua a sua propagação até o solo, pequenas mudanças na distância de propagação ao longo destes multicaminhos dispersos do
mesmo podem fazer com que haja uma interferência do sinal com ele próprio. Esta autointerferência pode atenuar ou amplificar o sinal medido pelo receptor (WALTER et al.,
2010).
As cintilações de amplitude podem ser medidas pelo ı́ndice S4, que consiste no desviopadrão normalizado (ou coeficiente de variação) de observações livres de tendência da
intensidade do sinal, as quais são amostradas a altas taxas (50 Hz por exemplo) num
intervalo de 60 segundos. Para a obtenção deste ı́ndice, a potência do sinal é normalizada
em relação à potência média recebida (DATTA-BARUA et al., 2003; CONKER et al.,
2003).
O ı́ndice S4 é adimensional e alguns limiares para seu valor podem ser encontrados
na literatura. Datta-Barua et al. (2003) e Conker et al. (2003) definem que um valor 0
indica ausência de cintilação, enquanto um valor 1 indica severa cintilação. Hegarty et al.
√
(2001) define que o limite superior para o ı́ndice S4 é de 1,414 ( 2). Tiwari et al. (2011)
apresenta três nı́veis de classificação para o referido ı́ndice:
• Cintilação forte: S4 ≥ 1;
• Cintilação moderada: 0, 5 ≤ S4 ≤ 1;
• Cintilação fraca: S4 ≤ 0, 5.
Hegarty et al. (2001) apresenta quatro nı́veis de classificação:
• Cintilação forte: S4 ≥ 0, 9;
47
• Cintilação moderada: 0, 6 ≤ S4 < 0, 9;
• Cintilação fraca: 0, 4 ≤ S4 < 0, 6;
• Cintilação muito fraca: 0, 1 ≤ S4 < 0, 4.
Em International Telecommunication Union (2012), três nı́veis são definidos, os quais
foram adotados em experimentos ao longo deste trabalho:
• Cintilação forte: S4 > 0, 6;
• Cintilação moderada: 0, 3 ≤ S4 ≤ 0, 6;
• Cintilação fraca: S4 < 0, 3.
De uma forma geral, os receptores podem prover valores superiores aos limites teóricos.
Por exemplo, o efeito do multicaminho pode aumentar o ı́ndice S4, indicando falsamente
a incidência de cintilação ionosférica (DATTA-BARUA et al., 2003). Este aspecto ocorre
principalmente no inı́cio ou no final do rastreio de um satélite, caracterizados por baixos
ângulos de elevação e, consequentemente, maior susceptibilidade ao efeito de multicaminho (WALTER et al., 2010). Logo, em estações monitoras de cintilação, é essencial que
se tenha um nı́vel de multicaminho bem controlado; técnicas de remoção ou redução dos
efeitos do multicaminho também podem ser adotadas, como a utilização do desvio-padrão
da divergência código/fase (code-carrier divergence – σccd ) (VAN DIERENDONCK; KLOBUCHAR; HUA, 1993).
A Figura 13 apresenta uma representação global do ı́ndice S4 para o dia 15 de setembro
de 2002 às 21h local em qualquer lugar do planeta, obtida à partir do modelo WBMOD
(definido na Subseção 3.7.1). Nesta data, que estava no pico da atividade solar, não houve
registros de explosões solares. Esta representação foi utilizada devido às cintilações mais
significativas ocorrerem após o pôr-do-sol. É possı́vel observar as regiões mais afetadas:
no entorno do equador magnético, nas altas latitudes e nas regiões aurorais (CONKER et
al., 2003).
Em sı́ntese, o ı́ndice S4 é derivado da intensidade do sinal recebido e desvanecido de
outros ruı́dos. A intensidade do sinal é de fato a potência do sinal, a qual é medida de
maneira com que seu valor não flutue com a potência de ruı́do. Logo, o ı́ndice S4 não
pode ser baseado na razão sinal-ruı́do, e, para a determinação do mesmo, os ruı́dos do
ambiente devem ser removidos (VAN DIERENDONCK; KLOBUCHAR; HUA, 1993).
48
Figura 13: Distribuição global do ı́ndice S4 em 15 de Setembro de 2000 às 21h local.
Fonte: Conker et al. (2003).
Os passos para a determinação do ı́ndice S4 em um receptor monitor de cintilação
denominado “GPS Silicon Valley Ionospheric Scintillation Monitor (ISM)” são apresentados por Datta-Barua et al. (2003). Primeiramente, a variância da intensidade do sinal é
normalizada pelo quadrado da média da intensidade do sinal em um minuto, obtendo-se
o ı́ndice S4T :
S4T =
v
u
u hSI 2 i − hSIi2
t
hSIi2
(3.2)
Onde:
• SI é a intensidade do sinal amostrada a uma taxa de 50 Hz;
• S4T é o ı́ndice “S4 total”, o qual inclui as flutuações de amplitude de qualquer causa
(ou seja, abrange os ruı́dos);
• o operador hXi indica o valor esperado (ou a média) para X no intervalo de um
minuto.
Em seguida, deve-se retirar o valor de S4 proveniente de ruı́dos, resultando no ı́ndice S4
com valor teórico não superior a 1 (DATTA-BARUA et al., 2003; VAN DIERENDONCK;
KLOBUCHAR; HUA, 1993):
49
S4 =
q
(S4T )2 − (S4N )2
(3.3)
Onde:
• S4N é o ı́ndice referente às flutuações de amplitude devido a ruı́dos do ambiente, o
qual é obtido por meio da estimativa da densidade média sinal-ruı́do ao longo do
intervalo de 1 minuto;
• S4 é o ı́ndice de cintilação de amplitude adimensionado.
O intervalo de integração para o cálculo do ı́ndice S4 (1 minuto), apesar de difundido
na literatura, parece carecer de justificativa teórica/fı́sica rigorosa. Em contrate, o ı́ndice
Sigma-fi, o qual será visto na próxima Subseção, pode ser obtido em diferentes intervalos.
Uma vez definido o ı́ndice S4 na frequência L1, o respectivo ı́ndice pode ser mapeado
nas frequência L2 e L5 através das seguintes relações (HEGARTY et al., 2001; PENG et
al., 2011):
f1
S4 (L2) = S4 (L1)
f2
!1,5
f1
S4 (L5) = S4 (L1)
f5
!1,5
3.5.2
= 1, 454 · S4 (L1)
(3.4)
= 1, 550 · S4 (L1)
(3.5)
Cintilações de Fase e ı́ndice Sigma-fi
As cintilações de fase ocorrem a partir de rápidas variações na fase do sinal ao percorrer
as irregularidades na densidade de plasma na ionosfera. As cintilações de fase podem
acarretar em perda de ciclos e perda de sintonia conforme o receptor recebe o sinal do
satélite (DATTA-BARUA et al., 2003; WALTER et al., 2010).
As cintilações de fase são mais significativas em regiões de altas latitudes, onde irregularidades na densidade de elétrons são produzidas por sub-tempestades aurorais,
estendendo-se numa região de aproximadamente 100 a 300 km de altitude (TIWARI et
al., 2011).
Assim como para as cintilações de amplitude tem-se o ı́ndice S4, para as cintilações de
fase tem-se o ı́ndice Sigma-fi, também denominado Sigma-delta-fi (σϕ ou σδϕ ). Tal ı́ndice
50
consiste no desvio-padrão de observações livres de tendência da fase do sinal, as quais
são coletadas a altas freqüências (por exemplo, 50 Hz) em um intervalo de 60 segundos
(DATTA-BARUA et al., 2003). O Sigma-fi também pode ser calculado ao longo de 1, 3,
10 e 30 segundos de intervalo. Nestes casos, a normalização é realizada sobre a média em
60 segundos (VAN DIERENDONCK; KLOBUCHAR; HUA, 1993).
A Eq. 3.6 apresenta o cálculo do Sigma-fi:
σϕ =
q
hϕi2 − hϕ2 i
(3.6)
O Sigma-fi pode variar de 0.05 para cintilações baixas, chegando a 1 em altas cintilações (SKONE et al., 2005). Diferentemente do ı́ndice S4, que é adimensional, o ı́ndice
Sigma-fi é dado em radianos (podendo também ser expresso em graus ou metros). Tiwari
et al. (2011) apresenta a seguinte classificação:
• Cintilação forte: σϕ ≥ 0, 8 rad;
• Cintilação moderada: 0, 4 ≤ σϕ ≤ 0, 8 rad;
• Cintilação fraca: σϕ ≤ 0, 4 rad.
Já Hegarty et al. (2001) apresenta quatro nı́veis para o Sigma-fi, os quais também são
definidos para a frequência L1:
• Cintilação forte: σϕ ≥ 0, 6 rad;
• Cintilação moderada: 0, 3 ≤ σϕ < 0, 6 rad;
• Cintilação fraca: 0, 2 ≤ σϕ < 0, 3 rad;
• Cintilação muito fraca: 0, 05 ≤ σϕ < 0, 2 rad.
Uma vez definido o ı́ndice Sigma-fi na frequência L1, o respectivo ı́ndice também pode
ser mapeado nas frequências L2 e L5 através das seguintes relações (HEGARTY et al.,
2001; PENG et al., 2011):
f1
σϕ (L2) = σϕ (L1)
f2
!
= 1, 283 · σϕ (L1)
(3.7)
51
f1
σϕ (L5) = σϕ (L1)
f5
3.6
!
= 1, 339 · σϕ (L1)
(3.8)
Redes GNSS de Monitoramento Contı́nuo da Ionosfera
Esta Seção apresenta aspectos gerais sobre duas redes (ou serviços) GNSS de monitoramento da ionosfera mencionadas na literatura. Por fim, a Rede CIGALA/CALIBRA –
cujos dados são utilizados neste projeto – também é apresentada.
3.6.1
Canadian GPS Network for Ionospheric Monitoring
(CANGIM)
A Rede CANGIM (Rede GPS Canadense para Monitoramento da Ionosfera) foi operada pela Universidade de Calgary, tendo coletado informações acerca de cintilação ionosférica em regiões de altas latitudes na década de 2000. As medidas foram utilizadas
para a caracterização da cintilação nesta região e para o desenvolvimento de modelos para
avaliar a performance do posicionamento GPS sob condições de cintilação. Os receptores coletavam os parâmetros de cintilação a uma taxa de 50 Hz; também eram mantidos
ı́ndices referentes ao TEC e dados brutos para processamento (SKONE et al., 2005). A
Figura 14 apresenta as estações utilizadas da Rede CANGIM.
Nesta rede, foram utilizados receptores NoVAtel Modulated Precision Clock, os quais
contaram com firmware especı́fico desenvolvido pela GPS Silicon Valey (GSV). Com amostras obtidas a taxas de 50 Hz, tais receptores disponibilizavam ı́ndices de cintilação de
amplitude e de fase, além de taxas de variação de TEC e TEC absoluto. Os dados eram
enviados para um central de processamento através da Internet em certos intervalos de
tempo (SKONE; HOYLE, 2005).
Devido a grande quantidade de dados armazenada, pesquisadores de outros institutos
colaboraram para análise dos dados; estudos foram realizados sob diversas perspectivas,
como a análise dos efeitos sob a performance de rastreio do receptor e a correção dos
fenômenos de cintilação com ı́ndices solares (SKONE; HOYLE, 2005). Segundo Skone
et al. (2005), as observações do CANGIM indicaram a predominância de cintilações de
fase na região de abrangência das estações; as cintilações de amplitude não foram tão
significativas.
52
Figura 14: Estações da Rede CANGIM. Fonte: Skone et al. (2005).
3.6.2
Projeto SCINTEC
O Projeto SCINTEC tem a finalidade de mapear e monitorar a cintilação ionosférica e
o TEC sobre o território brasileiro. Além do monitoramento, o projeto teve como objetivos
o emprego de técnicas de mineração de dados e de inteligência artificial para predição de
cintilação ionosférica. As informações sobre este projeto podem ser encontradas no portal,
disponı́vel em <http://www.inpe.br/scintec> (Acesso em: 10 jul. 2013).
O projeto propiciou a disponibilização de mapas de cintilação sobre o território brasileiro em tempo real. A rede utilizou receptores GPS CASCADE (placa GEC-Plessey),
desenvolvida pela Universidade de Cornell (EUA); bancos de dados relacionais foram utilizados para a realização de consultas através da linguagem SQL. A Figura 15 apresenta
um exemplo de mapa produzido pelo projeto.
53
Figura 15: Exemplo de mapa disponibilizado pelo Projeto SCINTEC. Fonte: Instituto
Nacional de Pesquisas Espaciais (INPE) (2009).
3.6.3
Rede CIGALA/CALIBRA
Outro exemplo de Rede GNSS de Monitoramento da Ionosfera é a Rede CIGALA/CALIBRA – a qual está em operação desde 2011 e cujos dados foram utilizados neste
Projeto. Tal rede foi constituı́da através dos Projetos CIGALA e CALIBRA.
O Projeto CIGALA – cujo nome é derivado de Concept for Ionospheric Scintillation
Mitigation for Professional GNSS in Latin America – foi concluı́do em fevereiro de 2012,
e teve a duração de dois anos. Tal Projeto visou desenvolver e testar abordagens para
mitigação da cintilação ionosférica para serem implementadas em receptores GNSS. Foi
formada uma equipe com diversas instituições da Europa e do Brasil, dentre as quais esteve
inserida a FCT UNESP e a fabricante de receptores Septentrio. No contexto do Projeto
CIGALA, teve inı́cio a implantação da Rede de Monitoramento, cujas primeiras estações
foram estabelecidas em Março de 2011 em Presidente Prudente/SP, nas dependências da
FCT UNESP.
Assim como o Projeto CIGALA, o Projeto CALIBRA – cujo nome é derivado de
Countering GNSS high Accuracy applications Limitations due to Ionospheric disturbances
in BRAzil – envolve cooperação de diversas instituições da Europa e do Brasil, incluindo
a FCT/UNESP. Tal Projeto teve inı́cio em Novembro de 2012, e tem duração prevista de
dois anos. O Projeto CALIBRA tem por objetivos principais o desenvolvimento de novas
54
técnicas para mitigação dos efeitos da cintilação ionosférica. Dentre as suas atividades,
está prevista a expansão da Rede de Estações implantada através do Projeto CIGALA,
com a inclusão de mais cinco estações distribuı́das pelo território brasileiro. Desta forma,
espera-se que se tenha um total de 13 estações de monitoramento contı́nuo.
Através destes dois projetos, estão sendo implantadas estações de monitoramento
contı́nuo distribuı́das pelo território brasileiro. Estas estações contam com receptores
Septentrio PolaRxS-PRO, os quais coletam dados com alta taxa (50 Hz) e calculam parâmetros especı́ficos da ionosfera a cada minuto. A Figura 16 apresenta a localidade das
estações disponı́veis em Janeiro/2014.
Figura 16: Estações da Rede CIGALA/CALIBRA. Fonte: Universidade Estadual Paulista
- Campus Presidente Prudente (2013).
Observa-se, no mapa, a presença de duas estações nas cidades de Presidente Prudente
(PRU1 e PRU2 – distam entre si aproximadamente 300 m) e em São José dos Campos
(SJCU e SJCE – distam entre si aproximadamente 10 km). Com estas estações, é possı́vel
comparar os ı́ndices de monitoramento observados, além de se realizar testes baseados em
posicionamento relativo. As demais estações estão localizadas em Manaus/AM (MANA),
Fortaleza/CE (FORT), Palmas/TO (PALM), Salvador/BA (UFBA), Inconfidentes/MG
(INCO), Macaé/RJ (MACA) e Porto Alegre/RS (POAL). As primeiras estações foram
55
constituı́das em Fevereiro de 2011 em Presidente Prudente.
Ressalta-se que, além das estações permanentes, alguns experimentos foram realizados
ao longo dos Projetos, os quais constituı́ram estações de curta duração. Um exemplo foi
apresentado na Figura 20 – Subseção 4.0.3. Também houve necessidade de se adotar novos
monumentos para algumas das estações, as quais foram consequentemente renomeadas ao
longo dos Projetos: a estação MACA foi substituı́da por MAC2 em março de 2012, e a
estação MANA foi substituı́da por MAN2 em março de 2013.
