Estima¸
c˜
ao do Erro em Redes de Sensores sem Fios
Jose Alen ar-Neto
jalencar@gmail.com
Orientador:
Prof. Dr. AlejandroC. Frery
Estima¸
c˜
ao do Erro em Redes de Sensores sem Fios
Disserta ~ao apresentada omo requisito par ial para
ob-ten ~ao do grau de Mestre pelo Curso de Mestrado em
Mo-delagem Computa ional de Conhe imento da Universidade
Federal de Alagoas.
Orientador:
Prof. Dr. Alejandro C. Frery
pela omiss~aoexaminadoraqueabaixoassina.
Prof.Dr. AlejandroC.Frery-Orientador
InstitutodeComputa ~ao
UniversidadeFederaldeAlagoas
Prof.Dr.AntonioAlfredoFerreiraLoureiro-Examinador
DepartamentodeCi^en iadaComputa ~ao
UniversidadeFederaldeMinasGerais
Prof.Dr. Mar ioN.deMiranda-Examinador
InstitutodeComputa ~ao
UniversidadeFederaldeAlagoas
Agradecimentos
A imadetudoagrade oa DeusPai,DeusFilhoeDeusEspritoSantoporquetudoa mim on ede.
Agrade o omtudo meuamor a minha esposa Itala C. de Alen ar peloapoio e arinhoem tantas
noitesdetrabalhoarduo.
Agrade o a meus pais Ossian e Danubia Alen ar pela edu a ~ao e dedi a ~ao prestadas por toda a
minhaforma ~ao.
Agrade oaoamigo Heitorpelaajudaetro adeexperi^en ias.
Agrade o aos olegas do nosso re ente e promissor Grupo de Redes de Sensores da Universidade
FederaldeAlagoas.
Resumo
Apresentamos as redes de sensores sem os no ontexto da aquisi ~ao de informa ~ao, e propomos um
modelogeneri obaseadonospro essosdeamostragemedere onstru ~aodesinais. Utilizandoesse
mo-delo,denimosumamedidadedesempenhodofun ionamentodasredesatravesdoerrodere onstru ~ao
do sinal. Dada a omplexidade analti a de se al ular esse erro em diferentes enarios, propomos e
implementamosuma experi^en iaMonte Carloque permiteavaliar quantitativamente a ontribui ~aode
diversos fatoresno desempenho de uma rede de sensores sem os. Essesfatores s~ao (i) a distribui ~ao
espa ialdossensores,(ii) agranularidadedofen^omenosobobserva ~ao,(iii) aformaemque ossensores
amostramofen^omeno(fun ~oes ara tersti as onstantessobre elulasdeVoronoiesobre r ulos),(iv)as
ara tersti asde omuni a ~aoentreossensores(porvizinhan aentre elulasde Voronoi epeloraiode
omuni a ~ao), (v) os algoritmos de lusteriza ~aoe agrega ~ao (LEACH e SKATER), e (vi) as te ni as
dere onstru ~ao(por Voronoi epor Kriging). Osresultados obtidospermitem on luirque todosesses
fatoresin uemsigni ativamentenodesempenhodeuma rededesensoressemose,pelametodologia
Abstract
Wireless Sensor Networks (WSNs) are presented in the onstext of information a quisition, and we
proposeageneri modelbasedonthethepro essesofsignalsamplingandre onstru tion. Wethendene
a measureof performan e using theerror when re onstru tiongthe signal. The analyti alassessment
of this measure in a variety of s enarios is unfeasible, so we propose and implement a Monte Carlo
experimentforestimatingthe ontributionofsixfa torsontheperforman eofaWSN,namely: (i)the
spatialdistribution of sensors, (ii) the granularity of the phenomenon being monitored, (iii) the way
inwhi h sensorssample thephenomenon ( onstant hara teristi fun tionsdenedon Voronoi ells or
on ir les), (iv)the ommuni ationbetweensensors (eitheramongneighboringVoronoi ellsoramong
sensors within a range), (v) the lustering and aggregation algorithms (LEACH and SKATER), and
