Análise da Cintilação Ionosférica no Brasil empregando GNSS e Técnicas de Mineração e Visualização de Dados

Transcrição

1 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

2 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 título de Mestre em Ciências Cartográficas. Orientador: Prof. Dr. Milton Hirokazu Shimabukuro Co-orientador: Prof. Dr. João Francisco Galera Monico Presidente Prudente 2014

3 FICHA CATALOGRÁFICA

4

5 DADOS CURRICULARES Bruno César Vani Nascimento: 14/08/1987 em Regente Feijó/SP. Filiação: Jorge Henrique Vani e Lucimar Santana Vani : 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

6 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 família, pela paciência e compreensão.

7 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 períodos de máxima atividade solar, os efeitos da cintilação ionosférica são ainda mais intensos, principalmente em regiões equatoriais como o Brasil. Estações GNSS de monitoramento contínuo 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 índices de cintilação ionosférica e métricas sobre os sinais recebidos, os quais são denominados Ionospheric Scintillation Monitor Receivers (ISMR). Com a infraestrutura de monitoramento disponível, 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 científica através da Internet, constituindo uma infraestrutura de análise que complementa a infraestrutura de monitoramento. Nesta dissertação, são apresentadas as características e potencialidades das técnicas implementadas, bem como experimentos e análises dos resultados pela aplicação das mesmas, os quais contribuíram na análise do comportamento e na avaliação dos impactos da cintilação ionosférica no Brasil. São avaliados aspectos como as variações espaciais, temporais e características peculiares das cintilações, bem como os efeitos causados no posicionamento GNSS. Palavras-chave: Cintilação Ionosférica. Posicionamento GNSS. Mineração e Visualização de Dados.

8 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.

9 Lista de Figuras 1 Configuração básica dos Satélites GPS. Fonte: Seeber (2003, p. 211)... p Princípio básico do posicionamento com GPS. Fonte: Seeber (2003, p 211). p Fotoionização. Fonte: Dal Poz (2010) p Divisão da Ionosfera em Camadas. Fonte: Dal Poz (2010) p Manchas solares nos últimos 400 anos. Adaptado de Rohde (2012).... p Sunspot Number e Fluxo Solar. Fonte: National Oceanic and Atmospheric Administration (NOAA) - Space Weather Prediction Center (2014).. p Sunspot Number observado e predito. Fonte: National Aeronautics and Space Administration (NASA) (2014) p Variação dos pólos magnético e geomagnético no hemisfério Norte. Adaptada de World Data Center for Geomagnetism, Kyoto (2014) p Equador geomagnético para o ano de referência de Adaptada de World Data Center for Geomagnetism, Kyoto (2014) p Esquematização da cintilação nos sinais GNSS. Adaptado de Walter et al. (2010) p Frequência de ocorrência de cintilação de acordo com a localização geográfica. Adaptada de Kintner Jr., Humphreys e Hinks (2009) p Oval auroral sobre a América do Norte. Fonte: Skone e Hoyle (2005)... p. 45

10 13 Distribuição global do índice S4 em 15 de Setembro de 2000 às 21h local. Fonte: Conker et al. (2003) p Estações da Rede CANGIM. Fonte: Skone et al. (2005) p Exemplo de mapa disponibilizado pelo Projeto SCINTEC. Fonte: Instituto Nacional de Pesquisas Espaciais (INPE) (2009) p Estações da Rede CIGALA/CALIBRA. Fonte: Universidade Estadual Paulista - Campus Presidente Prudente (2013) p Fluxo diário atual das estações da Rede CIGALA/CALIBRA p Exemplo do WBMod. Fonte: NorthWest Research Associates, Inc. (NWRA) (2011) p Exemplos do GISM. Fonte: IEEA - Theoretical Studies in Electromagnetism (2010) p Estação de monitoramento utilizada para a inferência dos parâmetros de atividade da ionosfera. Fonte: Mendonça, Monico e Motoki (2012).... p Índice S4, erro nas componentes Leste (E), Norte (N) e Vertical (H) em RTK. Fonte: Mendonça, Monico e Motoki (2012) p Cintilação observada e erros obtidos em PPP. Fonte: Silva, Monico e Marques (2012) p Comparação entre um disquete e um cartão Micro SD p Quatro conjuntos de dados com características divergentes, mas com propriedades estatísticas idênticas. Adaptado de Croarkin e Tobias (2012).. p Processo de Visualização. Adaptado de Ware (2012, p. 4) p Escopo da Analítica Visual. Adaptado de Keim et al. (2008b, p. 4).... p Ciclo do Processo Analítico-Visual. Traduzido de Keim et al. (2008a, p. 165) p Escopo da Mineração de Dados. Traduzido de Han e Kamber (2006, p. 29). p Processo KDD incluindo a Mineração de Dados. Adaptado de Han e Kamber (2006, p. 6) p. 74

11 30 Arquitetura geral de um Sistema de Mineração de Dados. Adaptado de Han e Kamber (2006, p. 8) p Representação temporal através de gráficos de dispersão. Fonte: Reimann et al. (2008) p Tentativa de representação de diversas séries na tela. Adaptada de Few (2008) e Ward, Grinstein e Keim (2010) p Formação dos horizon charts. Adaptada de Few (2008) p Formação dos horizon charts. Adaptada de Bostock (2012) p Representação de várias séries temporais com horizon charts. Fonte: Bostock (2012) p Representação espaço-temporal com mapas e pixel-based. Fonte: Shimabukuro et al. (2004) p Calendar view representando a quantidade de funcionários dentro de uma empresa. Fonte: Wijk e Selow (1999) p Redução de dimensionalidade com a técnica PAA. Adaptada de Lin et al. (2003) p Conversão de uma série temporal em uma representação simbólica com SAX. Fonte: Lin et al. (2004) p Aplicação de janelas deslizantes. Fonte: Lin et al. (2003) p Visualização da representação SAX utilizando árvore. Fonte: Lin et al. (2004) p Fluxo lógico dos dados p Exemplo de interface baseada em filtros da ISMR Query Tool p Ciclo analítico-visual com visualização de séries temporais p Comparações de índices observados por diferentes estações p Identificação dos horários mais afetados pela cintilação em Março/ p Visualização do índice S4 baseada em grids p Visualização da média do índice S4 para cada dia e hora do dia (UTC) em um período de dois meses para uma única estação p. 95