Os dados recebidos pelas estações de monitoramento são armazenados em cada estação
e transmitidos a um repositório, localizado na FCT/UNESP. A cada hora são gerados
dois arquivos: um arquivo com dados brutos em formato SBF (Septentrio Binary File)
– formato proprietário contendo todas as informações coletadas pelo receptor – e outro
arquivo com a extensão ISMR (Ionospheric Scintillation Monitor Receiver ). Os arquivos
ISMR contêm 62 variáveis com atributos especı́ficos, dentre os quais estão disponı́veis
(SEPTENTRIO SATELLITE NAVIGATION, 2013):
• Identificadores de tempo, azimute e ângulo de elevação dos satélites;
• Índice S4 total (S4T ) e S4 devido a ruı́dos de ambiente (S4N );
• Índices Sigma-fi considerando-se intervalos de 1, 3, 10, 30 e 60 segundos;
• Média e desvio-padrão da divergência entre código e fase;
• TEC derivados de observáveis de pseudodistância e dTEC (variações do TEC em
intervalos de tempo de 15, 30, 45 e 60 segundos) derivados da observável de fase;
• Tempo de sincronismo do satélite pelo receptor.
Destaca-se que estes receptores não proveem o ı́ndice S4 corrigido, o qual pode ser
calculado através da Eq. 3.3.
Os valores das estatı́sticas são amostrados a cada minuto, podendo ser computado
para cada frequência disponı́vel no satélite. O diagrama apresentado na Figura 17 facilita
a percepção da quantidade de informações transmitidas através dos arquivos ISMR a cada
dia. O mesmo representa o fluxo diário de dados baseado na quantidade atual de estações
permanentes.
56
Figura 17: Fluxo diário atual das estações da Rede CIGALA/CALIBRA.
3.7
Modelos de Cintilação Ionosférica
Estudos relacionados à cintilação ionosférica no contexto de posicionamento GNSS
podem ser apoiados por modelos de cintilação. Os modelos permitem estimar a capacidade
de um sistema em operar de acordo com certos requisitos ou exigências mı́nimas. Existem
também modelos de predição, os quais são baseados em assimilação de dados (WALTER
et al., 2010). Nas Subseções a seguir, dois modelos de cintilação são destacados.
3.7.1
WideBand MODel (WBMOD)
O modelo de cintilação WBMOD foi desenvolvido por pesquisadores do Northwest
Research Associates, Inc. (NWRA) com suporte do governo dos Estados Unidos. Detalhes
sobre o modelo podem ser encontrados em Secan et al. (1997); informações gerais podem
ser obtidas no portal disponı́vel em <http://www.nwra.com/ionoscint/wbmod.html>
(acesso em 25 nov. 2012). Tal modelo pode ser utilizado para calcular estimativas da
severidade da cintilação em um cenário especı́fico do usuário, o qual é composto por local,
época do ano, horário local e condições geofı́sicas. O WBMOD é composto por um modelo
de cintilação e um modelo de propagação.
O modelo de cintilação provê a distribuição global e o comportamento de uma forma
geral das irregularidades da ionosfera que causam cintilação. Tal modelo é denominado
EDIM, e consiste em uma coleção de modelos que descrevem a geometria, orientação,
força e movimento das irregularidades da ionosfera em função de vários parâmetros, como
localização, época, atividade solar e ı́ndices geomagnéticos. Um dos parâmetros gerados
57
pelo EDIM é denominado CkL, que consiste em uma medida de “força” da densidade de
elétrons ao longo de um caminho vertical percorrendo toda a ionosfera.
Já o modelo de propagação é responsável por calcular os efeitos destas irregularidades
em um sistema, o qual é denominado SCNPROP. Este modelo de propagação utilizada a
descrição obtida no modelo EDIM para calcular os efeitos da cintilação em um sistema
definido pelo usuário.
Um exemplo é apresentado na Figura 18, onde as áreas verdes indicam nenhuma
cintilação (ou nı́veis muito baixos), áreas amarelas podem estar sujeitas a nı́veis moderados
de cintilação, e as áreas em vermelho pode estar sujeitas a altos nı́veis de cintilação. A
estimativa é realizada através de uma ferramenta denominada SCINTMOD, baseada no
WBMOD.
Figura 18: Exemplo do WBMod. Fonte: NorthWest Research Associates, Inc. (NWRA)
(2011).
58
3.7.2
Global Ionospheric Scintillation Model (GISM)
O GISM provê caracterı́sticas estatı́sticas do sinal transmitido, como ı́ndices de cintilação e duração das atenuações nos sinais. Também são disponibilizados mapas do ı́ndice
S4 e do desvio-padrão da fase do sinal. As informações sobre este modelo são encontradas
na documentação técnica (BÉNIGUEL, 2011).
Tal modelo admite como parâmetros de entrada a densidade espectral da densidade
das flutuações de elétrons (p), sua distância de correlação (L0 ) e a sua velocidade e direção de deslocamento. O fator de correlação varia conforme as condições locais, onde
as caracterı́sticas das diferentes camadas da ionosfera são levadas em consideração. A
velocidade e direção de deslocamento são derivados a partir do padrão de difração dos
sinais transmitidos.
O GISM possui um modelo de propagação, o qual recorre a um modelo denominado
“NeQuick” (RADICELLA, 2009) para calcular a densidade eletrônica média para pontos
na ionosfera (latitudes, longitude e altitude). São parâmetros para este modelo o ano,
dia do ano, hora local e fluxo solar. Também são computados parâmetros geomagnéticos
baseados em um modelo de harmônicos esféricos do campo magnético terrestre, o qual
provê inclinação, declinação e intensidade vertical do campo magnético.
O algoritmo, que calcula as cintilações para um local arbitrário, bem como erros
médios relativos ao valor do TEC, é baseado em uma técnica que divide a ionosfera em
camadas – também denominadas janelas – perpendiculares ao eixo de propagação. Cada
janela é caracterizada por propriedades estatı́sticas homogêneas. A Figura 19 apresenta
algumas opções de saı́da disponibilizadas pelo GISM.
59
Figura 19: Exemplos do GISM. Fonte: IEEA - Theoretical Studies in Electromagnetism
(2010).
60
4
Influência da Cintilação Ionosférica no Posicionamento
GNSS
A caracterização de efeitos de cintilação ionosférica no posicionamento requer a análise
de vários parâmetros, já que tal efeito varia conforme a localização geográfica, atividade
solar, variações sazonais, etc. Walter et al. (2010) destaca que os mais importantes são o
desempenho do sistema em condições não perturbadas e o quão severa é a cintilação, ou
seja, o quanto os sinais foram afetados.
De uma forma geral, pode-se perceber que a cintilação ionosférica degrada o posicionamento, já que causa distúrbios nos sinais. Um aspecto que não pode deixar de ser
observado é que os sinais das estações de referência também são afetados, desta forma,
a qualidade e quantidade de observações destas estações também são degradadas. Se
a cintilação causar prejuı́zo na recepção de dados ou degradação dos mesmos, tanto a
infraestrutura de suporte – consolidada pelas redes – quanto o usuário de um simples
receptor, terão menos observações, e, consequentemente, os erros serão mais significativos
(WALTER et al., 2010).
Efeitos como as cintilações ionosféricas impedem que o GNSS seja a única forma de
se obter posicionamento em aplicações onde a segurança deste serviço é essencial, como a
navegação aérea. Neste caso, além de necessidade de meios para atenuação dos efeitos da
cintilação ionosférica, a verificação da integridade do serviço de posicionamento tem papel
importante. Neste contexto, o conceito de Receiver Autonomous Integrity Monitoring
(RAIM) pode ser explorado, o qual visa detectar erros e emitir alertas ao usuário em caso
de integridade ameaçada (PRASAD; RUGGIERI, 2005).
Perdas de sintonia causadas por cintilações afetam diretamente em processos de redução de ruı́dos, como a técnica de pseudodistância filtrada pela fase, que combina as duas
61
observáveis. No entanto, esta técnica é sensı́vel a perda de dados, e, quando interrompida, pode acarretar em erros devido a multicaminho e ruı́dos locais até 10 vezes mais
significativos (SEO et al., 2008; WALTER et al., 2010).
Conforme pôde ser observado na Figura 10 (apresentada na Seção 3.4), as irregularidades na ionosfera podem afetar de distintas maneiras os satélites que estão sendo
rastreados pelo receptor. Uma possı́vel estratégia de mitigação dos efeitos da cintilação
no posicionamento GNSS é o descarte das observações mais afetadas. Em um cenário
com vários satélites disponı́veis (com boa redundância de observações), mas com apenas
um satélite afetado pela cintilação, a determinação da posição do usuário pode não ser
afetada significativamente. No entanto, em um cenário oposto, com fraca cobertura de
satélites e sem redundância de observações, a perda de sintonia de apenas um satélite
pode causar a interrupção do serviço de posicionamento.
No contexto das redes GNSS – tanto as compostas por estações terrestres, como as
caracterizadas por sistemas de complemento – se a cintilação afetar apenas alguns satélites
de uma única estação, o impacto da rede na performance do usuário será provavelmente
baixo e restrito à região do mesmo. Já num caso extremo, com muitas estações sendo
afetadas por severas cintilações, este impacto pode ser refletido com maior significância
para toda a rede (WALTER et al., 2010).
Já no contexto dos sistemas de navegação em si, a mitigação dos efeitos da cintilação
ionosférica depende do aumento da cobertura: quanto mais satélites estiverem disponı́veis
para o usuário, maior será a possibilidade de se garantir a performance em eventos de
cintilação, já que será possı́vel tolerar os sinais degradados. Destaca-se que a frequência
L2 é mais suscetı́vel a cintilações de fase em relação à frequência L1. No entanto, em alguns
casos, as cintilações de amplitude podem ser mais significativas na frequência L1. Como
baixas cintilações de fase são mais comuns que as altas cintilações de amplitude, a perda
de dados em L2 é superior à L1. Conforme já comentado, a perda de dados acarretada
pela cintilação prejudica modelagens, como a pseudodistância suavizada pela fase, bem
como demais combinações lineares que podem ser realizadas à partir de receptores multifrequência. Com a nova frequência de transmissão (L5) para o GPS, esta vulnerabilidade é
reduzida, uma vez que, dentre outros aspectos, a potência do sinal foi aumentada, fazendo
com que os receptores sofram menos perda de dados em L5 em relação a L2. Todavia,
severas cintilações de fase e de amplitude também serão significativas nesta frequência
(WALTER et al., 2010). De uma forma geral, destaca-se que as cintilações de amplitude
e de fase são bem correlacionadas, e que os efeitos são menos significativos na frequência
62
L1 em relação às frequências L2 e L5 (PENG et al., 2011).
Outro aspecto a se destacar é quanto ao uso das efemérides transmitidas. Para o
caso do GPS, estão incluı́dos bits de paridade que permitem a detecção de erros. As
mensagens tem duração de 18 segundos e uma taxa de 50 bits por segundo. Elas são
retransmitidas pelos satélites a cada 30 segundos, e atualizadas a cada 2 horas. Testes
devem ser realizados a fim de observar a correta decodificação de uma nova mensagem,
seja pelos bits de paridade, seja através de testes comparativos entre retransmissões. Em
caso de detecção de falha na decodificação, o referido satélite pode ser descartado até a
correta decodificação das mensagens, ou seja, novos dados devem ser adquiridos ou deve-se
utilizar mensagens de navegação anteriores (WALTER et al., 2010).
No caso dos sistemas de complemento – como os satélites SBAS – são transmitidas
mensagens com informações mais abrangentes, como informações acerca da integridade
de todos os satélites disponı́veis. Logo, este tipo de sistema deve contar com técnicas
robustas de detecção de erros a fim de garantir a correta decodificação das informações.
O uso de satélites redundantes também figura como uma alternativa, já que, neste caso,
somente haverá prejuı́zo se todos os satélites forem afetados pela cintilação (WALTER et
al., 2010).
Por fim, no contexto do usuário, é importante que se tenha receptores multi-frequência
a fim de realizar uma modelagem adequada dos diversos efeitos que aparecem na trajetória
do sinal até o receptor, com exceção de linhas de base muito curtas (aproximadamente 1
a 5 km).
4.0.3
Influência no Posicionamento Relativo
No posicionamento relativo, uma parte dos erros devido à ionosfera é cancelada ao
se realizar as duplas diferenças. No entanto, a ionosfera ainda pode causar impactos
significativos no posicionamento, ainda que se utilize receptores de dupla frequência (DAL
POZ, 2010).
Mendonça, Monico e Motoki (2012) apresentam um estudo de caso, onde o posicionamento relativo foi empregado em um cenário de agricultura de precisão. Foi utilizado
um trator dotado de sistema comercial de piloto automático baseado no método de posicionamento RTK. A fim de verificar as condições de cintilação nas proximidades do local,
foi constituı́da uma estação de monitoramento de cintilação nas proximidades da região
do experimento, conforme apresenta a Figura 20.
63
Figura 20: Estação de monitoramento utilizada para a inferência dos parâmetros de atividade da ionosfera. Fonte: Mendonça, Monico e Motoki (2012).
Utilizando-se a solução RTK disponı́vel no trator, e mantendo-se o mesmo parado a
uma distância aproximada de 100 m de sua estação base, observou-se, em um perı́odo observado de alta cintilação, discrepâncias de até 30 cm entre as soluções época a época. A
Figura 21 apresenta os resultados deste experimento. Acima, são apresentados os ı́ndices
S4 obtidos na base: as linhas amarela e vermelha indicam, respectivamente, limiares empı́ricos adotados para caracterização da cintilação como fraca/moderada e moderada/forte.
À direita são apresentadas as coordenadas obtidas pelo sistema comercial, que os disponibiliza através das componentes horizontais (E e N) na projeção UTM e a componente
vertical (h) no referencial da base utilizada.
4.0.4
Influência no Posicionamento por Ponto Preciso (PPP)
No PPP, é possı́vel observar os efeitos da cintilação ionosférica em um experimento
realizado por Silva, Monico e Marques (2012), o qual recorreu a dados de uma estação da
rede de monitoramento CIGALA/CALIBRA localizada em Presidente Prudente/SP. Foi
escolhido um perı́odo onde o ı́ndice S4 indicou a presença de forte cintilação de amplitude,
observadas pelo alto ı́ndice S4.
Os resultados são apresentados na Figura 22. Acima, é possı́vel notar o ı́ndice S4
elevado em um perı́odo do dia, indicando a cintilação forte. Logo abaixo, o erro nas
coordenadas obtidas na solução época-a-época é apresentado. Observa-se que os erros
foram significativos tanto nas componentes leste, norte e vertical, chegando a picos de 5
m.
64
Figura 21: Índice S4, erro nas componentes Leste (E), Norte (N) e Vertical (H) em RTK.
Fonte: Mendonça, Monico e Motoki (2012).
65
Figura 22: Cintilação observada e erros obtidos em PPP. Fonte: Silva, Monico e Marques
(2012).
66
5
Visualização e Mineração de Dados
A capacidade de coletar e armazenar dados está aumentando de maneira mais rápida
do que nossa habilidade de analisá-los (KEIM et al., 2008b). A Figura 23 apresenta um
panorama geral da evolução das tecnologias de armazenamento de dados. Em 1982, a
1
empresa Tandon anunciou um disquete de 3 2 polegadas com capacidade de armazenamento de 875 kilobytes (KB) - inferior a 1 megabyte (MB). O preço de lançamento deste
dispositivo de armazenamento era aproximadamente 200 dólares (TANDON. . . , 1982).
Atualmente, pouco mais de 30 anos depois, existem, por exemplo, dispositivos de armazenamento do tipo cartão MicroSD capazes de armazenar 32 gigabytes (GB) de dados.
Este tipo de dispositivo tem um preço aproximado de 30 dólares. Observa-se uma redução
superior a 40.000 vezes no preço por byte, além da maior capacidade de armazenamento,
velocidade e robustez do cartão MicroSD em relação ao disquete.
Figura 23: Comparação entre um disquete e um cartão Micro SD.
Este aspecto – de facilidade de armazenamento de volumes crescentes de dados –
acarreta em necessidades adicionais para analisá-los. Neste contexto, o campo da análise
exploratória de dados (Exploratory Data Analysis – EDA) reúne filosofias acerca da investigação sobre os dados, além de um conjunto de ferramentas e técnicas para exploração
67
dos mesmos (KEREN; LEWIS, 1993). Destaca-se a importância da utilização de representações visuais sobre os dados – inclusive precedendo análises estatı́sticas clássicas, já
que estas podem, em certos casos, não deixar tão claras informações importantes sobre
os dados de acordo com a estatı́stica empregada (por exemplo, a média de um atributo)
(HARTWIG, 1979).