(vi)there onstru tionte hniques(byVoronoi ellsand byKriging). We on ludethatallthesefa tors
havesigni ativein uen eontheperforman e ofa WSN,andweareableto quantitativelyassessthis
Sum´
ario
1 Introdu¸
c˜
ao
1
2 Defini¸
c˜
oes
4
2.1 Nota ~aoedeni ~oes . . . 4
2.2 Redesdesensoressem o . . . 5
2.2.1 Representa ~aodeumarededesensoressemo . . . 5
2.2.2 Energiae i lodevidadaWSN. . . 6
2.3 Consulta,pro essamentoeaquisi ~aodeinforma ~aoemWSN . . . 7
2.4 Pro essosEsto asti os . . . 8
2.4.1 Camposaleatorios . . . 10
2.4.2 Pro essospontuais . . . 11
3 Metodologia
15
3.1 Motiva ~ao . . . 15 3.2 Proposta. . . 16 3.3 Modelos . . . 17 3.3.1 Regi~aomonitorada . . . 173.3.2 Fen^omenoemobserva ~ao . . . 17
3.3.3 Distribui ~aodossensores . . . 18
3.3.4 Sensores . . . 22
3.3.4.1 Situa ~ao1: elulasdeVoronoi omoareadeper ep ~ao . . . 24
3.3.4.2 Situa ~ao2: respostaradial omoareadeper ep ~ao . . . 24
3.3.5 Amostragem . . . 24
3.3.5.1 Amostragem-situa ~ao1 . . . 25
3.3.5.2 Amostragem-situa ~ao2 . . . 25
3.3.6 Clusteriza ~ao . . . 26
3.3.6.1 Clusteriza ~ao-situa ~ao1 . . . 26
3.3.6.2 Clusteriza ~ao-situa ~ao2 . . . 28
3.3.7 Agrega ~ao . . . 29
3.3.8 Re onstru ~ao . . . 31
3.3.8.1 Re onstru ~aoapartirdaamostragemindividual . . . 31
3.3.8.2 Re onstru ~aoapartirda lusteriza ~ao/agrega ~ao. . . 33
3.4 FlexibilidadedoModelo . . . 37
3.4.1 Regi~aomonitoradaefen^omenoemobserva ~ao. . . 37
3.4.2 Distribui ~aodossensores . . . 38
3.4.3 Sensores . . . 38 3.4.4 Amostragem . . . 38 3.4.5 Clusteriza ~ao . . . 39 3.4.5.1 Modointerativo . . . 39 3.4.5.2 Modostreaming . . . 39 3.4.6 Agrega ~ao . . . 39 3.4.6.1 Modointerativo . . . 39 3.4.6.2 Modostreaming . . . 39 3.4.7 Re onstru ~ao . . . 40
3.5 EstudoMonteCarlo . . . 40
3.6.1 Plataformas omputa ionais. . . 40
3.6.2 Exe u ~aodassimula ~oes. . . 41
3.6.3 Considera ~oesdeimplementa ~ao . . . 42
3.6.3.1 Gera ~aodosdadosdofen^omenof . . . 42
3.6.3.2 Gera ~aodosdadosdedistribui ~aodossensores . . . 42
3.6.3.3 CelulasdeVoronoi. . . 42
3.6.3.4 Areadeper ep ~ao . . . 42
3.6.3.5 Pro essosatrativoseregi~aoalvo . . . 42
3.6.3.6 Raiode omuni a ~aor . . . 43
3.6.3.7 Numerode lusters . . . 43
3.6.3.8 LEACHeaforma ~aodos lusters . . . 43
3.6.3.9 LEACHeaes olhados lusters heads . . . 43
3.6.3.10 SKATERea forma ~aodos lusters . . . 44
3.6.3.11 Esta ~aobase . . . 44
3.6.3.12 Re onstru ~aoporVoronoi. . . 44
3.6.3.13 ModelodoKrigingadotado. . . 44
3.6.4 Ajustesdeimplementa ~oes . . . 44
3.6.4.1 Comparandoasitua ~ao1 esitua ~ao2 quantoare onstru ~aoa partirdo SKATER . . . 44
4 Resultados
47
4.1 Exe u ~aodasSimula ~oes. . . 474.2 Des ri ~oesdasAvalia ~oesdasEstima ~oesdoErro. . . 47
4.3 MedidasdeAvalia ~aodoErro. . . 49
4.4 Legendas . . . 49
4.5 ResultadoseAvalia ~oesparaaSitua ~ao1 . . . 50
4.6 ResultadoseAvalia ~oesparaaSitua ~ao2 . . . 66
4.7 Confronta ~aoentrea Situa ~ao1 ea Situa ~ao2 . . . 87
4.8 ResumodosResultados . . . 94
5 Conclus˜
oes
98
Lista de Figuras
2.1 Tr^espro essospontuaisPoisson om=50 . . . 12
2.2 Pro essosdePoissonn~aohomog^eneos . . . 13
2.3 SSI omn=50 . . . 14
3.1 Nveis on eituaisdotrabalho . . . 16
3.2 Modelo . . . 16
3.3 Florestamonitorada . . . 17
3.4 Fen^omenoilumina ~ao . . . 18
3.5 Distribui ~ao-pro essoregular . . . 19
