MODELO DE RADIOCOMUNICAÇÃO MÓVEL EM AMBIENTE FLORESTAL

Transcrição

1 MODELO DE RADIOCOMUNICAÇÃO MÓVEL EM AMBIENTE FLORESTAL Danileno Meireles do Rosário Departamento de Engenharia Elétrica e de Computação UFPA, Centro Tecnológico. Bolsa PIBIC/CNPq CEP: , Belém PA, tel: (91) , lenomeireles@yahoo.com.br PALAVRAS CHAVES Modelos de propagação, propagação em florestas, redes neurais artificiais. AGRADECIMENTOS Ao CNPQ por ter financiado as pesquisas; Ao Laboratório de Eletromagnetismo Aplicado LEA, do Departamento de Engenharia Elétrica e de Computação da UFPA, por ter disponibilizado sua estrutura para a realização deste trabalho; Aos professores do Centro Tecnológico da UFPA, por terem me orientado a buscar todo o conhecimento que me foi útil neste trabalho. RESUMO Este trabalho propõe uma nova classe de modelos de propagação para ambientes florestais, designados de modelos neuro-adaptados. Nesta abordagem, modelos clássicos de propagação em florestas (Bertoni, Twari, kovács, Cavalcante e Chinguto) foram primeiramente adaptados (ajustados) com base em campanhas de medições realizadas em uma rota de treinamento, sendo posteriormente combinados em paralelo a uma rede neural artificial (RNA) para predizer a perda de propagação em uma rota de teste. A validação dos novos modelos desenvolvidos é realizada com base no cálculo de erros entre as predições e as medidas, tendo como enfoque a dependência do sinal recebido (perda associada) com a distância entre transmissor e receptor. ABSTRACT This work proposes a new class of propagation models for ambient of forests, designated of neuro-adapted models. In this approach, classic models of propagation in forests (Bertoni, Twari, kovács, Cavalcante and Chinguto) they were firstly adapted (fitting) with base in campaigns of measurements accomplished in a training route, being combined later in parallel to a neural network to predict the propagation loss in a test route. The validation of the new developed models is accomplished with base in the calculation of

2 mistakes between the predictions and the measures, tends as focus the dependence of the received sign (associated loss) with the distance between transmitter and receiver. 1. INTRODUÇÃO A predição da perda de propagação de ondas é a base para muitos cálculos no planejamento dos modernos sistemas de comunicação sem-fio [1]. Entretanto, em certos ambientes de grande interesse prático, como é o caso de ambientes florestais, esta modelagem da perda de propagação se apresenta como um problema eletromagnético extremamente complexo. Esta complexidade está associada principalmente pelo fato da onda eletromagnética transmitida em tais ambientes sofrer diversos efeitos (atenuação, espalhamento, absorção, etc.) que dependem de diversos parâmetros, tais como: freqüência, altura das antenas, propriedades elétricas dos meios (solo, floresta, ar), condições atmosféricas, não homogeneidade da vegetação, movimento das árvores devido à velocidade do vento, densidade de troncos, densidade de folhas, etc. Assim, no sentido de modelar o comportamento do sinal em ambientes florestais, alguns estudos têm sido feitos de forma a estabelecer um modelo analítico que se aproxime das situações observadas na prática. Dentre as abordagens clássicas que se referem a estes estudos, pode-se destacar os modelos de Bertoni [1], Tamir [9], Tewari et al. [10], Kovács et al. [13] e Cavalcante et al. [2]. Além destes modelos tradicionais, pode-se também destacar o modelo de Chinguto [4], que foi recentemente desenvolvido baseado em medidas de campo realizadas na floresta amazônica. Apesar de existirem uma relativa variedade de modelos de propagação em florestas baseados em fundamentos teóricos e/ou experimentais, é reconhecido que os mesmos perdem eficiência quando aplicados em ambientes com características relativamente diferentes das quais os mesmos foram originalmente desenvolvidos. Uma tentativa no sentido contornar este problema e adaptar os modelos a um determinado ambiente florestal, é fazer um ajuste paramétrico de seus coeficientes através de campanha de medições realizadas no ambiente de interesse. Modelos seguindo esta metodologia foram denominados, neste trabalho, de modelos adaptados. Apesar desta classe de modelos apresentar um melhor desempenho em relação ao dos modelos originais, geralmente possui a deficiência de representar a perda de propagação por funções que são monotonicamente crescentes com a distância. Desta forma, tais modelos não podem realizar com precisão o mapeamento não-linear dos sinais de rádio em ambientes florestais, que são aleatórios e não-lineares [7]. Neste contexto, este trabalho propõe uma nova classe de modelos de predição de perdas, denominado de modelos neuroadaptados (ou híbridos ). Tal classe é constituída de um modelo adaptado em paralelo com uma rede neural artificial. Nesta abordagem, a rede neural utilizada tem a função de compensar o erro do modelo adaptado em relação aos dados obtidos na campanha de medições. Dessa forma, o modelo neuro-adaptado terá a capacidade de prever as não linearidades que são intrínsecas do ambiente e do próprio sistema de comunicação. Assim, com uma predição mais eficiente da perda de propagação do sinal eletromagnético em uma floresta, pode-se prever a cobertura e alguns parâmetros de qualidade de serviço (QoS) de forma mais efetiva. 2. JUSTIFICATIVA Os sistemas de radio comunicação móvel estão bastante presentes no dia-a-dia das pessoas, sendo responsáveis por atender vários tipos de serviços urbanos, principalmente os do setor de telecomunicações, os quais já agregam milhões de usuários. Um sistema rádio-