Um exemplo que evidencia a importância da análise exploratória precedendo a análise
estatı́stica é apresentado em Croarkin e Tobias (2012). Os quatro conjuntos de dados
apresentados – cada qual formado por onze instâncias de X e Y – possuem mesma média
para as instâncias de X (9.0), mesma média para as instâncias de Y (7.5), mesmo desviopadrão residual (1.24) e mesmo ı́ndice de correlação (0.82), além de outras propriedades
estatı́sticas idênticas. De um ponto de vista quantitativo, a análise estatı́stica pode levar
a conclusão de que os conjuntos de dados são equivalentes. No entanto, a construção
de gráficos de dispersão para cada conjunto permite perceber que os mesmos são bem
distintos entre si, conforme pode ser observado na Figura 24.
Figura 24: Quatro conjuntos de dados com caracterı́sticas divergentes, mas com propriedades estatı́sticas idênticas. Adaptado de Croarkin e Tobias (2012).
As técnicas de visualização e de mineração de dados figuram como importantes aliadas
nos processos de análise exploratória dos dados e tomada de decisão. Trata-se de abordagens eficientes para lidar com este paradigma de se lidar com grandes quantidades de
dados. A visualização explora as habilidades do ser humano de se encontrar estruturas em
imagens. Já a mineração busca a descoberta de conhecimento em gradiosas quantidades
de dados (MULLER; SCHUMANN, 2003; HAN; KAMBER, 2006).
Shneiderman (2001) destaca um paradigma presente em sistemas de visualização e
68
mineração de dados. Quando há alta complexidade computacional, aumentam-se os riscos
se a compreensão e controle por parte do usuário diminuem. Desta forma, em sistemas
computacionais desta natureza, é essencial que o usuário possa interagir com as operações.
Deve-se permitir que, após uma análise inicial, parâmetros de configuração sejam alterados
e os novos resultados sejam apresentados de forma visual. Tendo estes recursos, o sistema
se caracteriza como uma ferramenta de descoberta.
Han e Kamber (2006) destacam alguns componentes desejados em um sistema de
mineração de dados, os quais permitem ao usuário se comunicar interativamente com o
sistema de mineração. Desta forma, o usuário pode direcionar o processo, fazendo análises
gerais ou especı́ficas de acordo com o seu interesse. Tais componentes compreendem:
• Definição da funcionalidade a ser aplicada (definidas na Subseção 5.2.1);
• Definição de um subconjunto de interesse na base de dados (atributos e dimensões);
• Determinação de limiares (ou outras funções de avaliação) que funcionem como
regras para o processo de mineração;
• A maneira com que os resultados serão apresentados (representação visual).
Inicialmente, o usuário define o tipo de conhecimento que deseja extrair da base de
dados, para então criar um subconjunto de interesse. Este subconjunto pode ser compreendido por um conjunto de atributos ou de instâncias dos dados (REZENDE, 2009). Em
seguida, o usuário pode especificar limiares ou parâmetros de entrada para o processo de
mineração. Após a execução de tal processo, o usuário pode interagir com a representação
visual dos resultados obtidos.
Detalhes sobre os conceitos de visualização e mineração de dados são apresentados
respectivamente nas Seções 5.1 e 5.2 a seguir.
5.1
Visualização de Dados
As representações visuais proporcionam o mais poderoso canal de comunicação entre
o ser humano e o computador: cerca de 20 bilhões de neurônios responsáveis em analisar
informações visuais proveem um mecanismo de reconhecimento de padrões que é fundamental na maioria das atividades cognitivas do ser humano. Mais informação pode ser
adquirida através da visão do que através da combinação de todos os outros sentidos
(WARE, 2012).
69
Pode-se encontrar duas definições interessantes sobre o termo “visualização” em um
dicionário (VISUALIZACAO, 2009). A primeira é “transformação de conceitos abstratos
em imagens reais ou mentalmente visı́veis”, e, a segunda, “conversão de números ou dados
para um formato gráfico, que pode ser mais facilmente entendido”. Tais definições são
comparáveis à evolução do termo visualização, apresentada por Ware (2012), a qual parte
de construção de uma imagem visual na mente, até a representação gráfica de conceitos ou
dados, tornando-se assim um aliado externo que suporta processos de tomada de decisão.
Voltando às duas definições do dicionário, percebe-se que a primeira está relacionada
à maneira com que o ser humano percebe e sintetiza as informações apresentadas visualmente. Esta relação é objeto de pesquisas relacionadas à percepção e cognição humana. Já
a segunda definição está relacionada à visualização da informação seguindo-se alguma representação: por exemplo, um gráfico de barras. Para construção do mencionado gráfico,
sugere-se, então, que as informações de interesse estejam armazenadas seguindo-se uma
representação bruta ou simplificada que carece de transformações para ser representada
visualmente. Esta representação bruta pode ser, por exemplo, uma planilha com gastos
mensais ao longo de um ano. Uma das grandes vantagens da visualização de dados é a
possibilidade de se interpretar a totalidade destes dados rapidamente, desde que sejam
bem representados. Outras vantagens podem ser destacadas, como a maior habilidade
para lidar com grandes volumes de dados, facilidade na identificação de novos padrões e
suporte à formação de novas hipóteses (WARE, 2012).
O processo de visualização de dados pode ser dividido em componentes conforme apresenta a Figura 25. O componente base envolve a obtenção e armazenamento dos dados.
Em seguida, aparecem as transformações nos dados: são realizados pré-processamentos a
fim de se obter maior manuseabilidade. No componente seguinte aparece a representação
visual dos dados, processo que se dá através de algoritmos computacionais que produzirão
uma imagem na tela. Por fim, o último componente é caracterizado pelo sistema cognitivo
e perceptual do analista da informação, neste caso, de um ser humano (WARE, 2012).
Observa-se um fluxo interativo entre os componentes, e a interação do ser humano
com todos eles. Na aquisição dos dados, o usuário pode optar pela escolha dos dados de
interesse em um subconjunto maior. No pré-processamento, o qual precede a visualização,
o usuário pode optar por transformações sobre os dados - por exemplo, pode limitar
valores em um certo intervalo. Por fim, o usuário pode manipular a visualização em si,
por exemplo, através de interações com o mouse. Observa-se também a presença de dois
ambientes: fı́sico e social. A interpretação de informações pelo ser humano está associada
70
Figura 25: Processo de Visualização. Adaptado de Ware (2012, p. 4).
a inúmeros fatores, que podem variar desde aos aspectos cognitivos - inerentes ao ser
humano -, até os aspectos sociais e de cultura regional. Desta forma, a representação
visual dos dados deve estar adequada às caracterı́sticas de seu público alvo - presentes no
ambiente social destacado na Figura 25. Já o ambiente fı́sico está relacionado à fonte dos
dados em si (WARE, 2012).
No contexto geral de sistemas computacionais, onde figuram as interfaces homemmáquina, existem metáforas que estão associadas a assimilações “automáticas” ou “invisı́veis”. Por exemplo, na grande maioria dos sistemas computacionais, os termos “recortar”
e “colar” remetem à movimentação de arquivos entre diretórios. Estes termos são metáforas, que, quando utilizadas permitem que o utilizador assimile informações que lhe são
familiares e concretas para estruturar conceitos mais abstratos. No caso citado, “recortar
e colar” são atividades de fácil assimilação, pois, teoricamente, fazem parte do cotidiano
natural do utilizador. Desta forma, a metáfora é utilizada para representar o conceito
mais abstrato (ROCHA; BARANAUSKAS, 2003). Outro exemplo de metáfora será apresentado adiante na Subseção 5.3, onde explora-se a metáfora de um calendário para a
representação de informações.
Alguns fatores que caracterizam a interface de apresentação da informação de forma
visual ao ser humano são como metáforas de interface implı́citas. Embora pareçam pequenos detalhes, estudos revelam que a apresentação da informação influencia diretamente
no processo de percepção e cognição humana (KEHRER, 2007; KEIM et al., 2008b).
71
Desta forma, estes detalhes – uma vez compreendidos e modelados – podem resultar em
resultados mais eficientes no processo de tomada de decisão.
Em grandiosas quantidades de dados, tomar alguma decisão sem uma representação
alternativa dos dados torna-se muito difı́cil. De uma forma geral, pode-se afirmar que
extrair informações relevantes e analisá-las – a fim de fundamentar e confirmar hipóteses
– são alguns dos processos que se tornam mais ágeis e eficientes quando estas informações
são apresentadas em um esquema visual e interativo, alcançando o poder de comunicação
visual do ser humano.
Este eixo compreendido pela comunicação visual do ser humano e pela representação
da informação está relacionado ao conceito de Visual Analytics (Analı́tica Visual), que tem
como objetivo principal permitir ao ser humano interagir fortemente com a informação,
obtendo assim as melhores conclusões para o sucesso no processo de tomada de decisão.
5.1.1
O conceito de Visual Analytics
Em contextos semelhantes ao que apresentamos neste Projeto (grandes quantidades
de dados), a aplicação de métodos relacionados à Visual Analytics (ou Analı́tica Visual)
é indicada. Segundo Keim et al. (2008b), a Analı́tica Visual combina técnicas de análise
de dados com visualização interativa para se obter entendimento, raciocı́nio e decisões
eficazes sobre uma base de dados muito grande e com dados complexos. Um dos pontos
fortes da Analı́tica Visual está na combinação dos pontos fortes das máquinas com os
pontos fortes dos humanos, isto é, o poder de processamento das máquinas está aliado à
capacidade de perceber, relacionar e concluir do ser humano.
A Figura 26 apresenta o escopo da Analı́tica Visual, onde a visualização é combinada a fatores humanos e a análise de dados. É possı́vel verificar que a Analı́tica Visual
compreende várias especificidades, como a análise geoespacial, estatı́stica e cientı́fica.
Keim et al. (2008a) apresentam um ciclo do processo Analı́tico-Visual, o qual pode
ser observado na Figura 27. Este ciclo envolve a interação de três entidades: dados,
visualização (representação visual) e usuário. Para uma análise inicial dos dados, empregase a visualização, gerando-se uma imagem. A imagem incrementa a percepção do usuário,
permitindo ao mesmo a obtenção de um novo entendimento que auxilia na construção do
conhecimento sobre os dados. O conhecimento permite a formulação de novas hipóteses, as
quais podem ser melhor estudadas (exploração e análise). A partir daı́, pode-se restringir
o domı́nio de interesse no conjunto de dados para análises especı́ficas, reiniciando-se o
72
Figura 26: Escopo da Analı́tica Visual. Adaptado de Keim et al. (2008b, p. 4).
ciclo na análise inicial deste subconjunto de dados.
Figura 27: Ciclo do Processo Analı́tico-Visual. Traduzido de Keim et al. (2008a, p. 165).
Diversas abordagens têm sido introduzidas nos últimos anos, as quais proveem gráficos
mais efetivos para visualização de grandes volumes de dados, tanto em quantidade de
dados, como em número de parâmetros. No contexto de dados orientados ao tempo escopo deste projeto - a visualização de séries temporais possibilita a observação de vários
aspectos, tais como (MacEACHREN, 1995; MULLER; SCHUMANN, 2003):
• Existência: um fenômeno ocorreu em certo perı́odo?
• Localização temporal: Quando um fenômeno ocorre? Existe um comportamento
sistemático?
73
• Intervalo temporal: Quanto tempo dura certo fenômeno?
• Textura temporal: Com que frequência ocorre?
• Taxa de variação: Como o fenômeno tem variado ao longo do tempo?
• Sequencialidade: Em que ordem acontecem?
• Associação: Existem fenômenos associados?
O processo da Analı́tica Visual contribui para a busca das respostas para estas categorias de questões, possibilitando ao analista, pela interatividade, uma participação mais
ativa no processo de exploração e análise dos dados.
5.2
Mineração de Dados (Data Mining)
O conceito de mineração de dados remete à extração de conhecimento em grandes
quantidades de dados. O termo “mineração”, que pode soar estranho neste contexto, é
análogo ao aplicado, por exemplo, na mineração de ouro: o objetivo é encontrar porções
preciosas em grandes quantidades de material bruto (HAN; KAMBER, 2006). A Figura
28 apresenta o escopo da mineração de dados, que engloba uma série de disciplinas, tais
como estatı́stica, aprendizado de máquinas, visualização de dados, dentre outras.
Figura 28: Escopo da Mineração de Dados. Traduzido de Han e Kamber (2006, p. 29).
Outro conceito aplicável neste contexto é o de Descoberta de Conhecimento em Bases
de Dados (Knowledge Discovery from Data - KDD1 ). Este conceito pode ser visto como
1
A definição Knowledge Discovery in Databases também pode ser encontrada na literatura para a sigla
KDD.
74
um processo mais abrangente, o qual inclui em uma de suas etapas o processo de mineração
de dados. Mesmo assim, o termo Data Mining tem sido mais utilizado (HAN; KAMBER,
2006).
A Figura 29 apresenta o processo KDD, incluindo a etapa de mineração de dados.
Dados de diversas fontes são pré-processados a fim de se garantir a consistência dos mesmos. Em seguida, os mesmos podem ser integrados em um repositório central. Na etapa
seguinte, um subconjunto de interesse é recuperado do repositório. Nesta etapa, pode ser
necessária a realização de transformações sobre os dados: como exemplo, pode-se recorrer
à normalização dos mesmos. A maior parte do tempo é gasta nestas etapas, podendo
atingir até 70% do tempo total. Em seguida, tem-se o processo de mineração, onde métodos são aplicados a fim de se extrair padrões sobre os dados. Após este processo, os
resultados podem ser avaliados por métricas especı́ficas - que funcionam como indicadores
de qualidade sobre o processo de mineração -, e apresentados ao usuário por técnicas de
visualização e representação de conhecimento. Este processo segue em um fluxo de dados, informação e conhecimento, onde partindo-se sobre a massiva quantidade de dados,
busca-se alcançar um novo conhecimento sobre certo fenômeno (HAN; KAMBER, 2006;
REZENDE, 2009).
Figura 29: Processo KDD incluindo a Mineração de Dados. Adaptado de Han e Kamber
(2006, p. 6).
A arquitetura geral de um sistema computacional de mineração de dados é apresen-
75
tada na Figura 30. Na camada base, tem-se as fontes de dados, que podem ter diferentes
origens. Na camada superior, tem-se uma unidade central ou data warehouse, a qual é
responsável por armazenar os dados selecionados pelo usuário em seu processo de mineração. O módulo de mineração inclui os algoritmos para realização de tarefas, tais como a
classificação e análise de correlação. Este módulo interage com o módulo de avaliação de
padrões, que comporta as métricas utilizadas para reconhecimento de padrões. Observase que estes dois módulos estão ligados à base de conhecimento. O conhecimento prévio
acerca do domı́nio dos dados é utilizado como guia durante o desenvolvimento do módulo de mineração e do módulo de avaliação de padrões. No topo, tem-se a interface de
comunicação com o usuário, a qual permite a interação do mesmo com o sistema, permitindo a realização de consultas e demais tarefas durante o processo de mineração (HAN;
KAMBER, 2006).
Figura 30: Arquitetura geral de um Sistema de Mineração de Dados. Adaptado de Han
e Kamber (2006, p. 8).
5.2.1
Funcionalidades da Mineração de Dados
O processo de mineração de dados tem por objetivo final a extração de conhecimento
em grandes quantidades de dados, conforme definido na Seção 5.2.
76
Algumas caracterı́sticas definem tarefas no processo de mineração de dados, as quais
podem ser definidas como descritivas ou preditivas. Enquanto as tarefas descritivas caracterizam as propriedades dos dados, as preditivas visam visam realizar inferências sobre
os mesmos a fim de se obter comportamentos futuros. As seguintes funcionalidades são
destacadas por Han e Kamber (2006):
• Caracterização e Discriminação de Dados: a caracterização visa sumarizar os dados
de uma classe de estudo, denominada classe alvo. A discriminação visa comparar a
classe alvo com um conjunto de classes comparativas, denominadas classes contraste.
Os resultados da caracterização podem ser apresentados de várias formas, como
gráficos de pizza e de barra;
• Mineração de Padrões, Associações e Correlações: o termo padrão recorrente é
auto-explicativo. Han e Kamber (2006) classifica os padrões recorrentes em três
tipos: conjunto de items, sequenciais e estruturados. Os padrões em conjuntos
de itens acontecem quando um conjunto de atributos aparece simultaneamente.