3.6 Distribui ~ao-pro essorepulsivo . . . 20
3.7 Distribui ~ao-pro essorepulsivo . . . 20
3.8 Distribui ~ao-pro essoatrativo . . . 21
3.9 Distribui ~ao-pro essoatrativo . . . 21
3.10 Distribui ~ao-pro essoindependente . . . 22
3.11 Areadeper ep ~ao-Fun ~ao ara tersti a . . . 23
3.12 Areade omuni a ~ao-Rela ~aodevizinhan a . . . 23
3.13 Ilumina ~aoeareadeper ep ~ao . . . 25
3.14 Amostragem 1 -CelulasdeVoronoi. . . 25 3.15 Amostragem 1 -Respostaradial. . . 26 3.16 Clusteriza ~ao 2 -Situa ~ao1 -Proto oloLEACH . . . 27
3.17 Clusteriza ~ao 2 -Situa ~ao1 -Proto oloSKATER . . . 28
3.18 Clusteriza ~ao 2 -Situa ~ao2 -Proto oloLEACH . . . 29
3.19 Clusteriza ~ao 2 -Situa ~ao2 -Proto oloSKATER . . . 29
3.20 Clusteriza ~ao/agrega ~aoapartirdoLEACHedoSKATERnasitua ~ao1 . . . 30
3.21 Pro essodere onstru ~aoapartirdaamostragem 1 nasitua ~ao1 . . . 32
3.22 Pro essodere onstru ~aoapartirdaamostragem 1 nasitua ~ao2 . . . 33
3.23 Pro essodere onstru ~aoapartirda lusteriza ~ao/agrega ~ao 3 L nasitua ~ao1 . . . 34
3.24 Re onstru ~aoapartirda lusteriza ~ao/agrega ~ao 3 S nasitua ~ao1 . . . 35
3.25 Re onstru ~aoapartirda lusteriza ~ao/agrega ~ao 3 L nasitua ~ao2 . . . 36
3.26 Re onstru ~aoapartirda lusteriza ~ao/agrega ~ao 3 S nasitua ~ao2 . . . 37
3.27 PlataformaseFerramentas-Integra ~ao . . . 41
3.28 Pro essoAtrativoeregi~aoalvo . . . 43
3.29 AreasdePer ep ~aonaSitua ~ao1 naeSitua ~ao2 . . . 45
3.30 AreasdeComuni a ~aonaSitua ~ao1 naeSitua ~ao2 omr =15m . . . 46
4.1 LegendasdosGra osdoErrovariandoosPro essosPontuais . . . 50
4.2 LegendasdosGra osdoErrovariandoas Es alas . . . 50
4.3 Re onstru ~oes 4 a partirde 1 , 3 L ede 3 S - 100sensoresnasitua ~ao1 . . . 51
4.4 MediadoerrodeRe onstru ~aoporVoronoia partirde 1 , 3 L e 3 S -Situa ~ao1 . . . 52
4.5 Vari^an iadoerrodeRe onstru ~aoporVoronoia partirde 1 , 3 L e 3 S -Situa ~ao1 . . 53
4.6 MediadoerrodeRe onstru ~aoporKrigingapartirde 1 , 3 L e 3 S -Situa ~ao1 . . . . 54
4.7 Vari^an iadoerrodeRe onstru ~aoporKrigingapartirde 1 , 3 L e 3 S -Situa ~ao1 . . 55
4.8 MediadoerrodeRe onstru ~aoporVoronoieporKrigingapartirde 1 -Situa ~ao1 . . 56
4.9 Re onstru ~oesporVoronoi 4 V eporKriging 4 K apartirde 1 naes alas=10 . . . . 57
4.10 MediadoerrodeRe onstru ~aoporVoronoieporKrigingapartirde 3 L -Situa ~ao1 . 58 4.11 Re onstru ~oesporVoronoi 4 V eporKriging 4 K apartirde 3 L naes alas=20 . . . 59
4.12 MediadoerrodeRe onstru ~aoporVoronoieporKrigingapartirde
3
S
-Situa ~ao1 . . 60
4.13 Re onstru ~oesporVoronoi
4 V eporKriging 4 K apartirde 3 S naes alas=20 . . . 61
4.14 Re onstru ~oesporVoronoi
4 V eporKriging 4 K apartirde 3 S naes alas=10 . . . 62
4.15 MediadoerrodeRe onstru ~aoporVoronoieporKrigingapartirde
3 S -Situa ~ao1 . . 63 4.16 Re onstru ~oes 4 V apartirde 1
-100sensoresnasitua ~ao1 . . . 64
4.17 Re onstru ~oes
4
K
apartirde
1
-100sensoresnasitua ~ao1 . . . 64
4.18 Re onstru ~oes 4 V apartirde 3 S
-100sensoresnasitua ~ao1 . . . 65
4.19 Re onstru ~oes 4 K apartirde 3 S
-100sensoresnasitua ~ao1 . . . 65
4.20 Re onstru ~oes 4 V apartirde 3 L
-100sensoresnasitua ~ao1 . . . 66
4.21 Re onstru ~oes 4 K apartirde 3 L
-100sensoresnasitua ~ao1 . . . 66
4.22 Cara tersti asde omuni a ~aodossensoresnaSitua ~ao1 enaSitua ~ao2 . . . 67