12 49 Representação com pierce-points p Visualização de seis atributos para dois satélites através dos horizon-charts. p Exemplo de visão de calendário p Visualização dos resultados da técnica SAX p Interação com os resultados da técnica SAX p Índice S4 e resultante do erro posicional para um dia sem picos de cintilação.p Índice S4 e resultante do erro posicional para um dia com picos de cintilação.p Média diária do índice S4 - todas as estações p Desvio-padrão do índice S4 nos pierce points (máscara de elevação de 20 o ; grid com resolução de 1 o ; dados GPS do mês de Outubro de 2012).. p Desvio-padrão do índice S4 nos pierce points (máscara de elevação de 20 o ; grid com resolução de 1 o ; dados GPS do mês de Dezembro de 2013). p Horários mais afetados no mês de Outubro de p Estação PRU2 - variação dos horários mais afetados pela cintilação na última quinzena do mês de Outubro de p Média diária do índice S4 - estação PALM p Média diária do índice S4 - estação PRU p Média diária do índice S4 - estação POAL p Porcentagem mensal de cintilações moderadas a fortes (S4 > 0.3) - Estações PALM e PRU p Comportamento dos picos de índice S4 para a estação PRU p Porcentagem de cintilações moderadas e fortes. Comparação entre GPS, GLONASS e Galileo p Porcentagem média de cintilação moderada e alta para cada satélite GPS na frequência de transmissão L1, estação PRU1, ano de p Horários de rastreio do satélite GPS PRN 17 em diferentes épocas..... p Porcentagem média de cintilação moderada e alta para cada satélite GLONASS na frequência de transmissão L p. 119

13 70 Comparação entre os índices S4 total e S4 corrigido na estação PRU2, ano de p Porcentagem de cintilações moderadas e fortes considerando apenas satélites GPS do bloco II-F na estação PRU1, ano de p Identificação de multicaminho na estação MAN p Comparativo entre as estações MAN2 e PRU p Estação MAN2 após a filtragem no parâmetro sigma ccd p Trajetória da solução posicional p Índice S4 obtido na semana p Erros posicionais no processamento original e no processamento modificado.p Representação de círculos com raios proporcionais ao desvio-padrão resultante Modo PPS, dia 14/11/ :00 UTC p Análise comparativa entre a degradação no PPS e o índice S p. 128

14 Lista de Abreviaturas CALIBRA Countering GNSS high Accuracy applications Limitations due to Ionospheric disturbances in BRAzil CANGIM Canadian GPS Network for Ionospheric Monitoring CGM Corrected GeoMagnetic CIGALA Concept for Ionospheric Scintillation Mitigation for Professional GNSS in Latin America DGPS Differential GPS DGRF/IGRF Definite/International Geomagnetic Reference Field EDA Exploratory Data Analysis ESA European Space Agency EUV Extreme Ultraviolet FCT Faculdade de Ciências e Tecnologia GBAS Ground Based Augmentation System GEGE Grupo de Estudos em Geodésia Espacial GISM Global Ionospheric Scintillation Model GLONASS GLObal naya NAvigatsionnaya Sputnikkovaya Sistema GNSS Global Navigation Satellite Systems

15 GPS Global Positioning System IGS International GNSS Service ISMR Ionospheric Scintillation Monitor Receiver KDD Knowledge Discovery from Data NASA National Aeronautics and Space Administration NOAA National Oceanic and Atmospheric Administration NWRA Northwest Research Associates, Inc PAA Piecewise Aggregation Approximation PPP Posicionamento por Ponto Preciso PPS Posicionamento por Ponto Simples RAIM Receiver Autonomous Integrity Monitoring RBMC Rede Brasileira de Monitoramento Contínuo dos Sistemas GNSS RTK Real Time Kinematic SAX Symbolic Aggregation Approximation SBAS Space-Based Augmentation System SGBD Sistema Gerenciador de Banco de Dados SNR Signal to Noise Ratio SSN Sunspot Number TEC Total Electron Content TECU TEC-Unit UNESP Universidade Estadual Paulista Júlio de Mesquita Filho

16 Sumário 1 Introdução p Objetivos p Justificativa p Organização do Documento p Sistemas Globais de Navegação por Satélite (GNSS) p Introdução p Global Positioning System (GPS) p Observáveis GNSS e Efeitos Sistemáticos p Métodos de Posicionamento GNSS p Ionosfera e Cintilação Ionosférica p Ionosfera p Divisão em Camadas p Influência da Atividade Solar na Ionosfera p Ciclo Solar p Interação Solar-Terrestre p Latitude Geomagnética p. 39

17 3.3 Atraso ionosférico e Conteúdo Total de Elétrons p Cintilação Ionosférica p Estimativas de cintilação p Cintilações de Amplitude e Índice S p Cintilações de Fase e índice Sigma-fi p Redes GNSS de Monitoramento Contínuo da Ionosfera p Canadian GPS Network for Ionospheric Monitoring (CANGIM) p Projeto SCINTEC p Rede CIGALA/CALIBRA p Modelos de Cintilação Ionosférica p WideBand MODel (WBMOD) p Global Ionospheric Scintillation Model (GISM) p Influência da Cintilação Ionosférica no Posicionamento GNSS p Influência no Posicionamento Relativo p Influência no Posicionamento por Ponto Preciso (PPP) p Visualização e Mineração de Dados p Visualização de Dados p O conceito de Visual Analytics p Mineração de Dados (Data Mining) p Funcionalidades da Mineração de Dados p Técnicas de Mineração e Visualização de Dados p Concepção e desenvolvimento de uma ferramenta para mineração e visualização de dados: ISMR Query Tool p Da Infraestrutura de Monitoramento para a Infraestrutura de Análise.. p. 87

18 6.1.1 Recursos Implementados: Visualização e Mineração p Síntese dos Recursos de Mineração e Visualização Implementados p Inclusão do erro posicional como atributo na base de dados p Experimentos e Análises dos Resultados p Variações temporais e espaciais p Comparações envolvendo Constelações, Satélites, Índices e Frequências. p Comparação entre GPS, GLONASS e Galileo p Comparação entre os Índices S4 Total e S4 Corrigido p Comparação entre Frequências (L1, L2 e L5) p Avaliação em relação ao Multicaminho p Experimento para mitigação dos efeitos da cintilação ionosférica no PPP p Experimento no PPS p Conclusão p. 129 Referências p. 133

19 18 Introdução 1 Os Sistemas Globais de Navegação por Satélite (Global Navigation Satellite Systems GNSS) são constituídos 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, veículos, 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 15 o 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 contínuo da cintilação ionosférica, as quais estão distribuídas pelo território brasileiro e disponibilizam observações de monitoramento a cada minuto. Estas estações fazem parte da Rede CIGALA/CALIBRA, cujos primeiros

20 19 receptores foram constituídos em fevereiro de Considerando a configuração da rede, tem-se mais de 10 milhões de observações a cada dia: são mais de 60 parâmetros, que incluem índices 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 períodos onde ela ocorreu, o que era difícil 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 analítico 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 científica 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 específicos, 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.