Exemplificando-se, um comerciante pode observar que uma parte considerável das
pessoas que compram um computador adquire também uma impressora. Já os
padrões sequenciais são formados pelo desencadeamento de ações. Por exemplo,
o mesmo comerciante pode observar que pouco tempo após comprarem um mp3
player, os compradores adquirem um novo fone de ouvido. Já os padrões subestruturados são formados por sequências sistematizadas de padrões em conjuntos
de itens e/ou sequenciais. A mineração de padrões recorrentes leva à descoberta de
associações e correlações;
• Classificação e Predição: a classificação é o processo de encontrar uma função (ou
modelo) que descreve e distingue classes em um conjunto de dados, identificadas
por rótulos. Desta forma, torna-se possı́vel a utilização desta função para tentar
identificar a classe pertencente de objetos cujo rótulo ainda é desconhecido. Para
derivação do modelo, recorre-se a um conjunto de treinamento caracterizado por
valores já rotulados. Destaca-se que anteriormente aos processos de classificação e
predição, uma análise de relevância deve ser realizada como tentativa de identificação
de atributos que não contribuem para estes processos, os quais podem ser excluı́dos;
• Análise de Agrupamentos (Cluster Analysis): a análise de agrupamentos é realizada
sem a consulta ao rótulo da classe; de uma forma geral, tais valores são ainda
desconhecidos nesta etapa, e o processo de clusterização pode ser realizado para
77
encontrá-los. Neste processo, os objetos são agrupados de maneira com aqueles
que pertencem a um mesmo cluster tenham a maior similaridade entre si, mas
tenham também a maior dissimilaridade se comparados a objetos de outros clusters.
Ao término do processo, cada cluster formado pode ser visto como uma classe de
objetos;
• Análise de Anomalias (Outliers): as anomalias são caracterizadas por elementos
que não respeitam o comportamento habitual ou o modelo dos dados. Em algumas
aplicações, como detecção de fraudes, estes elementos podem ser mais interessantes
que os habituais. Em contrapartida, em outros cenários, tais valores podem não ser
interessantes, os quais podem ser descartados;
• Análise de Evolução: a análise de evolução descreve e modela regularidades ou
tendências de objetos cujo comportamento varia ao longo do tempo. Esta análise
pode incluir todas as etapas anteriores, além da análise de séries temporais.
5.3
Técnicas de Mineração e Visualização de Dados
Nesta Seção, são apresentadas técnicas de visualização e mineração de dados que
foram objeto de investigação e posteriormente utilizadas nesta pesquisa. São enfocadas
técnicas aplicáveis ao domı́nio temporal dos dados de monitoramento (observações a cada
minuto), bem como ao domı́nio espacial (localização das estações e projeções dos pierce
points).
Uma das visualizações mais antigas, que também pode ser considerada uma das mais
utilizadas é o gráfico de dispersão. Os gráficos de dispersão (scatterplots ou xy-plots) são
baseados no sistema de coordenadas Cartesiano: duas variáveis são plotadas – uma sobre
o eixo x e outra sobre o eixo y; pode-se explorar o uso de cores, de sı́mbolos e tamanho dos
sı́mbolos. O sucesso dos mesmos se deve à habilidade do ser humano em julgar a posição
de atributos em um espaço delimitado. Este tipo de visualização é essencial para análise
exploratória dos dados (WARD; GRINSTEIN; KEIM, 2010; REIMANN et al., 2008).
Um tipo peculiar de gráfico de dispersão representa o tempo em seu eixo x. Esta
representação pode ser utilizada em representações pontos, linhas ou ambos. Desta forma,
tem-se que o eixo vertical representa o atributo mapeado, e o eixo das abcissas representa
o tempo. Nas representação com linhas, os atributos são ligados por retas ou curvas suaves
(FEW, 2008; REIMANN et al., 2008). Um exemplo com linhas e pontos é apresentado
na Figura 31, onde o valor da variável pH ao longo dos meses de um ano.
78
Figura 31: Representação temporal através de gráficos de dispersão. Fonte: Reimann et
al. (2008).
A Figura 32 apresenta duas abordagens para representação de múltiplas séries temporais. A primeira (acima na Figura 32) apresenta as séries em múltiplas linhas; no entanto,
as linhas se tornam pequenas e os padrões perdem os seus detalhes (FEW, 2008). A
segunda (abaixo na Figura 32), apresenta as séries em diferentes cores; trata-se de uma
alternativa plausı́vel, mas observa-se que pode causar sobreposição (WARD; GRINSTEIN;
KEIM, 2010).
79
Figura 32: Tentativa de representação de diversas séries na tela. Adaptada de Few (2008)
e Ward, Grinstein e Keim (2010).
Uma alternativa para a representação de múltiplas séries temporais de maneira simultânea é a utilização dos horizon charts. Tais gráficos combinam posição e cores a fim
de aumentar a percepção: as posições são mais eficientes na identificação de variações de
pequena escala, enquanto as cores permitem a identificação de variações em larga escala.
A motivação dos horizon charts parte do princı́pio da eficiência da representação da série
temporal de uma variável do que um gráfico de linha, onde o eixo das abcissas representa
o tempo, e a variável está representada no eixo das coordenadas (FEW, 2008; BOSTOCK,
2012).
A proposta dos horizon charts é apresentada na Figura 33. Partindo-se de uma
representação simplificada (a), são utilizadas cores para distinguir valores negativos de
positivos (b). As diferenças em magnitude são representadas nas intensidades: cores mais
80
intensas são utilizadas para os valores de magnitude maior, e cores menos intensas para os
de magnitude menor (tanto positivos, quanto negativos). Em seguida, os valores negativos
ocupam o mesmo espaço vertical que os valores positivos, sendo distinguidos pelas cores
(c). Por fim, os valores pertencentes às bandas mais intensas são colapsados para as
bandas menos intensas (d). Desta forma, ao término do processo, tem-se maior espaço
vertical livre, o qual pode ser utilizado para representar mais séries temporais na mesma
tela (FEW, 2008).
Figura 33: Formação dos horizon charts. Adaptada de Few (2008).
Bostock (2012) inclui uma representação adicional, a qual é apresentada na Figura
34. Partindo-se dos horizon charts habituais (a), os valores negativos são invertidos sobre
o eixo (b).
Figura 34: Formação dos horizon charts. Adaptada de Bostock (2012).
Na Figura 35 é apresentado um exemplo com dados que representam a porcentagem
de variação das ações de 19 empresas em um perı́odo superior a três anos. É possı́vel
81
observar, dentre outros aspectos, comportamentos no mercado que afetaram várias ações
simultaneamente (BOSTOCK, 2012).
Figura 35: Representação de várias séries temporais com horizon charts. Fonte: Bostock
(2012).
Para exploração dos atributos espaciais, os mapas são certamente a melhor estratégia.
Shimabukuro et al. (2004) apresenta uma abordagem de múltiplas visões para o domı́nio
espaço-temporal, a qual é apresentada na Figura 36. Os mapas são utilizados para representação espacial, onde marcadores geográficos, como pontos ou cı́rculos, são utilizados
para representar elementos de interesse sobre o mesmo; a cor e a forma dos marcadores
permitem identificar um ou mais atributos de interesse (Figura 36 à esquerda). Para o
domı́nio temporal, são utilizadas representações baseadas em pixels (pixel-based ) que permitem a visualização de atributos em diferentes escalas de tempo, como diária, mensal
ou anual. O valor dos atributos de interesse é mapeado na cor dos pixels, enquanto a
variação temporal é representada na posição dos mesmos (Figura 36 à direita). A imagem
se refere a uma entidade espacial, cada coluna representa um ano e cada linha representa
um determinado mês.
82
Figura 36: Representação espaço-temporal com mapas e pixel-based. Fonte: Shimabukuro
et al. (2004).
Wijk e Selow (1999) apresentam a técnica Calendar View (visão de calendário), que
combina visualização e análise cluster de séries temporais. Primeiramente, são formados
os clusters utilizando-se algum algoritmo para tal finalidade. Em seguida, os resultados
são exibidos em um calendário (observa-se o uso de uma metáfora visual ao se empregar
um calendário (MULLER; SCHUMANN, 2003)). A Figura 37 apresenta esta técnica.
À esquerda, a visão de calendário, onde as cores dos dias são atribuı́das de acordo com
a classe pertencente. Observa-se que os dias da semana são dispostos horizontalmente.
Após a seleção de meses, dias ou classes de interesse, os valores associados são exibidos à
direita.
Figura 37: Calendar view representando a quantidade de funcionários dentro de uma
empresa. Fonte: Wijk e Selow (1999).
83
Lin et al. (2003) apresentam uma relação de abordagens representativas aplicáveis a
séries temporais. Esta relação inclui Wavelets, Transformada de Fourier, dentre outras
abordagens. Uma abordagem denominada Symbolic Aggregation Approximation (SAX
- Aproximação por Agregação Simbólica) é introduzida, a qual possibilita a redução de
dimensionalidade e de volume de dados através de uma representação baseada em sı́mbolos
(LIN et al., 2003; LIN et al., 2004).
Primeiramente, a série temporal é reduzida de n dimensões para w dimensões. Esta
redução é realizada através da técnica Piecewise Aggregation Approximation (PAA - Aproximação por Agregação Seccionada). A técnica PAA consiste em representar uma série
temporal de dimensão n através de w vetores lineares. Cada vetor é constituı́do por um
valor constante. Primeiramente, a série temporal de dimensão n é dividida em w frames
(ou segmentos) de tamanho fixo. Em seguida, o valor médio dos valores contidos em cada
frame é calculado, e o valor resultante se torna a representação reduzida destes dados
(LIN et al., 2003; KEOGH et al., 2001). Esta representação reduzida é apresentada na
Figura 38.
Figura 38: Redução de dimensionalidade com a técnica PAA. Adaptada de Lin et al.
(2003).
Observa-se na Figura 38, que uma sequência de tamanho 128 (C) foi reduzida para
oito dimensões (C̄). Lin et al. (2003) destaca que antes da aplicação da redução com
a técnica PAA, os dados são normalizados para se ter média 0 e desvio-padrão 1, desta
forma, pode-se comparar séries temporais de diferentes amplitudes. No entanto, para o
caso especı́fico onde variações de amplitude são importantes – como neste projeto – esta
etapa pode ser descartada.
Após a realização da representação PAA, sı́mbolos são atribuı́dos aos vetores representativos de acordo com sua continência em intervalos delimitados por breakpoints prédeterminados. Um exemplo é apresentado na Figura 39, na qual a série temporal foi
convertida para a sequência simbólica “acdcbdba”; foram utilizados três breakpoints e
84
quatro sı́mbolos, os quais permitiram transformar uma série temporal de mil dimensões
em uma representação de oito sı́mbolos.
Figura 39: Conversão de uma série temporal em uma representação simbólica com SAX.
Fonte: Lin et al. (2004).
Destaca-se que para o manejamento de séries temporais muito longas, é conveniente
que se recorra a janelas deslizantes (sliding windows). A Figura 40 apresenta o princı́pio,
onde uma série T de comprimento 128 é decomposta sucessivamente em janelas deslizantes
(Ci ) de tamanho n = 16, as quais percorrem sucessivamente toda a série temporal.
Figura 40: Aplicação de janelas deslizantes. Fonte: Lin et al. (2003).
Pode-se optar pela determinação de um passo entre as janelas, caracterı́stica que
relaciona o ganho em eficiência e o grau de generalização. Com maior passo entre janelas,
menos dados são processados, implicando em melhor tempo de resposta; no entanto,
aumenta-se o grau de generalização dos resultados, já que nem todas as janelas possı́veis
são analisadas.
Com a aplicação da técnica SAX, técnicas de visualização podem ser aplicadas sobre a representação simbólica reduzida para melhor representação dos resultados. Uma
abordagem está presente no software VizTree (LIN et al., 2004), na qual os resultados da
85
representação SAX são visualizados em uma árvore. Nesta árvore, a espessura dos ramos
determina a frequência de ocorrência de certos padrões: os mais recorrentes são representados por ramos mais espessos, enquanto os menos recorrentes são representados por
ramos mais finos. Tal representação permite a identificação de padrões frequentes e padrões anômalos (raros) com eficiência. Um exemplo é apresentado na Figura 41. Em (a),
a série temporal original é apresentada. Em (b) define-se as configurações para geração
da representação SAX, cujo resultado é representado pela árvore em (c). Ao selecionar
um ramo especı́fico em (c), uma visualização detalhada da árvore é apresentada em (d),
enquanto em (e) o mesmo detalhe é apresentado para série original.
Figura 41: Visualização da representação SAX utilizando árvore. Fonte: Lin et al. (2004).
86
6
Concepção e desenvolvimento de uma ferramenta para
mineração e visualização de dados: ISMR Query Tool
Diversas eram as dificuldades encontradas em lidar com a massiva quantidade de dados
da Rede CIGALA/CALIBRA. Embora os dados estivessem organizados em um repositório
central, esforço considerável era necessário para manipulá-los. Sem as caracterı́sticas
providas pela visualização, o usuário teria que agrupar dados manualmente para então
produzir tabelas, gráficos, ou mapas, o que exige esforço considerável.
Neste contexto, teve inı́cio a concepção e o desenvolvimento da ISMR Query Tool: um
software cientı́fico com objetivos de agregar as informações de monitoramento das estações
da rede e prover mecanismos para análise dos dados. A estratégia adotada consiste em
combinar técnicas de visualização e de mineração de dados, as quais permitem a análise
exploratória e o apoio na descoberta de conhecimento.
Algumas versões da ferramenta foram desenvolvidas ao longo da Pesquisa, as quais
foram disponibilizadas através do portal que reúne as informações sobre os Projetos
CIGALA e CALIBRA na FCT/UNESP (UNIVERSIDADE ESTADUAL PAULISTA CAMPUS PRESIDENTE PRUDENTE, 2013). Desta forma, membros dos Projetos CIGALA e CALIBRA, alunos da FCT/UNESP, demais pesquisadores do GEGE, bem como
membros de instituições parceiras, podem usufruir de uma infraestrutura de análise que
complementa a infraestrutura de monitoramento constituı́da pela rede de estações.
87
6.1
Da Infraestrutura de Monitoramento para a Infraestrutura de Análise
Os dados de monitoramento (arquivos ISMR) contém observações geradas a cada
minuto; observa-se a caracterização de dados dependentes do tempo, ou seja, os atributos
são dados em função do tempo, tendo a seguinte forma geral (MULLER; SCHUMANN,
2003):
di = f (ti )
(6.1)
Onde di representa um item do conjunto com as 62 variáveis obtidas pelo receptor.
Observa-se ainda, que os dados são definidos por rótulos de tempo discretos, os quais são
rotulados a cada minuto exato. Todo o conjunto de dados D pode ser expresso por:
D = {(t1 , d1 , ) , (t2 , d2 , ) , ..., (tn , dn , )}
(6.2)
Um banco de dados temporal armazena sequência de valores ou eventos repetı́veis
ao longo do tempo. Esta repetibilidade pode ser diária, semanal, mensal, etc. De uma
forma geral, tem-se um banco de dados relacional que armazena atributos relacionados ao
tempo. Já um banco de dados espacial contém informações vinculados ao espaço. Neste
caso, o espaço está relacionado ao domı́nio da informação. Por exemplo, as coordenadas
geográficas em um mapa, ou as coordenadas dos pixels em uma imagem médica. Por fim,
um banco de dados espacial que armazena informações variantes no tempo é considerado
um banco de dados espaço-temporal (WARE, 2012).
Com base nestas definições, para organização dos dados e definição de acesso de
maneira sistemática, foi modelado um banco de dados espaço-temporal utilizando-se o
Sistema Gerenciador de Banco de Dados (SGBD) PostgreSQL, bem como sua extensão
espacial PostGIS. A utilização da extensão espacial permite a interoperabilidade entre o
SGBD e outros serviços tais como servidores de mapa. Destaca-se que na presente pesquisa não estão incluı́das operações topológicas nem espaciais sobre feições geográficas.
