APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA PREDIÇÃO DE RSSI E SNR EM AMBIENTES DE BOSQUE AMAZÔNICOS
Amazônia; aprendizado de máquina; LoRa; modelos de propagação; vegetação densa.
A presença de áreas verdes em cidades urbanizadas é crucial para reduzir os impactos negativos da urbanização. No entanto, essas áreas podem influenciar a qualidade do sinal de dispositivos IoT que utilizam comunicação sem fio, como a tecnologia LoRa. A vegetação atenua as ondas eletromagnéticas, interferindo na transmissão de dados entre dispositivos IoT, resultando na necessidade de modelagem de propagação de sinal, que considera o efeito da vegetação em sua propagação. Neste contexto, esta pesquisa foi conduzida na Universidade Federal do Pará, utilizando medições em um ambiente arborizado composto pela espécie Pau-Mulato, típica da Amazônia. Dois modelos de propagação baseados em aprendizado de máquina, GRNN e MLPNN, foram desenvolvidos para considerar o efeito das árvores amazônicas na propagação, analisando diferentes fatores, como a altura do transmissor em relação ao tronco, o início da folhagem e o meio da copa da árvore, bem como o fator de espalhamento LoRa (SF) 12 e a copolarização das antenas do transmissor e do receptor. Os modelos propostos demonstraram maior precisão, alcançando valores de erro quadrático médio (RMSE) de 3,86 dB e desvio padrão (SD) de 3,8614 dB, respectivamente, em comparação com modelos empíricos existentes como CI, FI, Early ITU-R, COST235, Weissberger e FITU-R. A importância deste estudo reside em seu potencial para impulsionar as comunicações sem fio em ambientes arborizados. Além disso, esta pesquisa contribui para aprimorar redes LoRa mais eficientes e robustas para aplicações na agricultura, monitoramento ambiental e infraestrutura urbana inteligente.