4.23 Re onstru ~oes 4 a partirde 1 , 3 L ede 3 S
- 100sensoresnasitua ~ao2 . . . 68
4.24 MediadoerrodeRe onstru ~aoporVoronoia partirde
1 , 3 L e 3 S -Situa ~ao2 . . . 69
4.25 Vari^an iadoerrodeRe onstru ~aoporVoronoia partirde
1 , 3 L e 3 S -Situa ~ao2 . . 70
4.26 MediadoerrodeRe onstru ~aoporKrigingapartirde
1 , 3 L e 3 S -Situa ~ao2 . . . . 71
4.27 Vari^an iadoerrodeRe onstru ~aoporKrigingapartirde
1 , 3 L e 3 S -Situa ~ao2 . . 72
4.28 MediadoerrodeRe onstru ~aoporVoronoieporKrigingapartirde
1
-Situa ~ao2 . . 73
4.29 Vari^an iadoerrodeRe onstru ~aoporVoronoieporKrigingapartirde
1
-Situa ~ao2 74
4.30 Re onstru ~oesporVoronoi
4 V eporKriging 4 K apartirde 1
naes alas=20Situa ~ao2 75
4.31 Re onstru ~oesporVoronoi
4 V eporKriging 4 K apartirde 1
naes alas=5Situa ~ao2 76
4.32 MediadoerrodeRe onstru ~aoporVoronoieporKrigingapartirde
3
L
-Situa ~ao2 . 77
4.33 Vari^an iadoerrodeRe onstru ~aoporVoronoieporKrigingapartirde
3
L
-Situa ~ao2 78
4.34 Re onstru ~oesporVoronoi
4 V eporKriging 4 K apartirde 3 L
naes alas=20Situa ~ao2 79
4.35 MediadoerrodeRe onstru ~aoporVoronoieporKrigingapartirde
3
S
-Situa ~ao2 . . 80
4.36 Re onstru ~oesporVoronoi
4 V eporKriging 4 K apartirde 3 S
naes alas=20Situa ~ao2 81
4.37 Re onstru ~oesporVoronoi
4 V eporKriging 4 K apartirde 3 S
naes alas=5Situa ~ao2 82
4.38 MediadoerrodeRe onstru ~aoporVoronoieporKrigingapartirde
3
S
-Situa ~ao2 . . 83
4.39 Media do errode Re onstru ~aoporVoronoi e porKriginga partirde
3 S - Situa ~ao2 omr =36me omr =15m . . . 84 4.40 RaiodeComuni a ~aor
dossensorestipo2 omr
=36me omr
=15m . . . 85
4.41 Re onstru ~oes por Voronoi
4 V e por Kriging 4 K a partir de 3 S - pro esso pontual
regularetodases alassnaSitua ~ao2 omr
=36me omr
=15m . . . 86
4.42 Mediado errode Re onstru ~aoporVoronoi eporKriginga partirde
1
-Situa ~ao1 e
Situa ~ao2 . . . 88
4.43 Vari^an iadoerrodeRe onstru ~aoporVoronoieporKriginga partirde
1 - Situa ~ao1 eSitua ~ao2 . . . 89 4.44 Re onstru ~oes 4 V apartirde 1
-situa ~ao1 (Sit1) esitua ~ao2 (Sit2) . . . 90
4.45 Re onstru ~oes
4
K
apartirde
1
-situa ~ao1 (Sit1) esitua ~ao2 (Sit2) . . . 91
4.46 Mediadoerrode Re onstru ~aoporVoronoi eporKrigingapartirde
3
S
omPro esso
Regular-Situa ~ao1 eSitua ~ao2 omr
=15m . . . 92
4.47 Re onstru ~oesporVoronoi
4
V
apartirde
3
S
-pro essopontualregularetodases alas
s-Situa ~ao1 eSitua ~ao2 omr
=15m . . . 93
4.48 Re onstru ~oesporKriging
4
K
apartirde
3
S
-pro essopontualregularetodases alas
s-Situa ~ao1 eSitua ~ao2 omr
Lista de Tabelas
4.1 Des ritivosdasAvalia ~oesdoerroparaasitua ~ao1 . . . 47
4.2 Des ritivosdasAvalia ~oesdoerroparaasitua ~ao2 . . . 48
4.3 Des ritivosdasAvalia ~oesdoerroentreasitua ~ao1 ea situa ~ao2 . . . 49
4.4 Analisequantitativa: situa ~ao2,Amostragem
1
,VoronoieKriging . . . 95
4.5 Analisequantitativa: situa ~ao2,Amostragem
1
eAgrega ~ao/Clusteriza ~ao
3
S
,
re ons-tru ~aoporKriging . . . 96
4.6 Analisequantitativa: situa ~ao2,Agrega ~ao/Clusteriza ~aoSKATER
3 S eLEACH 3 L ,
Introdu¸
c˜
ao
Nestetrabalhopropomosamodelagemdeumarededesensoressemos,no ontextodopro essamento
desinais, omo sendoformado pelas etapasde amostragem, lusteriza ~ao, agrega ~aoere onstru ~aode
umfen^omenodeinteressepara, omisso, al ularmedidasdedesempenhodeinteresseprati o.