A Figura 42 apresenta um fluxo lógico dos dados. Os registros de monitoramento,
obtidos através do receptor e antena GNSS, são armazenados primeiramente em um computador local em cada estação (arquivos brutos e arquivos ISMR). Em seguida, os arquivos
são enviados a um repositório central com alta capacidade de armazenamento, atualmente
88
localizado na FCT/UNESP. À partir do repositório, os dados são importados automaticamente para o banco de dados, em intervalos de uma hora, constituindo a base de dados
da ISMR Query Tool - que está disponı́vel através da internet aos usuários. Optou-se
pela implementação de uma de aplicação web, onde se desfruta de vantagens como a
portabilidade, mobilidade e capacidade de distribuição da informação.
Figura 42: Fluxo lógico dos dados.
6.1.1
Recursos Implementados: Visualização e
Mineração
Para muitos atributos de monitoramento, como o ı́ndice S4, existem limiares empı́ricos
propostos por diversos autores. De maneira similar ocorre para o ângulo de elevação dos
satélites, onde valores mı́nimos de aceitação, como 10o ou 15o , são comumente aplicados
a fim de eliminar possı́veis efeitos de multicaminho do sinal.
Shneiderman (2001) destaca a necessidade de deixar o usuário decidir sobre o que
procura. Com esta caracterı́stica, ele pode obter seus resultados com mais eficiência,
já que poderá imergir nos dados e testar suas próprias hipóteses. No entanto, deve-se
respeitar os limites do usuário: operações muito complexas ou de difı́cil entendimento
podem fazer com que os mesmos evitem executá-las.
Com base nestes aspectos, foram desenvolvidos módulos de visualização nos quais os
satélites e os horários mais afetados pela cintilação ionosférica podem ser identificados
89
através da visualização dos ı́ndices providos pelo receptor. Uma das principais caracterı́sticas é a possibilidade de filtrar atributos através da aplicação de operadores booleanos
em campos desejados do banco de dados. Desta forma, o usuário pode valer-se da interatividade que integra o ciclo de Analı́tica Visual (apresentado na Figura 27 - Subseção
5.1.1), generalizando e especificando os dados de interesse ao seu próprio critério.
Na abordagem proposta, o usuário usufrui de interfaces onde especifica limiares para a
formação do conjunto de dados. Desta forma pode especificar a seu critério os limites para
a detecção de outliers, bem como extrair subconjuntos à partir da relação de quaisquer
atributos. Por exemplo, é possı́vel extrair apenas dados de satélites GPS cujo ângulo
de elevação seja superior a 15o e cujo ı́ndice S4 seja superior ao ı́ndice Sigma-fi. Para o
processo de mineração, o usuário pode optar ainda por parâmetros que definem a técnica
SAX, como o tamanho da janela deslizante e o passo entre janelas.
A Figura 43 apresenta uma das interfaces baseada em filtros. O usuário pode escolher
um perı́odo de interesse – como meses, semanas ou dias –, uma ou mais estações, constelações ou satélites especı́ficos, e aplicar um ou mais filtros Booleanos. São disponibilizadas
também opções para a saı́da gráfica desejada, como gráfico de dispersão, mapas e grids.
No exemplo, são apresentadas as opções de configuração para os gráficos de dispersão, as
quais incluem disposição do eixo temporal, rótulos, cores e tamanho da imagem.
Figura 43: Exemplo de interface baseada em filtros da ISMR Query Tool.
Através dos gráficos de dispersão é possı́vel encontrar rapidamente um subconjunto de
interesse caracterizado por algum fenômeno especı́fico, como os picos diários de cintilação
caracterizados por altos valores de ı́ndice S4.
Um exemplo é apresentado em três etapas na Figura 44. Em (a), apresenta-se os
valores do ı́ndice S4 para todos os satélites GPS rastreados pela estação PRU2 no mês de
Setembro de 2012. Foi aplicado um filtro para ângulos de elevação superiores a 15o ; em
90
(b), a consulta foi restringida para um perı́odo aproximado de dez dias. Nesta consulta,
foi utilizada a opção de identificação por cores, a qual permite encontrar os satélites mais
afetados no perı́odo; cada satélite é identificado univocamente pelo seu PRN. Observa-se
que cada satélite pode ser afetado de maneira distinta, já que os sinais percorrem caminhos
independentes, se propagando por diferentes regiões na ionosfera. Por fim, em (c), são
comparados os ı́ndices S4 e Sigma-fi para apenas três satélites que apresentaram altos
picos – os quais foram identificados em (b).
91
Figura 44: Ciclo analı́tico-visual com visualização de séries temporais.
92
Mais uma possibilidade é a comparação de ı́ndices observados por diferentes estações,
a qual é apresentada na Figura 45. São comparados os valores obtidos para o ı́ndice S4
de estações próximas entre si. Em (a), compara-se as estações PRU1 e PRU2, as quais
distam aproximadamente 300 m entre si. Em (b), compara-se estações SJCE e SJCU, as
quais distam aproximadamente 10 km entre si. É possı́vel notar que, de uma forma geral,
os ı́ndices são coincidentes, mas há discrepâncias significativas que podem ser objeto de
investigações mais detalhadas.
Figura 45: Comparações de ı́ndices observados por diferentes estações.
Outra opção é a identificação dos horários mais afetados do dia. Nesta opção, os
valores de tempo são identificados em função das horas e minutos, e é possı́vel notar os
perı́odos do dia em que as cintilações são mais frequentes. Esta opção é apresentada na
Figura 46. Foi escolhido o mês de março de 2013; em (a), são apresentados os resultados
da estação POAL; já em (b), são apresentados os resultados da estação SJCU. É possı́vel
93
observar, além da maior incidência de cintilação em SJCU, há uma pequena diferença no
comportamento dos ı́ndices entre as duas estações. Em Porto Alegre/RS, observa-se que
os horários de alto ı́ndice S4 estão compreendidos em um intervalo mais restrito – entre
0h e 4h (UTC – ou 21h e 01h no tempo local) – se comparados a São José dos Campos,
onde os valores mais altos foram observados aproximadamente entre 23h e 05h (UTC –
ou 20h e 02h no tempo local).
Figura 46: Identificação dos horários mais afetados pela cintilação em Março/2013.
A Figura 47 apresenta um exemplo de visualização baseada em grids (ou pixel-based ),
onde o ı́ndice S4 está sendo representado para todos os satélites GPS em um perı́odo
de três horas de dados de uma estação. Cada linha representa um satélite, e as colunas
mantém o tempo sequencialmente; a cor das células é utilizada para representar os valores
mapeados; valores ausentes são representados por células em preto. Através da interação
94
com o mouse, é possı́vel detalhar as células, observando ainda o ângulo de elevação dos
satélites e o valor do atributo representado. Os grids permitem a visualização sem que
haja sobreposição entre os valores dos diferentes satélites. Outro aspecto positivo é a
possibilidade de identificar a disponibilidade de satélites ao longo do tempo em uma
estação.
Figura 47: Visualização do ı́ndice S4 baseada em grids.
A Figura 48 apresenta outra modalidade de representação baseada em grids. No
exemplo, são apresentadas as médias do ı́ndice S4 obtidas a cada hora para um perı́odo
de 2 meses de dados da estação SJCI (Janeiro e Fevereiro de 2012). As linhas representam
as horas do dia, enquanto as colunas representam os dias. É possı́vel observar os perı́odos
mais afetados sem que haja sobreposição de informação; também é possı́vel identificar
rapidamente as perdas de dados (células em cinza).
O módulo de visualização em mapas permite avaliar os ı́ndices através dos pierce
points projetados sobre o mapa do território brasileiro. Uma descrição conceitual sobre
a determinação do pierce point – ou ponto ionosférico – é apresentada em Rezende et al.
(2007). Na abordagem implementada, são utilizadas cores para mapeamento dos atributos
a serem visualizados, onde o usuário pode optar pela delimitação da escala. Os pierce
points podem ser projetados diretamente no mapa, sendo sobrepostos nas coordenadas do
mesmo, ou ainda pode-se recorrer à funções de agregação, onde valores são agregados nas
posições de um grid bidimensional. Foram implementadas as seguintes funções: média,
desvio-padrão, mı́nimo, máximo e relação limiar/quantidade (quantidade de pierce points
com valor superior ou inferior que o limiar definido pelo usuário). O usuário também pode
especificar a resolução do grid em graus decimais.
A Figura 49 apresenta um exemplo do uso de mapas. Utilizando-se um grid com
95
Figura 48: Visualização da média do ı́ndice S4 para cada dia e hora do dia (UTC) em um
perı́odo de dois meses para uma única estação.
resolução de 1o e uma máscara de elevação de 20o , apresenta-se a quantidade de piercepoints com S4 superior a 0.3 no mês de dezembro de 2013 para a estação PALM. É possı́vel
notar a menor frequência de ocorrência de cintilação no entorno do equador geomagnético
(linha verde pontilhada), conforme as evidências teóricas destacadas na Seção 3.4.
Figura 49: Representação com pierce-points.
Através de uma interface especı́fica de seleção de dados, o usuário tem a possibilidade
de visualizar até centenas de atributos simultaneamente através dos horizon-charts. Os
atributos compartilham o eixo temporal de um dia, ou seja, os dados são visualizados
96
em função do horário do dia. Desta forma, ao representar-se as informações de um dia
inteiro, tem-se um eixo temporal composto por 1440 pixels de largura (com cada pixel
representando um minuto do dia).
A Figura 50 apresenta um exemplo. São apresentados seis atributos para dois satélites,
resultando-se em doze linhas. Observa-se também a interação com o mouse: uma barra
vertical destaca os valores obtidos em cada atributo, permitindo a conferência do exato
valor observado para cada série temporal representada.
Figura 50: Visualização de seis atributos para dois satélites através dos horizon-charts.
Na Figura 51 apresenta-se um exemplo de aplicação da visão de calendário. O calendário apresenta a média diária do ı́ndice S4 para a estação SJCE no ano de 2013.
Rapidamente pode-se identificar os dias mais afetados em todo o perı́odo.
Figura 51: Exemplo de visão de calendário.
As Figuras 52 e 53 apresentam um exemplo de aplicação da técnica SAX e detalhes
97
sobre a representação visual implementada.
Tal técnica foi aplicada sobre o ı́ndice S4 de todos os satélites GPS rastreados na
primeira quinzena de Dezembro/2013 pela estação PRU1, utilizando-se uma máscara de
elevação de 20o . Foi adotada uma janela de duração de 15 minutos; o passo entre janelas
consecutivas foi definido em 5 minutos. Adotou-se os limiares definidos em International
Telecommunication Union (2012) para o ı́ndice S4. Desta forma, a aplicação do algoritmo
permite a caracterização de cintilações fracas, moderadas e fortes (de acordo com os
limiares definidos) e que tenham duração mı́nima de 15 minutos.
No exemplo apresentado na Figura 52, são apresentados os resultados para todos
os satélites, os quais são ordenados pelo tempo de rastreio (definido pela quantidade de
janelas consideradas). Os resultados são sumarizados em gráficos de barra verticais e segmentos de barra horizontais e interativos, nos quais as larguras dos segmentos representa
a duração dos picos, e as cores são utilizadas para detalhar a intensidade dos mesmos. No
inı́cio de cada linha, a identificação do satélite é apresentada, e, ao término, o valor do
parâmetro escolhido para ordenação dos resultados é apresentado.
98
Figura 52: Visualização dos resultados da técnica SAX.
Outras opções de ordenação disponı́veis são a quantidade absoluta ou relativa de picos
por categoria. Na Figura 53, apresenta-se uma extração obtida à partir da interação com
os mesmos resultados da figura anterior. Optou-se agora pela ordenação dos resultados de
acordo com a quantidade de picos de cintilação forte (classe c). Apresenta-se a interação
do mouse com um segmento, bem como a sumarização dos resultados obtidos para o
satélite.
Destaca-se que nesta visualização optou-se por não compatibilizar o eixo temporal
dos satélites, uma vez que o perı́odo de tempo em que cada satélite é rastreado pelo
receptor acarretaria em lacunas na representação visual. Na visualização implementada,
estas lacunas são suprimidas.
Também é possı́vel identificar os picos mais significativos observados em cada satélite
ao longo do tempo.
99
Figura 53: Interação com os resultados da técnica SAX.
6.1.1.1
Sı́ntese dos Recursos de Mineração e Visualização Implementados
A Tabela 1 apresenta uma sı́ntese dos recursos implementados, sumarizando as principais caracterı́sticas e potencialidades de cada técnica.
100
Técnica
Gráficos de Dispersão
Tabela 1: Sı́ntese dos Recursos
Caracterı́sticas e Potencialidades
Identificação da ocorrência de cintilações
Identificação dos picos mais significativos
Identificação de horários mais afetados
Identificação de satélites mais afetados
Identificação da repetibilidade ao longo do tempo
Visualização simultânea de dois parâmetros
Grids
Visualização de parâmetros sem sobreposição
Identificação de perdas de dados
Comparação entre satélites
Mapas de Pierce Points
Análise da cobertura espacial da rede
Repetibilidade espacial ao longo do tempo
Variação espacial ao longo do tempo
Verificação da geometria dos satélites
Horizon Charts
Comparações entre múltiplos atributos de diferentes satélites
Visualização simultânea de dezenas de parâmetros
Variação diária de atributos ao longo do tempo
Comparação de atributos em diferentes estações
Calendar View
Visão geral sobre o comportamento ao longo do ano
Comparação entre estações na escala de um ano
Identificação da disponibilidade de dados
SAX
Classificação de séries temporais de atributos (limiares)
Redução de dimensionalidade
Duração de eventos (pelo tamanho da janela deslizante)
Comparações entre satélites em longo perı́odo de tempo
6.2
Inclusão do erro posicional como atributo na base
de dados
Utilizando-se o método de posicionamento de alta acurácia PPP, foram processados
dados GPS das próprias estações de monitoramento com o software GIPSY-OASIS –
versão 6.1.2. Tal software foi escolhido pelo seu caráter cientı́fico, além da possibilidade
de processamento automatizado mediante a elaboração de scripts em ambiente Linux.
101
Foram utilizadas efemérides precisas (finais) provenientes do IGS, combinação ion-free
para correção da refração ionosférica, função de mapeamento de Viena (VMF1) e aplicação
de gradientes para a correção dos efeitos da troposfera, correções para o centro de fase
da antena, modelos de marés terrestres e máscara de elevação de 15o . Foram processadas
janelas com intervalos de duração de 1 hora, no modo cinemático. Esta estratégia foi
utilizada com o objetivo de se avaliar os resultados do processamento após um tempo de
ocupação suficiente para a solução das ambiguidades. A cada dia, foram processadas 24
janelas, sendo que cada janela se inicia nas horas exatas do dia. É importante ressaltar que
tal software efetua filtragem sobre as observáveis e recorre a um processo de suavização
no processamento.
Foi utilizada uma configuração sugerida nos manuais do software na qual são obtidas
soluções posicionais a cada cinco minutos, baseando-se em um princı́pio de decorrelação
dos efeitos presentes nas observações época-a-época. A solução posicional (X, Y e Z) de
cada época foi armazenada na base de dados, bem como os respectivos desvios-padrão.
A partir destes valores, foram definidos os atributos “error3d” e “sigma3d” com as resultantes do erro posicional total ou tri-dimensional e dos seus respectivos desvios-padrão,
respectivamente. Estes dois atributos foram disponibilizados nas interfaces de consulta
e visualização da ISMR Query Tool, tornando possı́vel uma comparação imediata entre
estimativas de cintilação e possı́veis efeitos causados no posicionamento.
É importante ressaltar que não há uma solução em rede para as coordenadas das
estações de monitoramento da Rede CIGALA/CALIBRA. As coordenadas utilizadas como
referência para cada estação foram obtidas através da média ponderada de soluções PPP
(modo estático, perı́odo de ocupação de 24 horas). A quantidade de dias considerados
para tal determinação variou conforme a data de instalação das estações. As velocidades
das estações não foram consideradas nestes processamentos. Logo, ao analisar-se o efeito
causado pela cintilação através do erro resultante, deve-se levar em consideração – além
da magnitude do erro – a discrepância entre as soluções época-a-época obtidas na janela.
Dois exemplos são apresentados a seguir. Na Figura 54, são apresentados os ı́ndices S4
e os erros posicionais para o dia 14/08/2011. Observa-se que neste dia não houve pico de
cintilação, e que não houve discrepâncias significativas entre as janelas, bem como entre
as soluções de cada janela.
102
Figura 54: Índice S4 e resultante do erro posicional para um dia sem picos de cintilação.