21 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 Analítica 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 característica 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 acessível via web. Diversas pesquisas vem sendo realizadas à partir da base de dados disponível em diversos segmentos, como iniciação científica, 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 Capítulos. Os Capítulos 2 a 5 trazem a fundamentação teórica: o Capítulo 2 introduz o GNSS,

22 21 destacando os princípios de funcionamento; no Capítulo 3, são destacadas as características da ionosfera e da cintilação ionosférica; o Capítulo 4 apresenta os efeitos da cintilação ionosférica no posicionamento GNSS; e o Capítulo 5 discorre sobre a Visualização e a Mineração de Dados. No Capítulo 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 Capítulo 7 apresenta experimentos e análises dos resultados obtidos pela aplicação das técnicas de mineração e visualização aplicadas. Por fim, no Capítulo 8 são apresentadas conclusões, novas perspectivas obtidas através do Projeto, comentários gerais e considerações finais.

23 22 Sistemas Globais de Navegação por Satélite (GNSS) Introdução Os Sistemas Globais de Navegação por Satélite são constituídos por constelações de satélites que permitem, através da transmissão de sinais a um receptor, determinar as suas coordenadas. Estes sinais são transmitidos em frequências específicas, e as características 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 disponível para uso civil. Foi declarado operacional em 1995; Galileo: sistema em desenvolvimento pela European Space Agency (ESA), teve o primeiro satélite lançado em 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 Estão previsos mais de 30 satélites em órbita

24 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, características similares estão presentes nos outros sistemas 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 visíveis 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 km da superfície terrestre. O período 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

25 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 princípio 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: Princípio 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 constituídas por elementos Keplerianos com os quais se torna possível 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 distribuídas pelo

26 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 disponíveis 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 disponíveis em relação a disposição básica composta por 24 satélites a maioria dos usuários dispõe de mais satélites visíveis em relação ao mínimo 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 (f 0 = 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 disponíveis 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 característica principal a transmissão de sinais na frequência L5;

27 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 Ruído (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 ruído 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 resíduo 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 superfície 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 Capítulo 3; Refração troposférica: a troposfera camada da atmosfera que se estende da superfí-

28 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 prejuízo no posicionamento; Erros orbitais: possíveis 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 D s r = ρ s r + c (dt r dt s ) + T s r + I s r + dm s r + ɛ s r (2.1) onde: P Dr s 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; dt r é o erro do relógio do receptor no instante de recepção; dt s é o erro do relógio do satélite s no instante de transmissão;

29 28 T s r e I s r referem-se respectivamente aos atrasos troposférico e ionosférico; dm s r refere-se aos efeitos de multicaminho do sinal; ɛ s r 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 milímetros. 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 ruído da observável de fase após a solução das ambiguidades é da ordem de centímetros a milímetros (COLLINS et al., 2010). O seguinte modelo matemático descreve a fase da onda portadora (MONICO, 2008): ( ρ φ s s r = f r + Tr s Ir s + Dm s ) r + f (dt r dt s ) + [φ s (t 0 ) φ r (t 0 )] + Nr s + ɛ s r (2.2) c onde: φ s r é a fase (em ciclos); f é a frequência da portadora; Dm s r refere-se aos efeitos de multicaminho do sinal; φ s (t 0 ) é a fase inicial no satélite na época de referência t 0 ; φ r (t 0 ) é a fase inicial no receptor na época de referência t 0 ; Nr s 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 (I s r ) 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

30 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 (Φ s r): Φ s r = ρ s r + c (dt r dt s ) + T s r I s r + Dm s r + λ [φ s (t 0 ) φ r (t 0 )] + λn s r + ɛ s r (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 possível 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,

31 ). 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; MO- NICO, 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 princípio 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 possível 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 específicos sobre os diversos efeitos já destacados, bem como para avaliação dos modelos utilizados.

32 31 Ionosfera e Cintilação Ionosférica 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 superfície terrestre, sendo dividida em algumas subcamadas que serão descritas adiante na Subseção Sendo a ionosfera um meio de propagação de sinais, torna-se possível 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 íons 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

33 32 um elétron livre na atmosfera. O átomo neutro torna-se então um íon positivo, pois perdeu um elétron de carga negativa. Destaca-se que são os elétrons livres que refletem as ondas de rádio, tornando possível a comunicação por ondas de rádio na ionosfera (Mc- NAMARA, 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 íons, 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 íons com carga negativa. Ressalta-se que tanto os íons com carga positiva, tanto os íons 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 cíclico destes fenômenos Divisão em Camadas A ionosfera é dividida em três camadas com características específicas. 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

34 33 densidade volumétrica de elétrons livres nas regiões da ionosfera é expressa em número de elétrons por centímetro 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) Influência da Atividade Solar na Ionosfera O sol é uma estrela média com raio superior a 100 vezes o raio da Terra e massa vezes superior à massa da Terra. Ao estudar a influência do sol na ionosfera, pode-se considerar uma subdivisão em dois níveis: sol calmo e sol perturbado. Na maioria

35 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 superfície do sol. Galileo também observou o comportamento cíclico das manchas solares, e concluiu que o sol rotacionava com um período 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 = 10N G + N I (3.1) onde NG e NI 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 30 o do equador solar. As mesmas não aparecem nos pólos solares. Elas parecem escuras pois estão compreendidas em regiões mais frias aproximadamente 4000 o C enquanto as regiões do entorno estão a temperaturas de 6000 o 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

36 35 o sol. Além das observações em comprimentos de onda muito curtos, a coroa também é visível 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 contínuo e contém partículas 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 partículas do sol até a Terra é de aproximadamente 5 dias. Não sentimos os ventos solares na superfície da Terra devido à baixa densidade das partículas que chegam. No entanto, modificações elétricas nestas partículas 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 superfície do sol, que, ao ser liberada, causa uma variação na radiação solar na forma de emissão de raios ultravioleta e raios X (McNAMARA, 1991) Ciclo Solar Através da observação das manchas solares, além da conclusão de que o sol rotaciona, é possível observar também um comportamento cíclico em períodos 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, índices mensais ou anuais. O comportamento cíclico a cada 11 anos (aproximadamente) pode ser observado na Figura 5. À esquerda, em vermelho, observa-se um período de baixa contagem das manchas solares. Este período ficou conhecido posteriormente como mínimo de Maunder, pois foi estudado por Walter Maunder na década de 1890 (McNAMARA, 1991). Outro ponto interessante é o máximo ocorrido no ano de Ressalta-se que os efeitos causados pelo sol na ionosfera são intensificados no períodos mais altos de picos da atividade solar.