Na omposi ~aodessemodelo, onstrumosdiversasabstra ~oes. Cadauma dasabstra ~oesrepresenta
umasimpli a ~aodosseguintesaspe tos:(i)regi~aomonitorada,(ii)fen^omenoemobserva ~ao,(iii)
distri-bui ~aodossensores,(iv)sensoresesuas ara tersti as,(v)amostragem,(vi) lusteriza ~ao,(vii)agrega ~ao
e(viii)re onstru ~ao.
Denidaamodelagem,implementamosasabstra ~oes onsiderandodoisdiferentes ontextos,
denomi-nadossitua ~ao1 esitua ~ao2,paraaregi~aodeper ep ~aodossensores: naprimeira adasensormonitora
todos ospontosdentroda sua elula de Voronoi,enquanto na segundoessa regi~aoedenida por uma
fun ~ao ara tersti ade suporte onstante. Aotra armosumparaleloentre diferentes omportamentos
paranossarede,estamosforne endomaissubsdiosparaasavalia ~oesdomodeloproposto.
Apartirdosmodelosdenidoseimplementados,para adasitua ~ao,realizamossimula ~oesdanossa
redede sensoresdea ordo omum estudoMonteCarlopara al ularestimadoresde desempenho. Em
parti ular, al ulamosmedidasdoerrointroduzidonopro essodemonitoramentodosinal.
Ao nal dassimula ~oes, avaliamos odesempenho da nossa rede de sensores quanto ao erro de
re- onstru ~aodofen^omenomonitorado,analisandoosdiferentes ontextoseosfatoresdeimpa topara as
opera ~oesdarededesensorese, onsequentemente,paraopro essodere onstru ~ao.
Asprin ipais ontribui ~oesdestadisserta ~aos~ao:
estudoofun ionamentodasredesde sensoressem os omo umpro essode amostragem,
luste-riza ~ao,agrega ~aoere onstru ~aodefen^omenosdeinteresse(se ~ao3.3);
utilizandoessavis~ao,aidealiza ~aodeummodelo exvelparaessarededesensoresesuasopera ~oes;
a proposta de uma medida de erro para avaliar ofun ionamento dasredes de sensores sem os,
apresentadanase ~ao3.5;
apropostadeumaexperi^en iaderelev^an iareal(amedi ~aodeluzemuma oresta) omomodelo
paraaavalia ~aododesempenhodasopera ~oesdeamostragemdossensoresedasopera ~oesdedois
proto olosde lusteriza ~ao/agrega ~ao( aptulo3);
adis rimina ~aodefatoresdeimpa topoten ialnodesempenhodessasopera ~oes, omoporexemplo,
a granularidadedo fen^omenoobservado,a distribui ~aoespa ial do sensores, as ara tersti as de
per ep ~aoe omuni a ~aodossensores,alemdas ara tersti asdosproto olosde lusteriza ~
ao/a-grega ~ao;
para quanti ar esse efeito, o uso de uma experi^en ia Monte Carlo om dois ingredientes
es-to asti os: amposgaussianosparades revera ilumina ~ao(propostafeitaporReiset al.,2007,e
analisadaemdetalhesnase ~ao2.4.1),epro essospontuaisparamodelaradistribui ~aoespa ialde
sensores(propostafeitaporFrery etal.,2008,verse ~ao2.4.2).
Embora o debate e a produ ~ao ient a sobre o tema Rede de Sensores sem Fios venha se
in-tensi andonasultimastr^esde adas,abordandoosdiversos desaosinerentes a essate nologiaesuas
naliteraturamuitostrabalhosrela ionadosarededesensoressemossobopontodevistadaestima ~ao
doerro.
Os resultados deste trabalho podem ser imediatamente aproveitados para a proposta de te ni as
din^ami asdegeren iamentoderedesdesensores. Essabem omooutraslinhasdepesquisas~aoapontadas
nonal destetrabalho.