Já na Figura 55, os mesmos atributos são apresentados para o dia 04/11/2011. É
possı́vel observar alguns picos de alto ı́ndice S4 (com máscara de elevação de 10 graus),
como entre 0h e 2h, e entre 4h e 5h. Observa-se que as janelas compreendidas entre 0h
e 1h, e entre 1h e 2h apresentaram aspectos divergentes das demais. Na janela entre
0h e 1h observa-se a presença de erros de cerca de 1,6 metros nas soluções, e um desviopadrão muito alto. No entanto, observa-se que as soluções não apresentaram discrepâncias
significativas entre si – diferentemente da janela entre 1h e 2h, onde as degradações entre
as soluções foram mais significativas. Outro aspecto a observar é o pico de ı́ndice S4 entre
4h e 5h, o qual não acarretou em prejuı́zo às soluções posicionais no mesmo intervalo.
Este aspecto pode ser detalhado em consultas adicionais – por exemplo, pode-se proceder
à identificação dos satélites mais afetados.
103
Figura 55: Índice S4 e resultante do erro posicional para um dia com picos de cintilação.
Destaca-se a relevância da inclusão de atributos posicionais como parâmetros de caracterização da cintilação. Destaca-se ainda que os erros posicionais observados podem ser
objeto de análises mais criteriosas incluindo demais parâmetros – tais como a geometria,
o tempo de rastreio e o ângulo de elevação dos satélites.
104
7
Experimentos e Análises dos Resultados
Neste Capı́tulo, são apresentados experimentos realizados com o auxı́lio da ISMR
Query Tool. Tais experimentos visam descrever aspectos gerais da cintilação ionosférica
no Brasil com base dos dados de monitoramento disponı́veis no perı́odo de 2011 a 2013.
Com os experimentos, observa-se a contribuição das abordagens desenvolvidas para o
suporte à análise da cintilação ionosférica no Brasil, fato muito importante para diversas
atividades e linhas de pesquisa, incluindo as Ciências Cartográficas e Geodésicas.
Também são apresentados experimentos no contexto dos efeitos da cintilação ionosférica no Posicionamento GNSS (PPS e PPP).
7.1
Variações temporais e espaciais
Considerando-se os dados de satélites GPS de todas as estações disponı́veis, a Figura
56 apresenta a média aritmética diária do ı́ndice S4 no perı́odo de 2011 a 2013 através da
abordagem da visão de calendário. Pode-se identificar as épocas do ano mais afetadas, que,
de uma forma geral, estão compreendidas nos perı́odos de janeiro a março e de outubro a
dezembro; mais detalhes serão apresentados adiante. É importante ressaltar que, embora
tenha sido utilizada a média aritmética, uma análise criteriosa acerca da distribuição
estatı́stica dos dados permite obter a medida de tendência central mais apropriada para
descrever os dados; a média aritmética foi adotada por sua disponibilidade funcional no
SGBD utilizado.
105
Figura 56: Média diária do ı́ndice S4 - todas as estações.
A dimensão espacial da ocorrência de cintilações ionosféricas no Brasil pode ser observada no mapa apresentado nas Figuras 57 e 58. Tais figuras apresentam o desvio-padrão
do ı́ndice S4 projetado nos pierce points. Utiliza-se o desvio-padrão com o objetivo de se
obter uma aproximação das regiões onde tal ı́ndice apresenta maior variação. Na Figura
57, foram utilizados ı́ndices obtidos para satélites GPS no mês de Outubro de 2012 nas
estações localizadas em Manaus/AM, Palmas/TO, Presidente Prudente/SP, São José dos
Campos/SP, Macaé/RJ e Porto Alegre/RS; na Figura 58, foram utilizados ı́ndices obtidos
para satélites GPS no mês de Dezembro de 2013 nas estações localizadas em Fortaleza/CE,
Palmas/TO, Salvador/BA, Presidente Prudente/SP, São José dos Campos/SP, Macaé/RJ
e Porto Alegre/RS (as estações foram escolhidas de acordo com a disponibilidade de dados). Pode-se observar que as cintilações mais frequentes ocorreram em regiões localizadas
ao norte e ao sul do equador geomagnético (representado pela linha verde pontilhada).
106
Figura 57: Desvio-padrão do ı́ndice S4 nos pierce points (máscara de elevação de 20o ; grid
com resolução de 1o ; dados GPS do mês de Outubro de 2012).
Figura 58: Desvio-padrão do ı́ndice S4 nos pierce points (máscara de elevação de 20o ; grid
com resolução de 1o ; dados GPS do mês de Dezembro de 2013).
Uma avaliação dos horários mais afetados é apresentada na Figura 59. Utilizando-se
dados das estações PRU2, SJCI, POAL e MAC2, são apresentadas as médias do ı́ndice
S4 por minuto (escala de tempo UTC) considerando-se também o perı́odo de Outubro
de 2012. Foi utilizada uma máscara de elevação de 20o e dados GPS. Este resultado foi
107
realizado através de uma consulta SQL na base de dados. Destaca-se a relevância da
modelagem de dados e da implantação de um SGBD, os quais permitem a realização de
consultas imediatas e também de maior complexidade.
Pode-se observar o aumento do ı́ndice S4 após as 22h, o qual permanece alto nas
horas subsequentes até iniciar um perı́odo de decréscimo; observa-se também o horário
mais crı́tico compreendido entre 0h e 2h (ou entre 21h e 23h no horário oficial de Brası́lia).
Por exemplo, em aplicações como a agrigultura de precisão, este tipo de análise pode ser
útil para atividades de planejamento, já que se pode recorrer a tais estatı́sticas para
escolher o horário que tem apresentado os maiores ı́ndices de cintilação, podendo assim
planejar estratégias de trabalho alternativas.
Figura 59: Horários mais afetados no mês de Outubro de 2012.
Ao longo do tempo, é possı́vel observar a variação dos horários mais afetados pela
cintilação com a visualização baseada em horizon charts. Um exemplo é apresentado na
Figura 60: utilizando-se dados da estação PRU2, são apresentadas as séries temporais
de ı́ndice S4 médio obtidos na última quinzena do mês de Outubro de 2012. É possı́vel
notar que, embora haja predominância dos horários mais afetados, os horários de pico
apresentam pequenas variações ao longo dos dias.
108
Figura 60: Estação PRU2 - variação dos horários mais afetados pela cintilação na última
quinzena do mês de Outubro de 2012.
As Figuras 61 a 63 representam a média diária do ı́ndice S4 utilizando-se a abordagem
de visão de calendário para as estações localizadas em Palmas/TO, Presidente Prudente/SP e Porto Alegre/RS; foram utilizados apenas dados de satélites GPS, com máscara
de elevação de 10o e mesma escala de intensidade de cores em cada visualização (as células
em cinza indicam ausência ou indisponibilidade de dados).
Através destas visualizações, é possı́vel observar que as cintilações mais severas foram
observadas na cidade de Presidente Prudente, e as menores estimativas foram obtidas
em Porto Alegre. Tal resultado é esperado ao considerarmos as localizações geográficas
das estações. Presidente Prudente encontra-se na região da anomalia equatorial, onde as
cintilações são mais frequentes; Palmas está mais próxima da região equatorial, onde a
incidência é menor se comparada à região da anomalia; e Porto Alegre está em uma região
de média latitude, sendo, portanto, pouco afetada.
109
Figura 61: Média diária do ı́ndice S4 - estação PALM.
Figura 62: Média diária do ı́ndice S4 - estação PRU2.
110
Figura 63: Média diária do ı́ndice S4 - estação POAL.
Com a finalidade de constatar o aspecto de maior incidência de cintilações nas regiões
da anomalia equatorial em relação às regiões do equador geomagnético, foi realizada uma
análise comparativa mais detalhada entre as estações PALM e PRU2, a qual é apresentada
na Figura 64. Nesta análise, são apresentadas as porcentagens mensais de cintilações
moderadas e fortes ao longo do perı́odo de 2011 a 2013. Foi utilizado como parâmetro
o ı́ndice S4 na frequência L1 para os satélites GPS. Para obtenção dos resultados, os
limiares definidos em International Telecommunication Union (2012) para o ı́ndice S4
foram especificados para aplicação da técnica SAX, a qual foi aplicada para cada mês nas
duas estações. Por se tratar de uma análise de caráter comparativo, a largura da janela e
o passo entre as janelas foram ajustados para o mı́nimo valor possı́vel (um minuto).
É possı́vel observar que, na maioria dos casos, os meses de outubro a dezembro apresentaram ı́ndices mais altos que os meses de janeiro a março (a única exceção ocorreu
no mês de Dezembro de 2013 na estação PALM). Observa-se ainda certa frequência de
ocorrência de cintilação nos meses de abril e de setembro. Já nos meses de maio a agosto,
os valores observados foram baixos.
111
Figura 64: Porcentagem mensal de cintilações moderadas a fortes (S4 > 0.3) - Estações
PALM e PRU2.
De uma forma geral, nas estações e épocas do ano mais afetadas pela cintilação, ocorre
112
um comportamento sistemático de picos diários de cintilação. Este comportamento pode
ser observado na sequência apresentada na Figura 65, a qual apresenta o ı́ndice S4 obtido
para todos os satélites GPS na frequência L1 para a estação PRU2 no perı́odo de Agosto
a Outubro de 2013; observa-se a ocorrência de picos diários de alto ı́ndice S4 a partir do
final do mês de Setembro. No perı́odo compreendido entre Maio a Agosto, os picos são
mais raros (as lacunas indicam indisponibilidade de dados).
113
Figura 65: Comportamento dos picos de ı́ndice S4 para a estação PRU1.
114
7.2
Comparações envolvendo Constelações, Satélites,
Índices e Frequências
Nesta Seção, são apresentadas algumas comparações envolvendo diferentes cenários,
tais como distintas constelações, satélites especı́ficos, e ı́ndices em diferentes frequências.
Assim como no exemplo apresentado na Figura 64, as análises de caráter comparativo
foram realizadas através da aplicação da técnica SAX com mı́nima largura da janela e
o menor passo entre as janelas (ambos definidos como um minuto). Da mesma forma,
para classificação dos nı́veis de cintilação através do ı́ndice S4, foram utilizados os limiares
definidos em International Telecommunication Union (2012) (apresentados na Subseção
3.5.1) para cintilação baixa, moderada e forte.
7.2.1
Comparação entre GPS, GLONASS e Galileo
Utilizando-se dados da Estação PRU2 do ano de 2013, foram realizadas comparações
entre as constelações GPS, GLONASS e GALILEO. Os gráficos da Figura 66 apresentam
a porcentagem de observações de ı́ndice S4 na frequência L1 classificados como cintilação
moderada e forte ao longo do referido ano para cada constelação. Foi utilizada uma
máscara de elevação de 20o .
De uma forma geral, pode-se considerar que as distintas constelações podem ser utilizadas para caracterização do perfil das cintilações nesta rede de monitoramento, já que
os resultados foram bastante similares. Entre as constelações GPS e GLONASS, os resultados apresentaram discrepâncias de 0,185 e 0,01 pontos percentuais para cintilação
moderada e forte, respectivamente. Entre GPS e Galileo, tais discrepâncias foram 0,068
e 0,071 pontos percentuais. Entre GLONASS e Galileo, as discrepâncias foram 0,117 e
0,061 pontos percentuais.
115
Figura 66: Porcentagem de cintilações moderadas e fortes. Comparação entre GPS, GLONASS e Galileo.
A identificação dos satélites mais afetados pode ser empregada, por exemplo, em
investigações sobre a modelagem de cintilação, sobre a construção de técnicas de mitigação
e para a análise de séries temporais. Foram realizadas comparações entre os ı́ndices S4
obtidos por cada satélite GPS no ano de 2013. Os resultados apresentados na Figura 67 –
organizados por blocos de satélites – apresentam a porcentagem de observações de ı́ndice
S4 na frequência L1 classificados como cintilação moderada e forte ao longo do referido
ano.
116
Figura 67: Porcentagem média de cintilação moderada e alta para cada satélite GPS na
frequência de transmissão L1, estação PRU1, ano de 2013.
117
É possı́vel observar que há divergências significativas entre certos satélites GPS ao
longo do referido ano de 2013. Este aspecto pode parecer inesperado, já que, conforme
apresentado na Subseção 2.1.1, o perı́odo orbital dos satélites é de 12 horas siderais – o
que faz com que a geometria dos satélites obtida em um dia seja repetida no dia seguinte
cerca de quatro minutos mais cedo em relação com o tempo universal. Para exemplificar,
se considerarmos que a variação é exatamente igual a 4 minutos e considerando que um
dia tem 1440 minutos no sistema de tempo universal, após 360 dias a geometria dos
satélites rastreados por uma estação seria repetida (1440/4 = 360). Logo, neste perı́odo
de 360 dias, o perı́odo do dia em que um satélite está visı́vel ao receptor (cerca de 12
horas) variaria por completo, fazendo com que todos os satélites estivessem suscetı́veis
aos horários do dia com maior incidência de cintilação ionosférica ao longo de um ano.
No entanto, o mesmo aspecto de deslocamento da geometria dos satélites ao longo
do tempo pode ser considerado em relação aos horários do dia com maior incidência de
cintilação. A Figura 68 exemplifica este aspecto para um dos satélites menos afetados
– PRN 17 (Bloco II-R). Observa-se que nas épocas do ano mais afetadas pela cintilação
(Janeiro a Março, e Outubro a Dezembro), o referido satélite foi rastreado predominantemente em horários onde os picos de cintilação são menos frequentes. Já na época do ano
menos afetada pela cintilação (Abril a Setembro), tal satélite foi rastreado nos horários
que seriam mais afetados. Logo, ao longo de um ano, tal satélite praticamente não foi
afetado pela cintilação.
Portanto, além da dependência indireta através da hora do dia ao longo do dia do
ano, não podemos concluir se há variações significativas em S4 devido ao satélite em si.
118
Figura 68: Horários de rastreio do satélite GPS PRN 17 em diferentes épocas.
A significativa discrepância entre os nı́veis de cintilação observados em cada satélite ao
longo do ano de 2013 não compareceu nos satélites GLONASS, que, de uma forma geral,
apresentaram maior uniformidade nos nı́veis observados por satélite – conforme pode ser
visto na Figura 69. Através de consultas adicionais, pode-se perceber que em um perı́odo
aproximado de três meses, um satélite GLONASS é rastreado ao longo de todas as horas
do dia devido a suas caracterı́sticas peculiares de perı́odo orbital. Logo, todos os satélites
da constelação estiveram suscetı́veis aos perı́odos do ano nos quais as cintilações foram
mais frequentes (Janeiro a Março, e Outubro a Dezembro).
119
Figura 69: Porcentagem média de cintilação moderada e alta para cada satélite GLONASS
na frequência de transmissão L1.
7.2.2
Comparação entre os Índices S4 Total e S4 Corrigido
Na Subseção 3.5.1, a Eq. 3.2 apresenta a definição do ı́ndice S4 total, enquanto a
Eq. 3.3 define o ı́ndice S4 corrigido. Utilizando-se os mesmos dados do experimento da
Seção 7.2, são apresentadas na Figura 70 a porcentagem de ocorrência de cintilação fraca,
moderada e forte utilizando-se o ı́ndice S4 total e o ı́ndice S4 corrigido. Pode-se notar
as discrepâncias de 0,12, 0,10 e 0,01 pontos percentuais nas classificações obtidas com os
dois ı́ndices; conclui-se que a utilização de um ou de outro não implica em discrepâncias
significativas para a realização de classificações com estes limiares.
120
Figura 70: Comparação entre os ı́ndices S4 total e S4 corrigido na estação PRU2, ano de
2013.
7.2.3
Comparação entre Frequências (L1, L2 e L5)
Para a comparação dos ı́ndices S4 obtidos na frequência L1 com os ı́ndices obtidos nas
frequência L2 e L5, foram utilizados ı́ndices provenientes de satélites GPS do Bloco II-F,
observados no ano de 2013 na estação PRU1. Foi utilizada uma máscara de elevação de
20o e consideradas as observações simultâneas nas três frequências. A Figura 71 apresenta
os resultados. Observa-se, de acordo com a classificação utilizada, que as cintilações fortes
foram mais recorrentes nas frequências L2 e L5 em relação à frequência L1.
Figura 71: Porcentagem de cintilações moderadas e fortes considerando apenas satélites
GPS do bloco II-F na estação PRU1, ano de 2013.
