Modelo de predição de cintilação ionosférica aplicável à otimização de operação de lavra suportada por comunicação GNSS
Carregando...
Data
2025-12-18
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Centro Federal de Educação Tecnológica de Minas Gerais
Resumo
Esta dissertação investiga condições associadas à degradação do sinal GNSS em uma mina de nióbio situada no município de Araxá, Minas Gerais, por meio da integração entre dados observacionais, variáveis geofísicas e parâmetros ambientais. A pesquisa parte da relevância do posicionamento por satélites nas operações de lavra a céu aberto, especialmente em atividades que requerem confiabilidade nas observações para controle geométrico, monitoramento operacional e apoio ao planejamento de lavra. Nesse contexto, perturbações ionosféricas associadas à cintilação podem comprometer a estabilidade dos sinais GNSS, exigindo abordagens analíticas capazes de representar, de forma indireta, esse comportamento em condições reais de operação. O objetivo geral consistiu em analisar condições associadas à degradação do sinal GNSS na região de mineração de Araxá (MG), utilizando a variação da pseudodistância L1 como proxy observacional e modelos preditivos de aprendizado de máquina para representar indiretamente o fenômeno e comparar o desempenho das abordagens adotadas. Para isso, foram revisados os fundamentos teóricos sobre ionosfera, cintilação ionosférica, variáveis geofísicas e posicionamento GNSS; organizados e pré-processados os dados observacionais e explicativos; investigados padrões temporais presentes nas variáveis analisadas; e desenvolvidos modelos preditivos baseados nos algoritmos Random Forest e XGBoost. A metodologia foi estruturada em quatro etapas: revisão bibliográfica, coleta e pré-processamento de dados, modelagem preditiva e avaliação de desempenho. Foram utilizados dados obtidos por receptor GNSS de alta precisão, com taxa de amostragem de 1 Hz, incluindo observações das constelações GPS e GLONASS, além de variáveis geofísicas e ambientais relacionadas ao comportamento ionosférico. O desempenho dos modelos foi avaliado pelas métricas R², MSE, MAE e RMSE. Os resultados indicaram elevado desempenho preditivo para ambos os modelos, com forte aderência entre valores estimados e observados e baixos níveis de erro. O Random Forest apresentou desempenho ligeiramente superior ao XGBoost, evidenciando o potencial da abordagem proposta para representar indiretamente condições associadas à degradação do sinal GNSS na área de estudo.
Descrição
Palavras-chave
Mineração, Mineração a céu aberto, Satélites artificiais em sensoriamento remoto, Ionosfera