Norestantedestase ~aoapresentamosalgunsartigosquedeumaformaoudeoutraserela ionam om
onossotrabalho por abordar, no ontextodaredede sensores,um oumais dosseguintes ingredientes:
re onstru ~aodosinal,estima ~aodoerro,pro essospontuais, amposaleatorios, oberturade per ep ~ao
e omuni a ~ao.
Umadasprimeirasmotiva ~oesparaaelebora ~aodesteestudofoiapropostaapresentadapelotrabalho
deReiset al.(2007). Nele,osautoresapresentamumaalternativaaosusuaisproto olosderoteamento
baseadosem lusters que, onsiderandoapenasas informa ~oesde dist^an iageogra a,agrupamos
sen-sores realizandoagrega ~aopara otimizar o onsumo de energiada rede. Des onsiderandoosaspe tos
rela ionadosa energia,epropostaa te ni aSKATER (Spatial 'K'luster Analysis by Tree Edge
Re-moval)de lusteriza ~aoorientadaadados,que onsidera,alemdadist^an iageogra a,ahomogenidade
dosdados entre os sensoresagrupados. Avaliamoso desempenho relativoentre o SKATER e o
proto- oloLEACH(Heinzelmanet al., 2002)quantoa qualidadede re onstru ~aodofen^omenodeilumina ~ao
omgranularidadedes ritapor um ampoaleatoriogaussianosimulandoa distribui ~aoregular de em
sensores.
NotrabalhodeAssun ~aoetal.(2006),osautoresjaapresentavamoSKATER omoumaalternativa
interessante aos metodos de regionaliza ~ao, prin ipalmente quando a homogenidade das regi~oese um
requisitoimpostopelaapli a ~ao. Nesseartigo,oalgoritmode lusteriza ~ao,baseadonoparti ionamento
daarvoredemnimo usto,utilizadopeloSKATEReapresentadoemmaioresdetalhes.
OtrabalhodeFreryetal.(2008)seguenalinhada ontribui ~aodeReisetal.(2007). Aqueleutilizaa
mesma ompara ~aoentrediferentesabordagensde lusteriza ~ao,apresentandoumestudodaestima ~ao
doerroemrededesensores, onsiderandoalemdosproto olosLEACHeSKATERedagranularidadedo
fen^omeno,algunsoutrosingredientes omo: (i)autiliza ~aodepro essospontuaismodelandodiferentes
omportamentos para a distribui ~ao sensores(regular, repulsiva,aleatorio e atrativa), (ii) a utiliza ~ao
dodiagramade Voronoipara opro essode amostrageme re onstru ~aoe(iii) a propostadetalhada de
experi^en iasMonteCarloparaquanti areestimaroerrodere onstru ~aodofen^omeno.
Nowaketal.(2004) onsideramoproblemadeestimar amposaleatoriosbi-dimensionaisn~
ao-homo-g^eneos omredesdesensoressem os. Osautoresprop~oemummetodoparaestimarfronteiras,istoe,
mudan asabruptas de omportamento entre regi~oes. Como simpli a ~ao, eles onsideramos ampos
n~ao-homog^eneos omo sendo ompostospordois amposhomog^eneos( amposgaussianosesta ionarios
ommediazero)separadosporuma fronteirasuave. Distribuindonsensoresregularmentenumaregi~ao
planade ladosiguais, e denindo a area de per ep ~ao dos sensores pelo parti ionamentedessa regi~ao
(areaquadrati ade per ep ~ao),aredede sensoreseutilizadaparaamostrar,estimareenviarosdados
deestima ~aoparaumdestinoremoto. Alemdisto,emodeladaarela ~aoentreaa ura iadaestima ~aoe
o onsumodeenergiaem fun ~aodonumerodesensores.
Emnossotrabalho,paramodelarmosofen^omenoilumina ~aoasermonitoradopelarededesensores,
adotamosa utiliza ~aode um ampoaleatorio gaussianoesta ionarioe isotropi o, om media zero. Na
Se ~ao2.4(pagina8)do aptulo2trazemosaoleitoralgumasdeni ~oesimportantesrela ionadasaesse
pro essoesto asti o.
Palit(1997)apontaainviabilidade,em ertasapli a ~oes,daabordagemusualdere onstru ~aodeum
fen^omenoousinalpormetodosque onsideramsimplesmenteamediaouamediaponderadadosvalores
observados pelos sensores. Como alternativa, esse trabalho prop~oe um estimador baseado no metodo
damaximaverossimilhan a. Para omparar esses estimadores, s~ao onduzidassimula ~oese realizadas
analisesnumeri ase estatsti as. Dentre outras on lus~oes, o artigoarma que fatores omo nvel de
rudodosinal,graudein erteza(relativoas propriedadesdavari^an ia)edensidadedossensorespodem
bene iarumououtroestimador.