3 móvel se caracteriza pela transmissão de informação através da propagação de ondas eletromagnéticas por um determinado canal de comunicação entre uma antena transmissora e outra receptora, sendo que geralmente esta última é móvel. Esses sistemas devem funcionar em uma determinada faixa de freqüência devidamente regulamentada pelo órgão competente (no Brasil, é o caso da Anatel). Na região Amazônica há uma grande sensibilidade do sistema onde ocorre a propagação de sinais de redes móveis em florestas [4]. Há poucos estudos referentes do comportamento de sinal utilizando freqüências altas como, por exemplo, o 1.8 GHZ. A modelagem de predição das perdas de propagação é fundamental para a eficiência de sistemas de comunicações móveis. A utilização de um modelo adequado permite a análise dos fenômenos de radiopropagação em ambiente com florestas. 3. OBJETIVOS O presente projeto objetiva estudar um modelo que considere as principais características da floresta. Inicialmente a floresta será modelada como um arranjo de cilindros dielétricos com perdas distribuídos na área de interesse [3]. O campo espalhado pelos cilindros será obtido e a perda de transmissão e atenuação específica associadas serão calculadas. Uma análise das perdas provocadas pela ressonância exibida pelos troncos das árvores é realizada, considerando parâmetros de florestas típicas, e incorporada ao cálculo da perda total do ambiente. Os resultados serão apresentados através de simulações nas freqüências de 900, e MHz. 4. MATERIAIS E MÉTODOS Os modelos adaptados são implementados a partir dos modelos clássicos pelo ajuste (adaptação) de seus coeficientes em relação às medidas de campo através da técnica do erro médio quadrático mínimo. A principal vantagem dessa abordagem é o fato da mesma encapsular alguns parâmetros de entrada do modelo, evitando assim, problemas referentes ao mau dimensionamento dos mesmos, que podem levar à erros consideráveis de predição. Assim como as suas versões originais, os modelos adaptados possuem a vantagem de requererem baixos recursos computacionais e a desvantagem de não serem capazes de contabilizar os efeitos não-lineares presentes na propagação de ondas em meios florestais. Para que pudéssemos ter um bom entendimento do assunto, um estudo do estado da arte sobre a propagação de ondas em florestas foi realizado [1,3,4,5]. Com base nisso, algumas informações úteis foram obtidas: As florestas são ambientes que envolvem certa complexidade ao se estudar a propagação de ondas por ela, devido a sua característica dielétrica heterogênea (solo, troncos, folhagem, umidade); Quando o sinal atinge freqüências muito altas (acima de 800MHz), ocorre uma grande atenuação; Os cálculos para predição tendem a se tornar mais complexos, por causa da aleatoriedade intrínseca das posições, largura e tamanho dos troncos das árvores, além de suas propriedades elétricas; Múltiplos caminhos de Propagação [2]. A seguir são mostrados os modelos adaptados para ambientes florestais que foram considerados neste trabalho:

4 4.1. Modelo de Tewari, Swarup e Roy Este foi um modelo desenvolvido com base em medições realizadas na floresta da Índia, que se assemelha em alguns fatores com a floresta amazônica [10]. L B - Perda básica de transmissão (db); H t (m) e H y (m) - Altura da antena transmissora e receptora, respectivamente; L f (db) - Perda na vegetação; (1) 4.2. Modelo de Seker e Schneider Este modelo considera as freqüências de 120 até 5000 MHz, e é baseado num modelo determinístico de um meio randômico. Leva em consideração também as constantes dielétricas [8]. E fs Campo Elétrico no Espaço Livre E z d,r,l Campos elétricos que chegam ao receptor através de ondas direta, refletida e lateral. (2) 4.3. Modelo de Cavalcante Este modelo considera que a o receptor esteja dentro da floresta, porém que existam também descontinuidades nela, o que pode ser um rio, uma estrada ou um campo aberto. A figura abaixo mostra um esquema de como os raios se propagam do transmissor ao receptor [3]. Figura 1 Esquematização do modelo de Cavalcante A equação deste modelo leva em consideração as três ondas (lateral, refletida e direta), a largura da descontinuidade, altura das antenas e da floresta. Para a reflexão, o modelo utiliza os coeficientes de reflexão de Fresnel.

5 (3) E mobile Campo Elétrico Recebido no dispositivo móvel P T Potência transmitida G T Ganho da Antena Transmissora d Distância entre as antenas d 1 Comprimento da entre o início da Floresta até a 1ª descontinuidade. d 2 Comprimento do final da 1ª descontinuidade até o fim da floresta ou o receptor. W Distância do Receptor até a extremidade da Floresta (ou da descontinuidade) w Distância do Receptor até a outra extremidade da Floresta (ou da descontinuidade) R ROAD Coeficiente de reflexão de Fresnel da Estrada R FOREST Coeficiente de reflexão de Fresnel da Floresta V BM, V R, V BCM Parâmetros de Fresnel dos campos elétricos Lateral, Direto e Refletido Modelo de Tamir Tamir desenvolveu um modelo no qual o ambiente é dividido em 4 seções [9]: Figura 2 Esquematização do Modelo de Tamir I Seção da Floresta; II Seção da Atmosfera acima da Floresta III Seção da Atmosfera acima do Campo Livre IV Seção do Campo Livre Em cada uma destas regiões, considera-se que a equação do campo elétrico seja diferente, dado que o transmissor esteja dentro da seção I. O campo detectado dentro da Floresta é, segundo Tamir [5,9]:

6 (4) I a momento dipolo h altura média da Floresta k Fator de propagação no espaço livre. z altura do receptor z 0 altura do transmissor O fator F(ângulo, altura) é: (5) (6) (7) Os coeficientes M e m são iguais a 1, se considerar a polarização horizontal. Se for considerada a polarização vertical, M = N² e m = n². Os fatores F(90º, z) e F(90º, z0) são devido à presença do plano terra, o qual afeta a amplitude da onda lateral. O modelo de Tamir não é muito confiável em freqüências acima de 200 MHz. Porém, aproximações podem ser feitas utilizando-se de métodos de adaptação. 5. MODELOS NEURO-ADAPTADOS (HÍBRIDOS) Uma nova classe de modelos de predição é proposta através do processamento em paralelo dos modelos adaptados e as redes neurais artificiais. Esta nova abordagem é implementada sobre uma mesma base de dados da região de interesse (dados coletados em uma das rotas da campanha de medições, detalhes a seguir), que é usada tanto para ajustar os modelos adaptados quanto para treinar as redes neurais. Um esquema representativo do modelo híbrido de predição é mostrado na Figura 3.