121
7.3
Avaliação em relação ao Multicaminho
A estação MAN2 foi instalada em Março de 2013; o receptor foi instalado em um novo
local após problemas de infraestrutura no local anterior (estação MANA). No entanto,
através de algumas análises, foi possı́vel observar que os ı́ndices observados em tal estação
estavam acima do esperado, aspecto que levantou a hipótese da influência de multicaminho
na estação.
Utilizando a representação de pierce points em uma grade com resolução de 1o e
uma máscara de elevação de 20o , representa-se na Figura 72 a quantidade de observações
de S4 moderado a alto (S4 > 0,3) para todo o perı́odo de dados disponı́vel da estação
MAN2 – 23/03/2013 a 09/08/2013. Através da escala de cores, é possı́vel observar a
repetibilidade de alto ı́ndice S4 em algumas direções. Trata-se de um aspecto inesperado,
já que tal perı́odo do ano é caracterizado por baixo ı́ndice S4 – o que pode ser observado
no comparativo apresentado na Figura 73 entre as estações MAN2 e PRU2.
Figura 72: Identificação de multicaminho na estação MAN2.
122
Figura 73: Comparativo entre as estações MAN2 e PRU2.
Repetindo-se a consulta com a aplicação de um limiar no parâmetro sigma ccd
(sigma ccd < 0.15), é possı́vel observar no mapa apresentado na Figura 74 a descaracterização da repetibilidade de alto ı́ndice S4 em algumas direções; também é possı́vel observar
no gráfico abaixo que os ı́ndices S4 obtidos com tal filtro indicam uma caracterização mais
realista se comparados com os resultados obtidos na estação PRU2.
123
Figura 74: Estação MAN2 após a filtragem no parâmetro sigma ccd.
7.4
Experimento para mitigação dos efeitos da cintilação ionosférica no PPP
Um experimento foi realizado com objetivos de se avaliar os efeitos da cintilação
ionosférica no PPP e aplicar uma abordagem para mitigação de seus efeitos. Foram
empregadas estratégias de processamento baseadas na exclusão de satélites com base em
estimativas de cintilação. Para tanto, foram utilizadas como referência as estimativas
124
de cintilação coletadas pelas estações da Rede CIGALA/CALIBRA. Como ambiente de
apoio, foi utilizada a ISMR Query Tool: além dos mecanismos de análises já apresentados,
foi também utilizada uma interface especı́fica para edição de arquivos RINEX com base
na visualização de atributos (VANI; MONICO; SHIMABUKURO, 2013a).
A seguinte metodologia foi empregada:
1. Processamento contı́nuo das estações de monitoramento, utilizando PPP cinemático,
janelas de dados com perı́odos de duas horas e soluções posicionais a cada cinco
minutos;
2. Identificação de perı́odos de significativa degradação no PPP. Os resultados foram
comparados com as coordenadas verdadeiras das estações, sendo visualizados através
de scatterplots;
3. Comparação com as estações mais próximas pertencentes à Rede Brasileira de Monitoramento Contı́nuo dos Sistemas GNSS (RBMC): foram comparados os resultados
obtidos nas estações da RBMC mais próximas, analisando se também ocorreram
degradações no posicionamento;
4. Utilização das funcionalidades da ISMR Query Tool para análise dos atributos disponı́veis na base de dados e para a edição de arquivos RINEX baseada na visualização
de atributos;
5. Novo processamento da janela na estação base e nas estações vizinhas sem os satélites
mais afetados;
6. Comparação e análise dos resultados obtidos.
A Figura 75 apresentada a trajetória da solução posicional para a janela que obteve o
pior resultado da semana, a qual foi observada no dia 23 de outubro de 2012, entre 1h e 3h
UTC. A Figura 76 apresenta o ı́ndice S4 para o mesmo perı́odo; observa-se a ocorrência
de altos nı́veis de cintilação.
125
Figura 75: Trajetória da solução posicional.
Figura 76: Índice S4 obtido na semana.
Após a identificação, foram processadas também as estações da RBMC mais próximas
(em um raio aproximado de 100 km) – estações ONRJ e RIOD, localizadas na cidade do
Rio de Janeiro, e estação RJCG, localizada na cidade de Campos dos Goytacazes. Em
todas as estações também foram observadas significativas degradações no posicionamento.
Com base nos módulos de visualização disponı́veis na ISMR Query Tool, foi possı́vel
identificar os satélites mais degradados; os parâmetros utilizados como critério de exclusão
de satélites foram o ângulo de elevação, locktime (tempo de rastreio do satélite desde a
última perda de ciclo), ı́ndices S4 e Sigma-fi e o tempo de rastreio total do satélite. À
126
partir da identificação, os satélites foram excluı́dos do processamento por meio de uma
interface baseada em grids similar à apresentada na Figura 47.
Uma sı́ntese dos resultados é apresentada na Figura 77; são apresentados os erros
posicionais (no sistema geodésico local) no processamento original e no processamento
modificado nas estações MAC2 (monitoramento), ONRJ, RIOD e RJCG (RBMC); os
resultados apresentaram, respectivamente, 67%, 77%, 39% e 73% de diminuição do erro
resultante.
Figura 77: Erros posicionais no processamento original e no processamento modificado.
De uma forma geral, os resultados foram promissores. Destaca-se que o processo
de identificação das observações mais degradadas na estação de monitoramento poderia
ser automatizado, já que neste experimento esta etapa foi feita de maneira manual; os
parâmetros e critérios utilizados também podem ser objeto de novos experimentos. O
experimento permite inferir que a densificação da rede de monitoramento permitirá – além
do melhor entendimento sobre a variação dos efeitos causados pela cintilação ionosférica – a
derivação de uma infraestrutura de suporte ao PPP e demais métodos de posicionamento.
Destaca-se que a operacionalização desta metodologia (em receptores de usuários) pode
ser objeto de investigações futuras.
127
7.5
Experimento no PPS
Com o objetivo de avaliar os efeitos da cintilação ionosférica em um método de baixa
acurácia – o Posicionamento por Ponto Simples (PPS) – foram processados dados das
estações pertencentes à RBMC. Tal processamento foi efetuado com o software que denominamos PPS On-line, o qual foi desenvolvido ao longo desta Pesquisa. O PPS On-line
processa observáveis de pseudodistâncias GPS obtidas pelo código C/A; são aplicados os
modelos de Klobuchar e de Hopfield para atenuação dos efeitos da refração da ionosfera
e da troposfera, respectivamente (VANI; MONICO; SHIMABUKURO, 2013b). Diferentemente do software Gipsy, o PPS On-line não efetua filtragens sobre as observáveis e
nem recorre a processos de suavização no processamento. Desta forma, inúmeras fontes
de erro estão presentes além das cintilações. Para cada estação, foram obtidas soluções
posicionais advindas do processamento de uma época de dados a cada cinco minutos.
Estas soluções, bem como as estimativas de precisão, foram armazenadas em uma tabela
no banco de dados para posterior análise.
A visualização dos resultados envolvendo os dados de toda a rede foi implementada
através de um mapa navegável no qual pode-se apresentar, por exemplo, o erro resultante ou o desvio-padrão da solução em cada estação em determinada época através de
cı́rculos proporcionais. Um exemplo é apresentado na Figura 78. Através da interação
com o mouse, mais detalhes são apresentados (nome da estação, erro e desvio-padrão nas
componentes e resultantes).
Através da análise de mapas como o apresentado na Figura 78 em diferentes épocas,
é possı́vel observar se ocorre a caracterização dos efeitos causados pela cintilação em
larga escala. Um exemplo é apresentado na Figura 79. À esquerda é apresentado o
mapa de cı́rculos proporcionais à resultante do desvio-padrão das componentes para o dia
05 de Dezembro de 2013, às 0h UTC. É possı́vel notar que há uma predominância de
cı́rculos maiores na região sudeste em relação ao restante do paı́s. Ao confrontar-se com o
mapa da direita – onde são representados os desvios-padrão do ı́ndice S4 nos pierce-points
considerando-se todos os satélites disponı́veis no intervalo de uma hora antes e uma hora
depois da época do processamento – é possı́vel associar tal comportamento à incidência
de significativa cintilação.
128
Figura 78: Representação de cı́rculos com raios proporcionais ao desvio-padrão resultante
– Modo PPS, dia 14/11/2013 12:00 UTC.
Figura 79: Análise comparativa entre a degradação no PPS e o ı́ndice S4.
129
8
Conclusão
Com o objetivo de estender as possibilidades de análise exploratória dos dados de
monitoramento da cintilação ionosférica, foram investigadas técnicas de mineração e visualização de dados, as quais foram posteriormente aplicadas através do software ISMR
Query Tool. Os recursos implementados serviram de suporte à realização de análises e
experimentos com base nos dados de monitoramento disponı́veis através da Rede CIGALA/CALIBRA, como a avaliação de aspectos acerca da variação temporal e espacial das
cintilações. Tais recursos podem subsidiar diversos estudos neste contexto, tais como a
modelagem da cintilação ionosférica no Brasil e a derivação de estratégias de mitigação.
Os experimentos demostraram que, de uma forma geral, as épocas do ano mais afetadas pela cintilação estão compreendidas nos intervalos de janeiro a março e de outubro a
dezembro, com predominância de picos de alto ı́ndice S4 entre 21h e 23h no horário local
com variações peculiares de acordo com a localização na região brasileira. Em relação à
dimensão espacial da ocorrência de cintilações no Brasil, os dados evidenciaram o aspecto
de predominância de eventos de cintilação em regiões localizadas ao norte e ao sul do
equador geomagnético (cerca de 10o a 20o ). As análises demonstraram que pode haver
maior suscetibilidade de ocorrência de cintilações em satélites especı́ficos de acordo com
a geometria dos mesmos. Os resultados também demonstraram que as constelações GPS,
GLONASS e Galileo apresentaram resultados similares na classificação do ı́ndice S4 para
cintilações fracas, moderadas e fortes com a técnica SAX ao longo de um ano.
A ferramenta ISMR Query Tool foi disponibilizada através da Internet ao longo desta
pesquisa, sendo caracterizada portanto como um serviço web que complementa a infraestrutura de monitoramento. A disponibilização das técnicas estudadas e implementadas
representa uma contribuição significativa para as Ciências Cartográficas e Geodésicas, bem
como para os estudos relacionados à cintilação em outras áreas de conhecimento. Pode-se
130
afirmar que dentre os recursos oferecidos a principal caracterı́stica é a possibilidade de
se identificar rapidamente se houve ou não cintilação em um cenário de grande volume
de dados de monitoramento. Este aspecto pode ser levado em consideração em diferentes
contextos – por exemplo, pode-se verificar se resultados degradados em levantamentos com
GNSS estão associados à ocorrência de cintilação. Destaca-se que ao longo do perı́odo de
realização desta pesquisa, diversos pesquisadores puderam usufruir dos recursos oferecidos através da Internet. Dentre estes, destacam-se os alunos de mestrado e doutorado do
PPGCC, alunos de iniciação cientı́fica, pesquisadores e parceiros envolvidos nos projetos
CIGALA e CALIBRA e pesquisadores de outras instituições – como o Instituto Nacional
de Pesquisas Espaciais (INPE) e o Instituto de Ciências Matemáticas e Computação da
Universidade de São Paulo (ICMC-USP). Destaca-se ainda que no perı́odo compreendido
entre Março a Dezembro de 2013, cerca de 5.000 consultas foram realizadas através da
ferramenta.
Foram aplicados os métodos de posicionamento PPP e PPS com o objetivo de se identificar o quanto o posicionamento está sendo degradado pela cintilação ionosférica. Desta
forma, pode-se comparar ı́ndices de monitoramento de cintilação com indicadores de acurácia do posicionamento GNSS. Alguns resultados foram apresentados, mas é importante
destacar que há uma margem extensa para a realização de novos estudos. No contexto
dos métodos de posicionamento, diversas configurações e distintos softwares podem ser
aplicados para a geração dos resultados. Já no contexto da análise e exploração dos resultados, outras estratégias de visualização e representações temáticas podem ser objeto
de estudos adicionais.
Um aspecto importante a destacar é o uso de bibliotecas de código-fonte aberto e de
softwares livres ao longo do desenvolvimento desta pesquisa. Os esforços envidados pela
comunidade de software livre permitem a otimização e o aproveitamento de recursos sem
restrições burocráticas, acarretando em eficiência aos desenvolvedores e consequentemente
benefı́cios aos usuários finais e aos pesquisadores.
Como continuidade a este trabalho, recomenda-se a aplicação de conceitos de análise
estatı́stica – em sucessão à análise exploratória aqui abordada. Com isso, os recursos
disponı́veis na ISMR Query Tool podem ser enriquecidos com algumas caracterı́sticas,
tais como a determinação de quantis, propriedades de distribuição dos dados e análise de
correlações. No campo das Ciências da Computação, recomenda-se a realização de estudos
referentes à otimização de consultas aos dados e à estratégias alternativas de modelagem
de dados espaciais e temporais.
131
Em relação a técnicas de mineração de dados, a abordagem proposta pela técnica
SAX foi utilizada nesta pesquisa. Os resultados foram promissores, já que permitiram
obter aspectos descritivos acerca do comportamento da cintilação ionosférica com mais
eficiência, além de permitir a realização de testes comparativos através da aplicação de
limiares empı́ricos. A determinação da largura de janelas, bem como do passo entre janelas
consecutivas, pode ser objeto de estudos adicionais, já que estes parâmetros podem agregar
mais eficiência na determinação dos resultados com um maior controle sobre o prejuı́zo à
informação.
Recomenda-se a aplicação de outras abordagens de mineração de dados – inclusive
abordagens preditivas nos contextos temporal e espacial –, uma vez que a infraestrutura de
base, que pode representar até 70% do tempo desprendido para a realização de projetos
deste tipo, está organizada e funcional. Ressalta-se que a predição de fenômenos de
cintilação tem destacada importância para os usuários do GNSS, uma vez que pode servir
de base para estratégias de mitigação, ou simplesmente para atividades de planejamento.
Em relação à mitigação da cintilação ionosférica no posicionamento GNSS, um experimento foi apresentado utilizando-se o método PPP. Os resultados obtidos demonstraram
que a visualização de atributos de monitoramento tem importante contribuição para a
identificação de observações degradadas pela cintilação e posterior derivação de melhorias
no processamento através da exclusão das mesmas. A modelagem e a operacionalização
deste tipo de abordagem ou outros tipos de correções também figuram como uma vertente
para trabalhos futuros. Com a expansão da rede de monitoramento e a densificação de
estações em algumas regiões, tem-se a base necessária para a realização de estudos relacionados à cintilação em métodos de posicionamento baseados em redes, onde correções
relacionadas à cintilação podem ser derivadas à partir dos dados de monitoramento de
todas estações da rede.
Recomenda-se também a realização de análises referentes à simultaneidade de cintilações em diferentes satélites. Este tipo de análise pode ser empregado para determinação
de variâncias e principalmente de covariâncias em modelagens estocásticas adequadas ao
cenário de cintilação ionosférica. Este tipo de análise pode ser suportado pelas técnicas de
visualização implementadas nesta pesquisa, como exemplo, por meio de horizon charts.
Investigações sobre a derivação de ı́ndices de cintilação em receptores convencionais
também são importantes. Com tal aspecto, a cintilação poderia ser melhor estudada no
Brasil através da RBMC, a qual apresenta uma densidade superior à Rede CIGALA/CALIBRA.
132
Ressalta-se que os resultados obtidos nesta pesquisa podem fazer parte de um serviço
de monitoramento da ionosfera. As funcionalidades desenvolvidas podem integrar um
sistema de múltiplas visões coordenadas, onde interações com um tipo de visualização são
imediatamente ligadas a outras representações visuais.
Ressalta-se, por fim, a relação forte de multidisciplinaridade entre as Ciências Cartográficas e as Ciências da Computação, a qual figura como uma valiosa fonte de recursos
para a solução de problemas e alcance de melhorias no Posicionamento GNSS.
133
Referências
BÉNIGUEL, Y. Global Ionospheric Scintillation Model. September 2011. Disponı́vel em:
<http://www.ieea.fr/help/gism-technical.pdf>. Acesso em: 02 jan. 2014.
BOSTOCK, M. Time Series Visualization with Cubism.js. May 2012. Disponı́vel em:
<http://square.github.io/cubism/>. Acesso em: 15 jul. 2013.
COLLINS, P. et al. Undifferenced GPS ambiguity resolution using the decoupled clock
model and ambiguity datum fixing. Navigation, v. 57, n. 2, p. 123, 2010.