37 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 índice das manchas solares, e é também utilizada por centros de observação como índice de atividade solar por ser simples de observar (McNAMARA, 1991). A Figura 6 exibe um comparativo entre tais índices, os quais são disponibilizados pelo NOAA.

38 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

39 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) Interação Solar-Terrestre No que concerne ao campo magnético da Terra, alguns índices visam descrever a atividade geomagnética terrestre e suas componentes. Os índices mais utilizados são o Disturbance Storm-Time (DST), Planetarische Kennziffer ou índice planetário (Kp) e o Auroral Electrojet (AE). O índice Kp é derivado do índice K um índice local que contém variações ocorridas na atividade geomagnética em intervalos de três horas. A partir da padronização dos valores obtidos para o índice K em estações distribuídas pelo globo, obtém-se o índice Kp através da média aritmética. Para cada dia, há oito valores de índice Kp, começando-se à zero hora. O índice AE permite avaliar a atividade geomagnética na região auroral. Ele é obtido através de medidas de variações na componente horizontal

40 39 do campo geomagnético. Estas medidas são coletadas por observatórios distribuídos 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 superfície 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 90 o. 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 superfície 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 geofísicos 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.

41 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 Adaptada de World Data Center for Geomagnetism, Kyoto (2014).

42 3.3 Atraso ionosférico e Conteúdo Total de Elétrons 41 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 m 2 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, índices 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 elétrons/m 2 (KLOBUCHAR, 1987; MARQUES, 2012). Os valores médios de atraso ionosférico em todo o globo terrestre são mais significativos em uma região em torno de 15 o ao Norte e ao Sul do equador geomagnético. Para satélites com mínimo ângulo de elevação projetado para o GPS (5 o ), 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

43 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 disponível 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 Leste- Oeste, podendo alcançar uma altura plena de cerca de 1400 km. Outra característica 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 disponíveis, 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

44 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/CALI- BRA. As cintilações de amplitude e de fase têm comportamento específico 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 10 o a 20 o do equador geomagnético. Também são freqüentes nas regiões de aurora (latitudes geomagnéticas entre 65 e 75 o ) e polares (latitudes geomagnéticas maiores que 75 o ) (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 períodos 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 nível global. Observa-se duas regiões mais afetadas (em vermelho) localizadas aproximadamente entre 10 o a 20 o ao Norte e ao Sul do equador geomagnético; estas regiões constituem a

45 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 possível 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 período noturno, nas regiões polares (mais de 75 o de latitude geomagnética), partículas 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

46 45 América do Norte. Em regiões de altas latitudes, como o Canadá, estes efeitos persistem mesmo em períodos 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 específicos também podem ser produzidos, os quais denotam fatores de intensidade de cintilação ionosférica. Dois índices são mais destacados na literatura: o índice S4, para cintilações de amplitude, e o índice Sigma-fi, para cintilações de fase. Irregularidades na densidade de elétrons podem causar uma difração no sinal, acarre-

47 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 Cintilações de Amplitude e Índice S4 Durante as cintilações de amplitude, o índice 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 índice 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 índice, a potência do sinal é normalizada em relação à potência média recebida (DATTA-BARUA et al., 2003; CONKER et al., 2003). O índice 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 índice S4 é de 1,414 ( 2). Tiwari et al. (2011) apresenta três níveis de classificação para o referido índice: Cintilação forte: S4 1; Cintilação moderada: 0, 5 S4 1; Cintilação fraca: S4 0, 5. Hegarty et al. (2001) apresenta quatro níveis de classificação: Cintilação forte: S4 0, 9;

48 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 níveis 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 índice S4, indicando falsamente a incidência de cintilação ionosférica (DATTA-BARUA et al., 2003). Este aspecto ocorre principalmente no início 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 nível 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 σ ccd ) (VAN DIERENDONCK; KLO- BUCHAR; HUA, 1993). A Figura 13 apresenta uma representação global do índice 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 possível observar as regiões mais afetadas: no entorno do equador magnético, nas altas latitudes e nas regiões aurorais (CONKER et al., 2003). Em síntese, o índice S4 é derivado da intensidade do sinal recebido e desvanecido de outros ruídos. 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 ruído. Logo, o índice S4 não pode ser baseado na razão sinal-ruído, e, para a determinação do mesmo, os ruídos do ambiente devem ser removidos (VAN DIERENDONCK; KLOBUCHAR; HUA, 1993).

49 48 Figura 13: Distribuição global do índice S4 em 15 de Setembro de 2000 às 21h local. Fonte: Conker et al. (2003). Os passos para a determinação do índice 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 índice S4 T : S4 T = SI2 SI 2 SI 2 (3.2) Onde: SI é a intensidade do sinal amostrada a uma taxa de 50 Hz; S4 T é o índice S4 total, o qual inclui as flutuações de amplitude de qualquer causa (ou seja, abrange os ruídos); o operador X 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 ruídos, resultando no índice S4 com valor teórico não superior a 1 (DATTA-BARUA et al., 2003; VAN DIERENDONCK; KLOBUCHAR; HUA, 1993):