Em nossa abordagem da re onstru ~ao do fen^omeno ilumina ~ao, modelamos dois pro essos de
re- onstru ~ao utilizando, respe tivamente, elulas de Voronoi e estima ~ao por Kriging. No pro esso de
re ontru ~aoporVoronoi,utilizamos a media omo estimadorda re onstru ~ao. No pro essode
re ons-tru ~aoporKriging,a re onstru ~aodefen^omenoerealizadautilizando-seumestimadorpelometododa
maximaverossimilhan a. NaSe ~ao3.3.8(pagina31)apresentamosnossamodelagemparaopro essode
re onstru ~ao.
proto olodistribudoqueutilizaas ara tersti asdeper ep ~aoe omuni a ~aodossensoresparaavaliar
aexist^en iadeareassem oberturadeper ep ~aoeparaajustar,dinami amente,asposi ~oesdossensores
daredebus ando umamelhormonitora ~ao. Oraio de omuni a ~aodossensoresedenidoem20m.
E
utilizadoummodeloisotropi odeper ep ~aodenindo-seaareadeper ep ~aodossensores omo ir ular
ede raio 6m. O diagrama de Voronoie omputadopela rede a partir das informa ~oes de lo aliza ~ao
ompartilhadasentreossensoreseasuaa ura iadependedas ara tersti asde omuni a ~aodossensores.
Dentreoutras on lus~oes,osautoresapontamque odesempenhodoproto olopropostodependemuito
maisdaraz~aoentreraiode omuni a ~aoeraiodeper ep ~aodoquepropriamentedas ara tersti asde
per ep ~aodossensoresisoladamente.
Nestadisserta ~ao,emboran~aotratemosdasquest~oesdelo aliza ~aoeauto-organiza ~ao, onsideramos
diversosaspe tosabordados porWang et al. (2006b). Na situa ~ao1, utilizamosoparti ionamentopor
diagramadeVoronoiparaa amostragem, lusteriza ~ao/agrega ~aoe,porm,re onstru ~aodofen^omeno
monitorado.Nestasitua ~ao,emboraasareasdeper ep ~aodossensoresn~aosejam ir ulares,elasseguem
omodeloisotropi odeper ep ~ao. Omodelode omuni a ~aoadotadoparaasitua ~ao1,utilizaarela ~ao
devizinhan aentreossensores( elulasdeVoronoivizinhas). Janasitua ~ao2,oraiode omuni a ~aor
denidoporpadr~aoede36meoraiodeper ep ~aor
p
5:6418m onfereumaarea ir ularquetambem
segueomodeloisotropi odeper ep ~ao.
Mhatreetal.(2005)utilizampro essospontuaishomog^eneosbi-dimensionaisparadistribuirsensores
heterg^eneossobreumaarea.Cadaumdosdoistiposdesensoresutilizadosapresentaumperldistintode
intensidadede distribui ~ao(numerodesensoresporunidadedearea)edeenergiadisponvel. Afun ~ao
deumdestes tiposde sensoreseapenas ade monitoramento,enquantoa dooutroede luster head e
sink. Osautoresapresentamumestudosobreaotimiza ~aodo i lodevidadarededesensoresemfun ~ao
dospar^ametrosintensidade eenergia, onsiderandoas preo upa ~oes om one tividade e obertura de
per ep ~ao.
Efeitauma ompara ~aodessesresultados omosobtidos onsiderandoadistribui ~aoregular
dossensores.
Emnossoestudo,a adasimula ~aodistribumosossensores,homog^eneos,utilizandospro essos
pon-tuaishomog^eneosen~ao-homog^eneos,adependerdotipode omportamentodesejadoparaadistribui ~ao
dos sensores. Emborare onhe amosa import^an iada onserva ~aode energia para o i lode vida da
redede sensores, dire ionamosnosso fo o paraos pro essosde amostragem, lusteriza ~ao,agrega ~aoe
re onstru ~aoutilizandorededesensores.
Batalinetal.(2004)apresentamumestudorela ionadoaopro essodeamostragemutilizando-seuma
rededesensoressemosparamonitorarailumina ~aoin identenumaregi~aode oresta. S~aoapresentados
osdiversosdesaosrela ionadosatarefademonitoramento,alemdevariosresultadosdosexperimentos
realizados.
Nestadisserta ~ao, modelamosuma regi~aode oresta omosendo oambiente asermonitoradopela
redede sensores. Emnossasabstra ~oesadotamosuma seriede simpli a ~oes, onsiderandooambiente
da oresta omofavoravelasopera ~oesdarededesensores.
Orestodotrabalhoestaestruturadodaseguintemaneira:
Cap´ıtulo 2:
Apresentaasdeni ~oeseaspe tosimportantessobreasredesdesensores,alemdanota ~aoaserempregadanorestantedotrabalho.