7 Base de Dados Modelo Adaptado Rede Neural Artificial Valor Perda Fator de Correção Figura 3 Estrutura do Modelo Neuro-Adaptado (Híbrido) de predição Os modelos de predição adaptados e as redes neurais artificiais quando operando isoladamente podem não apresentar um bom desempenho, as rede por ficarem viciadas nos pontos de treinamento, e os modelos pela incapacidade de realizarem o mapeamento nãolinear que descrevem os sinais de rádio devido sua natureza estocástica [7]. Dessa forma, a combinação em paralelo dessas duas técnicas pode-se obter uma melhora de desempenho, unindo-se as vantagens de ambas. 6. CAMPANHA DE MEDIÇÕES Para a validação da metodologia proposta, uma campanha de medições foi realizada em uma área suburbana da cidade de Marituba, a aproximadamente 20 km de Belém PA. Esse ambiente apresenta prédios baixos, ruas estreitas e áreas densamente arborizadas com vegetação típica da Floresta Amazônica, conforme mostra a Figura 4. A antena transmissora utilizada nas medições foi uma omnidirecional com ganho de 2 dbi, que irradiava uma onda CW com 22 dbm de potência na freqüência de 890,43 MHz. Esta antena foi fixada em uma torre de uma operadora celular local em três configurações de altura: 14 m, 44 m e 70 m. Estas configurações foram adotadas para melhor se estudar o efeito das árvores sobre a perda no sinal recebido. A antena receptora móvel utilizada foi uma omnidirecional de ganho 3 dbi, fixada sobre um carro que se deslocou ao longo de duas rotas predefinidas na área de cobertura de interesse. Tais rotas foram chamadas de rota 1 e rota 2 e são mostradas na Figura 5. Figura 4 Vista, a 70 m de altura, do ambiente de medição (cidade de Marituba)

8 Figura 5 Rotas de Medição (rota 1 e rota 2) A potência recebida e as coordenadas geográficas dos dados foram armazenadas em um notebook equipado com um programa de aquisição e armazenamento de dados. Um processo de pós-processamento foi realizado para organizar os dados das rotas segundo grupos de anéis centrados na estação rádio base com passos de 50 m, sendo calculado então, a média da perda para cada anel. Ao fim deste processo, formou-se um conjunto de dados para a rota 1, que foi usado para o ajuste dos coeficientes dos modelos adaptados e para o treinamento das redes neurais artificiais, e um conjunto para a rota 2, utilizado para validar os modelos neuro-adaptados propostos. A Tabela I mostra parâmetros adicionais que foram observados na campanha de medições e que são necessários como dados de entrada em alguns modelos adaptados. TABELA I: PARÂMETROS ADOTADOS PARA AJUSTE DOS MODELOS Parâmetro Altura média dos troncos (H t ) Altura média da vegetação (H v ) Altura do Rx (h r ) Distância do Rx em relação à floresta (d r ) Valor 4 m 7 m 1,7 m 6 m 7. RESULTADOS Enfim, será feita a avaliação dos resultados obtidos para os novos modelos propostos nas duas rotas (rota 1 e rota2) da campanha de medições realizada na cidade de Marituba. Por motivos de falta de espaço, mas sem perda da generalidade, apenas os resultados gráficos para o caso com a antena transmissora a uma altura de 70 m serão mostrados. As Figuras 6, 7 e 8 mostram os gráficos para a rota 1 (rota de treinamento) da perda média de propagação predita pelos modelos clássicos, adaptados e neuro-adaptados, respectivamente, em função da distância entre transmissor e receptor. Através destas é possível evidenciar perfeitamente o ganho de eficiência obtido pelos modelos adaptados e neuro-adaptados em relação aos modelos clássicos. Entretanto, este resultado já era esperado,