50 49 S4 = (S4 T ) 2 (S4 N ) 2 (3.3) Onde: S4 N é o índice referente às flutuações de amplitude devido a ruídos do ambiente, o qual é obtido por meio da estimativa da densidade média sinal-ruído ao longo do intervalo de 1 minuto; S4 é o índice de cintilação de amplitude adimensionado. O intervalo de integração para o cálculo do índice S4 (1 minuto), apesar de difundido na literatura, parece carecer de justificativa teórica/física rigorosa. Em contrate, o índice Sigma-fi, o qual será visto na próxima Subseção, pode ser obtido em diferentes intervalos. Uma vez definido o índice S4 na frequência L1, o respectivo índice pode ser mapeado nas frequência L2 e L5 através das seguintes relações (HEGARTY et al., 2001; PENG et al., 2011): S4 (L2) = S4 (L1) ( f1 f 2 ) 1,5 = 1, 454 S4 (L1) (3.4) S4 (L5) = S4 (L1) ( f1 f 5 ) 1,5 = 1, 550 S4 (L1) (3.5) Cintilações de Fase e índice 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 índice S4, para as cintilações de fase tem-se o índice Sigma-fi, também denominado Sigma-delta-fi (σ ϕ ou σ δϕ ). Tal índice

51 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: σ ϕ = ϕ 2 ϕ 2 (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 índice S4, que é adimensional, o índice Sigma-fi é dado em radianos (podendo também ser expresso em graus ou metros). Tiwari et al. (2011) apresenta a seguinte classificação: Cintilação forte: σ ϕ 0, 8 rad; Cintilação moderada: 0, 4 σ ϕ 0, 8 rad; Cintilação fraca: σ ϕ 0, 4 rad. Já Hegarty et al. (2001) apresenta quatro níveis para o Sigma-fi, os quais também são definidos para a frequência L1: Cintilação forte: σ ϕ 0, 6 rad; Cintilação moderada: 0, 3 σ ϕ < 0, 6 rad; Cintilação fraca: 0, 2 σ ϕ < 0, 3 rad; Cintilação muito fraca: 0, 05 σ ϕ < 0, 2 rad. Uma vez definido o índice Sigma-fi na frequência L1, o respectivo índice também pode ser mapeado nas frequências L2 e L5 através das seguintes relações (HEGARTY et al., 2001; PENG et al., 2011): σ ϕ (L2) = σ ϕ (L1) ( ) f1 f 2 = 1, 283 σ ϕ (L1) (3.7)

52 51 σ ϕ (L5) = σ ϕ (L1) ( ) f1 f 5 = 1, 339 σ ϕ (L1) (3.8) 3.6 Redes GNSS de Monitoramento Contínuo 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 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 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 índices 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 específico desenvolvido pela GPS Silicon Valey (GSV). Com amostras obtidas a taxas de 50 Hz, tais receptores disponibilizavam índices 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 índices 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.

53 52 Figura 14: Estações da Rede CANGIM. Fonte: Skone et al. (2005) 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, disponível em < (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.

54 53 Figura 15: Exemplo de mapa disponibilizado pelo Projeto SCINTEC. Fonte: Instituto Nacional de Pesquisas Espaciais (INPE) (2009) 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 constituída 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 concluído 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 início 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 início em Novembro de 2012, e tem duração prevista de dois anos. O Projeto CALIBRA tem por objetivos principais o desenvolvimento de novas

55 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 distribuídas pelo território brasileiro. Desta forma, espera-se que se tenha um total de 13 estações de monitoramento contínuo. Através destes dois projetos, estão sendo implantadas estações de monitoramento contínuo distribuídas pelo território brasileiro. Estas estações contam com receptores Septentrio PolaRxS-PRO, os quais coletam dados com alta taxa (50 Hz) e calculam parâmetros específicos da ionosfera a cada minuto. A Figura 16 apresenta a localidade das estações disponíveis 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 possível comparar os índices 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

56 55 constituídas em Fevereiro de 2011 em Presidente Prudente. Ressalta-se que, além das estações permanentes, alguns experimentos foram realizados ao longo dos Projetos, os quais constituíram estações de curta duração. Um exemplo foi apresentado na Figura 20 Subseção 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 substituída por MAC2 em março de 2012, e a estação MANA foi substituída por MAN2 em março de 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 específicos, dentre os quais estão disponíveis (SEPTENTRIO SATELLITE NAVIGATION, 2013): Identificadores de tempo, azimute e ângulo de elevação dos satélites; Índice S4 total (S4 T ) e S4 devido a ruídos de ambiente (S4 N ); 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 índice S4 corrigido, o qual pode ser calculado através da Eq Os valores das estatísticas são amostrados a cada minuto, podendo ser computado para cada frequência disponível 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.

57 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 mínimas. 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 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 disponível em < (acesso em 25 nov. 2012). Tal modelo pode ser utilizado para calcular estimativas da severidade da cintilação em um cenário específico do usuário, o qual é composto por local, época do ano, horário local e condições geofísicas. 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 índices geomagnéticos. Um dos parâmetros gerados

58 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 níveis muito baixos), áreas amarelas podem estar sujeitas a níveis moderados de cintilação, e as áreas em vermelho pode estar sujeitas a altos níveis 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).

59 Global Ionospheric Scintillation Model (GISM) O GISM provê características estatísticas do sinal transmitido, como índices de cintilação e duração das atenuações nos sinais. Também são disponibilizados mapas do índice 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 (L 0 ) e a sua velocidade e direção de deslocamento. O fator de correlação varia conforme as condições locais, onde as características 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 estatísticas homogêneas. A Figura 19 apresenta algumas opções de saída disponibilizadas pelo GISM.

60 Figura 19: Exemplos do GISM. Fonte: IEEA - Theoretical Studies in Electromagnetism (2010). 59

61 60 Influência da Cintilação Ionosférica no Posicionamento GNSS 4 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 prejuízo 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 ruídos, como a técnica de pseudodistância filtrada pela fase, que combina as duas

62 61 observáveis. No entanto, esta técnica é sensível a perda de dados, e, quando interrompida, pode acarretar em erros devido a multicaminho e ruídos 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 possível estratégia de mitigação dos efeitos da cintilação no posicionamento GNSS é o descarte das observações mais afetadas. Em um cenário com vários satélites disponíveis (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 disponíveis para o usuário, maior será a possibilidade de se garantir a performance em eventos de cintilação, já que será possível tolerar os sinais degradados. Destaca-se que a frequência L2 é mais suscetível 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

63 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 incluídos 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 disponíveis. 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 prejuízo 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) 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 constituída uma estação de monitoramento de cintilação nas proximidades da região do experimento, conforme apresenta a Figura 20.