CONKER, R. S. et al. Modeling the effects of ionospheric scintillation on GPS/satellitebased augmentation system availability. RADIO SCIENCE, v. 38, 2003. Disponı́vel em:
<http://dx.doi.org/10.1029/2000RS002604>.
CROARKIN, C.; TOBIAS, P. Engineering statistics handbook. NIST/SEMATECH,
2012. Disponı́vel em: <http://www.itl.nist.gov/div898/handbook% -/index.htm>.
Acesso em: 12 jan. 2014.
DAL POZ, W. R. Investigações preliminares sobre a influência do clima espacial
no posicionamento relativo com GNSS. 159 f. Dissertação (Mestrado em Ciências
Cartográficas) — Universidade Estadual Paulista, Presidente Prudente, 2010.
DATTA-BARUA, S. et al. Ionospheric scintillation effects on single and dual frequency
GPS positioning. In: Proceedings of the ION GPS 2003. Portland (OR): [s.n.], 2003.
DAVIES, K. Ionospheric Radio. London: Peter Peregrinus, 1990. 580 p.
FEW, S. Time on the horizon. Visual Business Intelligence Newsletter, p. 1–7, 2008.
FINLAY, C. et al. International geomagnetic reference field: the eleventh generation.
Geophysical Journal International, Wiley Online Library, v. 183, n. 3, p. 1216–1230,
2010.
GREWAL, M. S.; WEILL, L. R.; ANDREWS, A. P. Global Positioning Systems, Inertial
Navigation, and Integration. Hoboken, N.J.: John Wiley & Sons, 2007. 525 p.
134
GUSTAFSSON, G.; PAPITASHVILI, N.; PAPITASHVILI, V. A revised corrected
geomagnetic coordinate system for epochs 1985 and 1990. Journal of atmospheric and
terrestrial physics, Elsevier, v. 54, n. 11, p. 1609–1631, 1992.
HAN, J.; KAMBER, M. Data Mining: Concepts and techniques. 2. ed. San Francisco
(CA): Morgan Kaufmann, 2006. 770 p.
HARTWIG, F. Exploratory data analysis. [S.l.]: Sage, 1979.
HEGARTY, C. et al. Scintillation modeling for GPS-Wide Area Augmentation System
receivers. Radio Science, v. 36, n. 5, p. 1221–1231, September/October 2001.
IEEA - THEORETICAL STUDIES IN ELECTROMAGNETISM. GISM : Global
Ionospheric Model. 2010. Disponı́vel em: <http://www.ieea.fr/en/softwares/gismionospheric-model.html>. Acesso em: 25 nov. 2012.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS (INPE). Scintec Project. 2009.
Disponı́vel em: <http://www.inpe.br/scintec>. Acesso em: 10 jul. 2013.
INTERNATIONAL TELECOMMUNICATION UNION. Ionospheric propagation
data and prediction methods required for the design of satellite services and systems:
Recommendation ITU-R p.531-11. 1. ed. [S.l.], 2012. Disponı́vel em: <http://www.itu.int/pub/R-REC/en>.
KEHRER, J. Integrating Interative Visual Analysis of Large Time Series Data into the
SimVis System. 108 f. Dissertação (Mestrado) — VRVis Research Center and Vienna
University of Technology, Austria, Vienna, 2007.
KEIM, D. et al. Information visualization. In: KERREN, A. et al. (Ed.). Berlin,
Heidelberg: Springer-Verlag, 2008. cap. Visual Analytics: Definition, Process, and
Challenges, p. 154–175. ISBN 978-3-540-70955-8.
KEIM, D. A. et al. Visual data mining. In: SIMOFF, S. J.; BÖHLEN, M. H.; MAZEIKA,
A. (Ed.). Berlin, Heidelberg: Springer-Verlag, 2008. cap. Visual Analytics: Scope and
Challenges, p. 76–90. ISBN 978-3-540-71079-0.
KEOGH, E. et al. Locally adaptive dimensionality reduction for indexing large time
series databases. In: Proceedings of the 2001 ACM SIGMOD international conference
on Management of data - SIGMOD ’01. New York, New York, USA: ACM Press, 2001.
v. 30, n. 2, p. 151–162. ISBN 1581133324.
KEREN, G.; LEWIS, C. A handbook for data analysis in the behavioral sciences:
statistical issues. [S.l.]: Routledge, 1993.
KINTNER JR., P.; HUMPHREYS, T.; HINKS, J. GNSS and ionospheric scintillation:
How to survive the next solar maximum. Inside GNSS, p. 22–30, 2009.
KIRCHHOFF, V. W. J. H. Introdução à geofı́sica espacial. São Paulo: Nova Estella, Ed.
USP/FAPESP, 1991. 149 p.
KLOBUCHAR, J. A. Ionospheric time-delay algorithm for single-frequency GPS users.
IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS, AES-23,
n. 3, p. 325–331, May 1987.
135
LEICK, A. GPS satellite surveying. Hoboken: John Wiley, 2004. 435 p.
LIN, J. et al. A symbolic representation of time series, with implications for streaming
algorithms. In: Proceedings of the 8th ACM SIGMOD workshop on Research issues in
data mining and knowledge discovery. San Diego (CA): [s.n.], 2003.
LIN, J. et al. Visually mining and monitoring massive time series. In: Proceedings of the
2004 ACM SIGKDD international conference on Knowledge discovery and data mining.
[S.l.: s.n.], 2004.
MacEACHREN, A. M. How maps work: representation, visualization, and design. New
York: Guilford Press, 1995. 513 p.
MARQUES, H. A. PPP em tempo real com estimativa das correções dos relógios dos
satélites no contexto de rede GNSS. 244 f. Tese (Doutorado em Ciências Cartográficas)
— Universidade Estadual Paulista, Presidente Prudente, 2012.
MATSUOKA, M. T. INFLUÊNCIA DE DIFERENTES CONDIÇÕES DA IONOSFERA
NO POSICIONAMENTO POR PONTO COM GPS: Avaliação na região brasileira.
263 f. Tese (Doutorado em Ciências Cartográficas) — Universidade Estadual Paulista,
Presidente Prudente, 2007.
McNAMARA, L. F. The Ionosphere: communications, surveillance, and direction
finding. Florida: Krieger, 1991. 237 p.
MENDONÇA, M. A. M.; MONICO, J. F. G.; MOTOKI, G. M. Efeitos da cintilação
ionosférica na agricultura de precisão: Um estudo de caso. In: SIMPÓSIO BRASILEIRO
DE GEOMÁTICA, 3., 2012, Presidente Prudente. Anais... Presidente Prudente: UNESP,
2012. v. 1, p. 262–267.
MONICO, J. Posicionamento por ponto de alta precisão utilizando o GPS: uma solução
para a geodinâmica. Brazilian Journal of Geophysics, SciELO Brasil, v. 18, n. 1, 2000.
MONICO, J. F. G. Posicionamento pelo GNSS : descrição, fundamentos e aplicações.
São Paulo: Ed. da UNESP, 2008. 476 p.
MUELLA, M. et al. Tomographic imaging of the equatorial and low-latitude ionosphere
over central-eastern brazil. Earth Planets and Space, v. 63, n. 2, p. 129, 2011.
MULLER, W.; SCHUMANN, H. Visualization methods for time-dependent data - an
overview. In: Simulation Conference, 2003. Proceedings of the 2003 Winter. [s.n.], 2003.
v. 1, p. 737–745. Disponı́vel em: <http://dx.doi.org/10.1109/WSC.2003.1261490>.
NATIONAL AERONAUTICS AND SPACE ADMINISTRATION (NASA). Solar Cycle
Prediction. Janeiro 2014. Disponı́vel em: <http://solarscience.msfc.nasa.gov/predict%
-.shtml>. Acesso em: 10 jan. 2014.
NATIONAL OCEANIC AND ATMOSPHERIC ADMINISTRATION (NOAA) - SPACE
WEATHER PREDICTION CENTER. Solar Cycle Progression. Janeiro 2014. Disponı́vel
em: <http://www.swpc.noaa.gov/SolarCycle/>. Acesso em: 10 jan. 2013.
136
NORTHWEST RESEARCH ASSOCIATES, INC. (NWRA). The WBMod Ionospheric
Scintillation Model. 2011. Disponı́vel em: <http://www.nwra.com/ionoscint/eqdemo/demo 0100.html>. Acesso em: 25 nov. 2012.
PENG, S. et al. High latitude ionosphere scintillations at GPS L5 band. In: Proceedings
of the 24th International Technical Meeting of The Satellite Division of the Institute of
Navigation (ION GNSS 2011). Portland, Oregon (USA): [s.n.], 2011. p. 597–607.
POLEZEL, W. G. C. INVESTIGAÇÕES SOBRE O IMPACTO DA MODERNIZAÇÃO
DO GNSS NO POSICIONAMENTO. 106 f. Dissertação (Mestrado em Ciências
Cartográficas) — Universidade Estadual Paulista, Presidente Prudente, 2010.
PRASAD, R.; RUGGIERI, M. Applied satellite navigation using GPS, GALILEO, and
augmentation systems. [S.l.]: Artech House, 2005.
RADICELLA, S. M. The nequick model genesis, uses and evolution. Annals of geophysics,
v. 52, n. 3/4, p. 417–422, 2009.
REIMANN, C. et al. Statistical data analysis explained : applied environmental statistics
with r. Chichester: John Wiley & Sons, 2008. 343 p.
REZENDE, L. de et al. Mapping and survey of plasma bubbles over brazilian territory.
Journal of Navigation, Cambridge Univ Press, v. 60, n. 01, p. 69–81, 2007.
REZENDE, L. F. C. de. Mineração de Dados Aplicada à Análise e Predição de
Cintilação Ionosférica. 176 f. Dissertação (Mestrado em Computação Aplicada) —
Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2009.
ROCHA, H. V.; BARANAUSKAS, M. C. C. Design e Avaliação de Interfaces
Humano-Computador. São Paulo: NIED/UNICAMP, 2003. 244 p.
ROHDE, R. A. 400 years of sunspot observations. 2012. Imagem digital. Disponı́vel em:
<http://www.globalwarmingart.com/wiki/File:Sunspot Numbers png>. Acesso em: 25
abr. 2013.
SAPUCCI, L. F.; MACHADO, L. A. T.; MONICO, J. F. G. Previsões do atraso zenital
troposférico para a américa do sul: variabilidade sazonal e avaliação da qualidade.
Revista Brasileira de Cartografia, v. 58, n. 3, 2009.
SECAN, J. et al. High-latitude upgrade to the wideband ionospheric scintillation model.
Radio Science, Wiley Online Library, v. 32, n. 4, p. 1567–1574, 1997.
SEEBER, G. Satellite geodesy: foundations, methods, and applications. Berlin: Walter
de Gruyter, 2003. 589 p.
SEO, J. et al. Evaluation of deep signal fading effects due to ionospheric scintillation on
GPS aviation receivers. In: Proceedings of the 21st International Technical Meeting of the
Satellite Division of the Institute of Navigation. Savannah (GA): [s.n.], 2008. p. 16–19.
SEPTENTRIO SATELLITE NAVIGATION. PolaRxS Application Manual : Version
2.4.1. Leuven, June 2013.
137
SHIMABUKURO, M. H. et al. Coordinated views to assist exploration of spatiotemporal data: A case study. In: IEEE. Coordinated and Multiple Views in Exploratory
Visualization, 2004. Proceedings. Second International Conference on. [S.l.], 2004. p.
107–117.
SHNEIDERMAN, B. Inventing discovery tools: Combining information visualization
with data mining. In: JANTKE, K. P.; SHINOHARA, A. (Ed.). Discovery Science.
Springer Berlin Heidelberg, 2001, (Lecture Notes in Computer Science, v. 2226). p. 17–28.
ISBN 978-3-540-42956-2. Disponı́vel em: <http://dx.doi.org/10.1007/3-540-45650-3 4>.
SILVA, H. A.; MONICO, J. F. G.; MARQUES, H. A. Análise de séries temporais de
coordenadas GNSS sob efeitos de cintilaç ao ionosférica. In: SIMPÓSIO BRASILEIRO
DE GEOMÁTICA, 3., 2012, Presidente Prudente. Anais... Presidente Prudente: UNESP,
2012. v. 1, p. 228–233.
SKONE, S.; HOYLE, V. Canadian GPS network for ionosphere monitoring (CANGIM).
GPS Solutions, Springer-Verlag, v. 9, n. 1, p. 59–62, 2005. ISSN 1080-5370. Disponı́vel
em: <http://dx.doi.org/10.1007/s10291-004-0117-3>.
SKONE, S. et al. Investigating the impact of ionospheric scintillation using a GPS
software receiver. In: Proceedings of the ION GNSS 2005 Conference. Long Beach (CA):
[s.n.], 2005.
TANDON announces tiny but powerful 3,5-inch disk drive. [S.l.]: InfoWorld, v. 4, n. 43,
November 1982.
TAUXE, L. et al. Essentials of Paleomagnetism. 2nd web edition. ed. [s.n.], 2014. 512 p.
Disponı́vel em: <http://magician.ucsd.edu/Essentials%5f2/WebBook2.html>. Acesso
em: 02 abr. 2014.
TEUNISSEN, P. J. G.; KLEUSBERG, A. (Ed.). GPS for Geodesy. Berlim:
Springer-Verlag, 1998. 650 p.
TIWARI, R. et al. WBMod assisted PLL GPS software receiver for mitigating
scintillation affect in high latitude region. In: General Assembly and Scientific
Symposium, 2011 XXXth URSI. Istanbul, Turkey: [s.n.], 2011. p. 1–4. Disponı́vel em:
<http://dx.doi.org/10.1109/URSIGASS.2011.6050861>.
UNIVERSIDADE ESTADUAL PAULISTA - CAMPUS PRESIDENTE PRUDENTE.
CIGALA/CALIBRA/Ionospheric Scintillation. 2013. Disponı́vel em: <http://is-cigalacalibra.fct.unesp.br>. Acesso em: 07 jul. 2013.
VAN DIERENDONCK, A. J.; KLOBUCHAR, J. A.; HUA, Q. Ionospheric scintillation
monitoring using commercial single frequency C/A code receivers. In: Proceedings of the
Institute of Navigation. Alexandria (VA): [s.n.], 1993. p. 1324–1333.
VANI, B. C.; MONICO, J. F. G.; SHIMABUKURO, M. H. Avaliação do PPP em
estações da RBMC próximas às estações da rede CIGALA/CALIBRA no contexto
de cintilação ionosférica. In: WORKSHOP DA RBMC, 1., 2013, São Paulo. Anais
Eletrônicos... São Paulo: MundoGEO, 2013. Disponı́vel em: <http://mundogeoconnect.com/2013/palestrante% -/workshop-rbmc/>. Acesso em: 21 jul. 2013.
138
VANI, B. C.; MONICO, J. F. G.; SHIMABUKURO, M. H. Fundamentos e aspectos
computacionais para posicionamento por ponto GPS. Revista Brasileira de Geomática,
v. 1, n. 2, 2013. No prelo.
VISUALIZACAO. In: DICIONÁRIO da lı́ngua portuguesa. Editora Melhoramentos
Ltda, 2009. Disponı́vel em: <http://www.michaelis.uol.com.br>. Acesso em: 7 jul. 2013.
WALTER, T. et al. Effect of ionospheric scintillations on GNSS: A white paper. SBAS
Ionospheric Working Group, 2010.
WARD, M.; GRINSTEIN, G. G.; KEIM, D. Interactive data visualization: Foundations,
techniques, and applications. Natick: AK Peters, 2010. 496 p.
WARE, C. Information Visualization: perception for design. 3. ed. San Francisco:
Morgan Kaufmann, 2012. 512 p.
WIJK, J. J. V.; SELOW, E. R. V. Cluster and calendar based visualization of time series
data. In: IEEE. Information Visualization, 1999.(Info Vis’ 99) Proceedings. 1999 IEEE
Symposium on. [S.l.], 1999. p. 4–9.
WORLD DATA CENTER FOR GEOMAGNETISM, KYOTO. Geomagnetic Data
Service. Janeiro 2014. Disponı́vel em: <http://wdc.kugi.kyoto-u.ac.jp/index.html>.
Acesso em: 10 jan. 2014.
ZUMBERGE, J. et al. Precise point positioning for the efficient and robust analysis of
gps data from large networks. Journal of Geophysical Research, American Geophysical
Union, v. 102, n. B3, p. 5005–5017, 1997.