9 visto que os dados da rota utilizada foram usados como treinamento das redes neurais artificiais que compõem os modelos neuro-adaptados de predição e serviram como base de dados para a modelagem e determinação dos coeficientes dos modelos de predição adaptados. Figura 6 Perda de propagação dos modelos clássicos para a rota 1 Figura 7 Perda de propagação dos modelos adaptados para a rota 1 Figura 8 Perda de propagação dos modelos neuro-adaptados para a rota 1

10 As Figuras 9, 10 e 11 mostram os gráficos para a rota 2 (rota de testes) da perda média de propagação predita pelos modelos clássicos, adaptados e neuro-adaptados, respectivamente, em função da distância entre transmissor e receptor. Apesar dos dados dessa rota serem diferentes dos quais foram usados para a adaptação dos modelos clássicos, e de serem totalmente desconhecidos para as redes neurais que compõem os modelos neuroadaptados, o ganho de eficiência obtido pelos mesmos em relação aos modelos clássicos ainda sim ficou evidente. Figura 9 Perda de propagação dos modelos clássicos para a rota 2 Figura 10 Perda de propagação dos modelos adaptados para a rota 2

11 Figura 11 Perda de propagação dos modelos neuro-adaptados para a rota 2 As Tabelas II e III mostram a análise estatística do erro (em db) dos modelos considerados para a rota 1 (rota de treinamento) e para a rota 2 (rota de testes), respectivamente. É importante ressaltar que os valores apresentados nestas tabelas são referentes aos erros globais encontrados para os três casos de altura da antena transmissora (14 m, 44 m e 70 m de altura). TABELA II: ANÁLISE ESTATÍSTICA DO ERRO PARA A ROTA 1 (TREINAMENTO) Modelo Erro Médio Absoluto (db) Desvio Padrão (db) Erro RMS (db) Bertoni Clássico 13,7698 5, ,7493 Bertoni Adaptado 3, , ,95704 Bertoni Híbrido 2, , ,49441 TSR Clássico 45,8056 5, ,0799 TSR Adaptado 3, , ,97692 TSR Híbrido 1, , ,02900 KEO Clássico 32,4566 8, ,5077 KEO Adaptado 3, , ,50780 KEO Híbrido 2, , ,54720 CSO Clássico 8, , ,8852 CSO Adaptado 5, , ,49140 CSO Híbrido 2, , ,63892 Chinguto Clássico 51,1790 8, ,8697 Chinguto Adaptado 6, , ,80501 Chinguto Híbrido 2, , ,76348