64 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 disponível no trator, e mantendo-se o mesmo parado a uma distância aproximada de 100 m de sua estação base, observou-se, em um período 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 índices S4 obtidos na base: as linhas amarela e vermelha indicam, respectivamente, limiares empíricos 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 Influência no Posicionamento por Ponto Preciso (PPP) No PPP, é possível 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 período onde o índice S4 indicou a presença de forte cintilação de amplitude, observadas pelo alto índice S4. Os resultados são apresentados na Figura 22. Acima, é possível notar o índice S4 elevado em um período 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.

65 64 Figura 21: Índice S4, erro nas componentes Leste (E), Norte (N) e Vertical (H) em RTK. Fonte: Mendonça, Monico e Motoki (2012).

66 Figura 22: Cintilação observada e erros obtidos em PPP. Fonte: Silva, Monico e Marques (2012). 65

67 66 Visualização e Mineração de Dados 5 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 empresa Tandon anunciou um disquete de 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 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

68 67 dos mesmos (KEREN; LEWIS, 1993). Destaca-se a importância da utilização de representações visuais sobre os dados inclusive precedendo análises estatísticas clássicas, já que estas podem, em certos casos, não deixar tão claras informações importantes sobre os dados de acordo com a estatística empregada (por exemplo, a média de um atributo) (HARTWIG, 1979). Um exemplo que evidencia a importância da análise exploratória precedendo a análise estatística 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 índice de correlação (0.82), além de outras propriedades estatísticas idênticas. De um ponto de vista quantitativo, a análise estatística 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 características divergentes, mas com propriedades estatísticas 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

69 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 específicas 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).

70 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 visíveis, 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: físico e social. A interpretação de informações pelo ser humano está associada

71 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 características de seu público alvo - presentes no ambiente social destacado na Figura 25. Já o ambiente físico 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 invisíveis. 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 implícitas. 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).

72 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 difícil. 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 (Analítica 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 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 Analítica Visual) é indicada. Segundo Keim et al. (2008b), a Analítica Visual combina técnicas de análise de dados com visualização interativa para se obter entendimento, raciocínio e decisões eficazes sobre uma base de dados muito grande e com dados complexos. Um dos pontos fortes da Analítica 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 Analítica Visual, onde a visualização é combinada a fatores humanos e a análise de dados. É possível verificar que a Analítica Visual compreende várias especificidades, como a análise geoespacial, estatística e científica. Keim et al. (2008a) apresentam um ciclo do processo Analítico-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 daí, pode-se restringir o domínio de interesse no conjunto de dados para análises específicas, reiniciando-se o

73 72 Figura 26: Escopo da Analítica Visual. Adaptado de Keim et al. (2008b, p. 4). ciclo na análise inicial deste subconjunto de dados. Figura 27: Ciclo do Processo Analítico-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 período? Localização temporal: Quando um fenômeno ocorre? Existe um comportamento sistemático?

74 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 Analítica 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 estatística, 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 - KDD 1 ). Este conceito pode ser visto como 1 A definição Knowledge Discovery in Databases também pode ser encontrada na literatura para a sigla KDD.

75 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 específicas - 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-

76 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 domínio 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) 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.

77 76 Algumas características 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 possível 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 excluídos; 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

78 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 domínio temporal dos dados de monitoramento (observações a cada minuto), bem como ao domínio 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 símbolos e tamanho dos símbolos. 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.

79 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 plausível, mas observa-se que pode causar sobreposição (WARD; GRINSTEIN; KEIM, 2010).

80 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 princípio 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

81 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 período superior a três anos. É possível

82 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 domínio espaço-temporal, a qual é apresentada na Figura 36. Os mapas são utilizados para representação espacial, onde marcadores geográficos, como pontos ou círculos, 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 domínio 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.

83 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 atribuídas 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).

84 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 símbolos (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 constituído 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 ( C). 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 específico onde variações de amplitude são importantes como neste projeto esta etapa pode ser descartada. Após a realização da representação PAA, símbolos são atribuídos 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

85 84 quatro símbolos, os quais permitiram transformar uma série temporal de mil dimensões em uma representação de oito símbolos. 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 princípio, onde uma série T de comprimento 128 é decomposta sucessivamente em janelas deslizantes (C i ) 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, característica 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 possíveis 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

86 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 específico 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).

87 86 Concepção e desenvolvimento de uma ferramenta para mineração e visualização de dados: ISMR Query Tool 6 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 características 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 início a concepção e o desenvolvimento da ISMR Query Tool: um software científico 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 CI- GALA 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 constituída pela rede de estações.

88 6.1 Da Infraestrutura de Monitoramento para a Infraestrutura de Análise 87 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): d i = f (t i ) (6.1) Onde d i 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 = {(t 1, d 1, ), (t 2, d 2, ),..., (t n, d n, )} (6.2) Um banco de dados temporal armazena sequência de valores ou eventos repetíveis 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 domínio 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 incluídas 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

89 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 disponível 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 Recursos Implementados: Visualização e Mineração Para muitos atributos de monitoramento, como o índice S4, existem limiares empíricos propostos por diversos autores. De maneira similar ocorre para o ângulo de elevação dos satélites, onde valores mínimos de aceitação, como 10 o ou 15 o, são comumente aplicados a fim de eliminar possíveis efeitos de multicaminho do sinal. Shneiderman (2001) destaca a necessidade de deixar o usuário decidir sobre o que procura. Com esta característica, 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 difícil 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

90 89 através da visualização dos índices providos pelo receptor. Uma das principais características 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 Analítica 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 possível extrair apenas dados de satélites GPS cujo ângulo de elevação seja superior a 15 o e cujo índice S4 seja superior ao índice 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 período de interesse como meses, semanas ou dias, uma ou mais estações, constelações ou satélites específicos, e aplicar um ou mais filtros Booleanos. São disponibilizadas também opções para a saída 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 possível encontrar rapidamente um subconjunto de interesse caracterizado por algum fenômeno específico, como os picos diários de cintilação caracterizados por altos valores de índice S4. Um exemplo é apresentado em três etapas na Figura 44. Em (a), apresenta-se os valores do índice S4 para todos os satélites GPS rastreados pela estação PRU2 no mês de Setembro de Foi aplicado um filtro para ângulos de elevação superiores a 15 o ; em

91 90 (b), a consulta foi restringida para um período aproximado de dez dias. Nesta consulta, foi utilizada a opção de identificação por cores, a qual permite encontrar os satélites mais afetados no período; 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 índices S4 e Sigma-fi para apenas três satélites que apresentaram altos picos os quais foram identificados em (b).

92 Figura 44: Ciclo analítico-visual com visualização de séries temporais. 91

93 92 Mais uma possibilidade é a comparação de índices observados por diferentes estações, a qual é apresentada na Figura 45. São comparados os valores obtidos para o índice 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 possível notar que, de uma forma geral, os índices são coincidentes, mas há discrepâncias significativas que podem ser objeto de investigações mais detalhadas. Figura 45: Comparações de índices 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 possível notar os períodos 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 possível

94 93 observar, além da maior incidência de cintilação em SJCU, há uma pequena diferença no comportamento dos índices entre as duas estações. Em Porto Alegre/RS, observa-se que os horários de alto índice 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 índice S4 está sendo representado para todos os satélites GPS em um período 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

95 94 com o mouse, é possível 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 índice S4 baseada em grids. A Figura 48 apresenta outra modalidade de representação baseada em grids. No exemplo, são apresentadas as médias do índice S4 obtidas a cada hora para um período 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 possível observar os períodos mais afetados sem que haja sobreposição de informação; também é possível identificar rapidamente as perdas de dados (células em cinza). O módulo de visualização em mapas permite avaliar os índices 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, mínimo, 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

96 95 Figura 48: Visualização da média do índice S4 para cada dia e hora do dia (UTC) em um período de dois meses para uma única estação. resolução de 1 o e uma máscara de elevação de 20 o, apresenta-se a quantidade de piercepoints com S4 superior a 0.3 no mês de dezembro de 2013 para a estação PALM. É possível 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 específica 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

97 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 índice S4 para a estação SJCE no ano de Rapidamente pode-se identificar os dias mais afetados em todo o período. Figura 51: Exemplo de visão de calendário. As Figuras 52 e 53 apresentam um exemplo de aplicação da técnica SAX e detalhes

98 97 sobre a representação visual implementada. Tal técnica foi aplicada sobre o índice S4 de todos os satélites GPS rastreados na primeira quinzena de Dezembro/2013 pela estação PRU1, utilizando-se uma máscara de elevação de 20 o. 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 índice 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 mínima 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 início de cada linha, a identificação do satélite é apresentada, e, ao término, o valor do parâmetro escolhido para ordenação dos resultados é apresentado.

99 98 Figura 52: Visualização dos resultados da técnica SAX. Outras opções de ordenação disponíveis 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 período 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 possível identificar os picos mais significativos observados em cada satélite ao longo do tempo.

100 99 Figura 53: Interação com os resultados da técnica SAX Síntese dos Recursos de Mineração e Visualização Implementados A Tabela 1 apresenta uma síntese dos recursos implementados, sumarizando as principais características e potencialidades de cada técnica.

101 100 Técnica Gráficos de Dispersão Grids Mapas de Pierce Points Horizon Charts Calendar View SAX Tabela 1: Síntese dos Recursos Características 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 Visualização de parâmetros sem sobreposição Identificação de perdas de dados Comparação entre satélites Análise da cobertura espacial da rede Repetibilidade espacial ao longo do tempo Variação espacial ao longo do tempo Verificação da geometria dos satélites 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 Visão geral sobre o comportamento ao longo do ano Comparação entre estações na escala de um ano Identificação da disponibilidade de dados Classificação de séries temporais de atributos (limiares) Redução de dimensionalidade Duração de eventos (pelo tamanho da janela deslizante) Comparações entre satélites em longo período 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 Tal software foi escolhido pelo seu caráter científico, além da possibilidade de processamento automatizado mediante a elaboração de scripts em ambiente Linux.

102 101 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 15 o. 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 princípio 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 possível uma comparação imediata entre estimativas de cintilação e possíveis 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, período 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 índices 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.

103 102 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 possível observar alguns picos de alto índice 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 índice S4 entre 4h e 5h, o qual não acarretou em prejuízo 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.

104 103 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.

105 104 Experimentos e Análises dos Resultados 7 Neste Capítulo, são apresentados experimentos realizados com o auxílio da ISMR Query Tool. Tais experimentos visam descrever aspectos gerais da cintilação ionosférica no Brasil com base dos dados de monitoramento disponíveis no período de 2011 a 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 disponíveis, a Figura 56 apresenta a média aritmética diária do índice S4 no período 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 períodos 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 estatística 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.

106 105 Figura 56: Média diária do índice 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 índice S4 projetado nos pierce points. Utiliza-se o desvio-padrão com o objetivo de se obter uma aproximação das regiões onde tal índice apresenta maior variação. Na Figura 57, foram utilizados índices 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 índices 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).

107 106 Figura 57: Desvio-padrão do índice S4 nos pierce points (máscara de elevação de 20 o ; grid com resolução de 1 o ; dados GPS do mês de Outubro de 2012). Figura 58: Desvio-padrão do índice S4 nos pierce points (máscara de elevação de 20 o ; grid com resolução de 1 o ; 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 índice S4 por minuto (escala de tempo UTC) considerando-se também o período de Outubro de Foi utilizada uma máscara de elevação de 20 o e dados GPS. Este resultado foi

108 107 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 índice S4 após as 22h, o qual permanece alto nas horas subsequentes até iniciar um período de decréscimo; observa-se também o horário mais crítico compreendido entre 0h e 2h (ou entre 21h e 23h no horário oficial de Brasília). 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 estatísticas para escolher o horário que tem apresentado os maiores índices de cintilação, podendo assim planejar estratégias de trabalho alternativas. Figura 59: Horários mais afetados no mês de Outubro de Ao longo do tempo, é possível 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 índice S4 médio obtidos na última quinzena do mês de Outubro de É possível notar que, embora haja predominância dos horários mais afetados, os horários de pico apresentam pequenas variações ao longo dos dias.

109 108 Figura 60: Estação PRU2 - variação dos horários mais afetados pela cintilação na última quinzena do mês de Outubro de As Figuras 61 a 63 representam a média diária do índice 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 10 o e mesma escala de intensidade de cores em cada visualização (as células em cinza indicam ausência ou indisponibilidade de dados). Através destas visualizações, é possível 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.

110 109 Figura 61: Média diária do índice S4 - estação PALM. Figura 62: Média diária do índice S4 - estação PRU2.