12 TABELA III: ANÁLISE ESTATÍSTICA DO ERRO PARA A ROTA 2 (TESTES) Modelo Erro Médio Absoluto (db) Desvio Padrão (db) Erro RMS (db) Bertoni Clássico 13,5163 5, ,5471 Bertoni Adaptado 3, , ,09587 Bertoni Híbrido 2, , ,60499 TSR Clássico 45,5360 5, ,8212 TSR Adaptado 3, , ,07112 TSR Híbrido 2, , ,1285 KEO Clássico 32,2394 8, ,3028 KEO Adaptado 3, , ,52164 KEO Híbrido 2, , ,67671 CSO Clássico 8, , ,1654 CSO Adaptado 5, , ,67063 CSO Híbrido 2, , ,76876 Chinguto Clássico 50,6767 8, ,4189 Chinguto Adaptado 6, , ,98931 Chinguto Híbrido 3, , ,91150 Através dos resultados apresentados, pode-se observar um melhor desempenho dos modelos de propagação em florestas neuro-adaptados em relação às suas versões originais e adaptadas, mesmo para a rota 2, onde os dados dessa rota são totalmente desconhecidos para as redes neurais que compõem esses modelos. Este desempenho superior deve-se ao acréscimo das não-linearidades dada aos modelos adaptados de predição através das redes neurais artificiais. 8. CONCLUSÃO Neste trabalho foi proposta uma nova classe de modelos de propagação para ambientes florestais, designados de modelos neuro-adaptados. Nesta abordagem, modelos clássicos de propagação em florestas (Bertoni, Tewari, kovács, Cavalcante e Chinguto) foram primeiramente adaptados (ajustados) com base em campanhas de medições realizadas em uma rota de treinamento, sendo posteriormente combinados em paralelo a uma rede neural artificial (RNA) para predizer a perda de propagação em uma rota de teste. Os resultados obtidos demonstram a eficiência da abordagem proposta. 9. REFERÊNCIAS [1] Bertoni, H. L., Radio Propagation for Modern Wireless Systems, Prentice Hall Wireless Communications Series, 200. [2] Cavalcante, G.P.S.; Sanches, M.A.R., and Oliveira, R.A.N., Mobile Radio Propagation Along Mixed Paths in Forest Environments, SBMO/IEEE MTT-S IMOC, pp , [3] Cavalcante, A. M., Estratégias Computacionais Aplicadas em Técnicas de Traçado de Raios 3D para o Aumento da Eficiência na Caracterização de Canais de Propagação de Redes Sem-Fio., Proposta de Tese de Doutorado, Universidade Federal do Pará

13 [4] Chinguto, S.M.G., Propagação na floresta da Amazônia na faixa de freqüência de 800 a 3000 MHz: análise aproximada do efeito da chuva e perda de transmissão na floresta, (Dissertação de Mestrado, Departamento de Engenharia Elétrica e de Computação DEEC UFPA), Belém-PA, [5] Jacop, C.F.F., Ambiente computacional para Análise de Rádio Propagação em Floresta, Trabalho de Conclusão de Curso, Universidade Federal do Pará, [6] Lang.R.H., Schneider, A., Seker, S., Altman, F.J., UHF Radiowave Propagation through forests, Technical Report CECOM , U.S. Army Communication-Electronics Command, [7] Sanches, M.A.R.; Cavalcante, G.P.S., Modelos Neuro-Adaptados para Predição de Radiopropagação em Sistemas Móveis Terrestres, Revista da Sociedade Brasileira de Telecomunicações, Brasil, v. 16, n. 1, p , [8] Seker, S.S., Schneider, A., Stochastic model for pulsed radio transmission through stratified forests, Proc. Inst. Elect. Eng., vol. 134, pt. H, pp ,1987. [9] Tamir, T., Radio Wave Propagation Along Mixed Paths in Forest Environments, Vol. AP- 25, pp , [10] Tewari, R. K.; Swarup, S. and Roy, M. N.: Radiowave propagation through rain forests of India, IEEE Trans. on Antennas & Propagation, pp , [11] Soares, F. M., Modelos Neuro-Adaptados para Predição de Rádio Propagação em Sistemas Rádio Móveis na Floresta Amazônica, PIBIC-CNPq [12] Soares, F.M., Modelos Neuro-Adaptados para Predição de Radiopropagação em Sistemas Móveis em Áreas Urbanas de Municípios da Região Amazônica, PIBIC- UFPA [13] Kovács, I.Z..; Eggers, P.C.F.., and Olesen, K., Radio channel characterization for forest environments in the VHS and UHF frequency band, IEEE Transactions on Antennas and Propagation, pp , [14] Haykin, S., Redes Neurais, 3ª Ed. Editora Bookman. [15] Monod, J., Chance and Necessity: An Easy on the Natural Philosophy of Modern Biology, New York, Alfred A. Knopf, 1971.