111 110 Figura 63: Média diária do índice 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 período de 2011 a Foi utilizado como parâmetro o índice S4 na frequência L1 para os satélites GPS. Para obtenção dos resultados, os limiares definidos em International Telecommunication Union (2012) para o índice 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 mínimo valor possível (um minuto). É possível observar que, na maioria dos casos, os meses de outubro a dezembro apresentaram índices 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.

112 111 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

113 112 um comportamento sistemático de picos diários de cintilação. Este comportamento pode ser observado na sequência apresentada na Figura 65, a qual apresenta o índice S4 obtido para todos os satélites GPS na frequência L1 para a estação PRU2 no período de Agosto a Outubro de 2013; observa-se a ocorrência de picos diários de alto índice S4 a partir do final do mês de Setembro. No período compreendido entre Maio a Agosto, os picos são mais raros (as lacunas indicam indisponibilidade de dados).

114 Figura 65: Comportamento dos picos de índice S4 para a estação PRU1. 113

115 7.2 Comparações envolvendo Constelações, Satélites, Índices e Frequências 114 Nesta Seção, são apresentadas algumas comparações envolvendo diferentes cenários, tais como distintas constelações, satélites específicos, e índices 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 mínima largura da janela e o menor passo entre as janelas (ambos definidos como um minuto). Da mesma forma, para classificação dos níveis de cintilação através do índice S4, foram utilizados os limiares definidos em International Telecommunication Union (2012) (apresentados na Subseção 3.5.1) para cintilação baixa, moderada e forte 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 índice 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 20 o. 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.

116 115 Figura 66: Porcentagem de cintilações moderadas e fortes. Comparação entre GPS, GLO- NASS 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 índices S4 obtidos por cada satélite GPS no ano de Os resultados apresentados na Figura 67 organizados por blocos de satélites apresentam a porcentagem de observações de índice S4 na frequência L1 classificados como cintilação moderada e forte ao longo do referido ano.

117 116 Figura 67: Porcentagem média de cintilação moderada e alta para cada satélite GPS na frequência de transmissão L1, estação PRU1, ano de 2013.

118 117 É possível observar que há divergências significativas entre certos satélites GPS ao longo do referido ano de Este aspecto pode parecer inesperado, já que, conforme apresentado na Subseção 2.1.1, o período 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 período de 360 dias, o período do dia em que um satélite está visível ao receptor (cerca de 12 horas) variaria por completo, fazendo com que todos os satélites estivessem suscetíveis 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.

119 118 Figura 68: Horários de rastreio do satélite GPS PRN 17 em diferentes épocas. A significativa discrepância entre os níveis 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 níveis observados por satélite conforme pode ser visto na Figura 69. Através de consultas adicionais, pode-se perceber que em um período aproximado de três meses, um satélite GLONASS é rastreado ao longo de todas as horas do dia devido a suas características peculiares de período orbital. Logo, todos os satélites da constelação estiveram suscetíveis aos períodos do ano nos quais as cintilações foram mais frequentes (Janeiro a Março, e Outubro a Dezembro).

120 119 Figura 69: Porcentagem média de cintilação moderada e alta para cada satélite GLONASS na frequência de transmissão L Comparação entre os Índices S4 Total e S4 Corrigido Na Subseção 3.5.1, a Eq. 3.2 apresenta a definição do índice S4 total, enquanto a Eq. 3.3 define o índice 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 índice S4 total e o índice S4 corrigido. Pode-se notar as discrepâncias de 0,12, 0,10 e 0,01 pontos percentuais nas classificações obtidas com os dois índices; conclui-se que a utilização de um ou de outro não implica em discrepâncias significativas para a realização de classificações com estes limiares.

121 120 Figura 70: Comparação entre os índices S4 total e S4 corrigido na estação PRU2, ano de Comparação entre Frequências (L1, L2 e L5) Para a comparação dos índices S4 obtidos na frequência L1 com os índices obtidos nas frequência L2 e L5, foram utilizados índices provenientes de satélites GPS do Bloco II-F, observados no ano de 2013 na estação PRU1. Foi utilizada uma máscara de elevação de 20 o 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.

122 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 possível observar que os índices 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 1 o e uma máscara de elevação de 20 o, representa-se na Figura 72 a quantidade de observações de S4 moderado a alto (S4 > 0,3) para todo o período de dados disponível da estação MAN2 23/03/2013 a 09/08/2013. Através da escala de cores, é possível observar a repetibilidade de alto índice S4 em algumas direções. Trata-se de um aspecto inesperado, já que tal período do ano é caracterizado por baixo índice 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.

123 122 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 possível observar no mapa apresentado na Figura 74 a descaracterização da repetibilidade de alto índice S4 em algumas direções; também é possível observar no gráfico abaixo que os índices S4 obtidos com tal filtro indicam uma caracterização mais realista se comparados com os resultados obtidos na estação PRU2.

124 123 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

125 124 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 específica para edição de arquivos RINEX com base na visualização de atributos (VANI; MONICO; SHIMABUKURO, 2013a). A seguinte metodologia foi empregada: 1. Processamento contínuo das estações de monitoramento, utilizando PPP cinemático, janelas de dados com períodos de duas horas e soluções posicionais a cada cinco minutos; 2. Identificação de períodos 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 Contínuo 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 disponíveis 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 índice S4 para o mesmo período; observa-se a ocorrência de altos níveis de cintilação.

126 125 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 disponíveis na ISMR Query Tool, foi possível 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), índices S4 e Sigma-fi e o tempo de rastreio total do satélite. À

127 126 partir da identificação, os satélites foram excluídos do processamento por meio de uma interface baseada em grids similar à apresentada na Figura 47. Uma síntese 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.

128 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 círculos 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 possível 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 círculos proporcionais à resultante do desvio-padrão das componentes para o dia 05 de Dezembro de 2013, às 0h UTC. É possível notar que há uma predominância de círculos maiores na região sudeste em relação ao restante do país. Ao confrontar-se com o mapa da direita onde são representados os desvios-padrão do índice S4 nos pierce-points considerando-se todos os satélites disponíveis no intervalo de uma hora antes e uma hora depois da época do processamento é possível associar tal comportamento à incidência de significativa cintilação.

129 128 Figura 78: Representação de círculos com raios proporcionais ao desvio-padrão resultante Modo PPS, dia 14/11/ :00 UTC. Figura 79: Análise comparativa entre a degradação no PPS e o índice S4.