Cap´ıtulo 3:
Des reveoexperimentoemdetalhes,anossamodelagemeaexperi^en iaMonteCarlo.Cap´ıtulo 4:
Exibeosresultadosobtidos omaexperi^en iaMonteCarlo.Cap´ıtulo 5:
Con luiadisserta ~aodis utindoosresultadoseapontandotrabalhosfuturos.A seguir, apresentamosno aptulo 2algumasnota ~oes e on eitosrela ionadosa redede sensores
Defini¸
c˜
oes
Aprepara ~aodestetrabalhodemandoua onsultaalivrosdetextoeaartigosdediversasareas, adauma
omsuaspe uliaridadesdeestiloedenota ~ao. Pro uramos,semprequepossvel,manterumaabordagem
eumanota ~aouni adaspara, omisso,trazeruma ontribui ~aodopontodevistadamodelagemdestes
sistemasques~aoasredesdesensoressemos.
2.1
Nota¸
c˜
ao e defini¸
c˜
oes
Nestase ~aoapresentamosalgumasdeni ~oesea nota ~aoadotada paraosdiversosaspe tosrela ionado
arededesensoresqueoleitorirasedepararnode orrerdeste estudo.
Varios on eitosdeteoriadosgrafosapare er~aonestadisserta ~ao,dentreelesodegrafo,de
one ti-vidade,arvorese i los. Paratanto, onsultamosotextodeBollobas(1998).
Modelo e ´
area de percep¸
c˜
ao
Existem diversos tiposde sensores om fun ~oes eobjetivosespe os. Cada tipode sensorapresenta
ummodelo parti ularde per ep ~ao ou desensibilidadeque e ara terizadoporsuaarea de per ep ~ao
A
p
, resolu ~aoea ura ia.
Aareadeper ep ~aoA
p
deumsensordependedemultiplosfatores
intensidadedosinalsendomonitorado;
taxadeatenua ~aodepropaga ~aodosinal;
nvelde onan adeper ep ~aodesejado;
Espe i adoonvelde onan adesejado,podemosestabele eroraiodeper ep ~aor
p
deumsensor.
Nestetrabalho, onsiderandoautiliza ~aodesensoresdeluminosidade,denimosaareadeper ep ~ao
A
p
dossensoresdeformadiferentepara adaumdos ontextosanalisados,situa ~ao1 esitua ~ao2. Na
situa ~ao1 as areas de per ep ~ao A
p
dos sensores da rede s~ao denidas pelas elulas do diagrama de
Voronoi (ou seja, s~ao polgonos de areas variaveis). Na situa ~ao2, a area ir ular de per ep ~ao A
p ,
id^enti aparatodosossensores,edenidapeloraiode per ep ~aor
p .
Para ambas as situa ~oes, onsideramos que o modelo de per ep ~ao e isotropi o, ou seja, o sensor
apresentaa mesmasensibilidadeemtodasasdire ~oesdaareade per ep ~ao.
Ehrli h et al. (2001) apresentamalguns aspe tosrela ionadosa area de per ep ~ao ea distribui ~ao
de sensibilidadede fotossensores. Os autoresaindailustram om imagens omo ea per ep ~aodo tipo
\olho-de-peixe"(sheye).
´
Area de comunica¸
c˜
ao -
A
Damesmaformaqueparaaareadeper ep ~ao,adotamosdiferentesabordagensparaasareasde
omu-ni a ~aoA
dossensores em adasitua ~ao. Na situa ~ao1,dois sensores s~aovizinhossesuas elulasde
Voronoi ompartilhamde pelomenosum verti e. Na situa ~ao2, doissensores s~aovizinhosseumesta
no raio de omuni a ~ao r
do outro. As duas rela ~oes de vizinhan a onsideradas s~ao simetri as,isto
omuni a ~ao one-hop entre sensores vizinhos. A omuni a ~ao entre sensores n~ao vizinhos se da por
omuni a ~aomulti-hop.
Nestetrabalho, onsideramosa omuni a ~aosobopontodevista daforma ~aodos lusters,
des on-siderandoosaspe tosrela ionadosas amadasfsi aedeenla e.
Opera¸
c˜
oes da rede de sensores
Nestetrabalho,osdadosresultantesdasopera ~oesrealizadaspela redede sensoress~ao lassi adosem
tr^es onjuntos
dadosdaamostragemindividual(
1 )
dadosdeagrega ~aodossensores lusterizadospela te ni aLEACH(
3
L )
dadosdeagrega ~aodossensores lusterizadospela te ni aSKATER(
3
S )
Apartirdeumdesses onjuntoss~aoapli adososdoispro essosdere onstru ~aodefen^omeno
moni-torado
re onstru ~aoporVoronoi(
4
V )
re onstru ~aoporKriging(
4
K )
Diagrama de Voronoi
OdiagramadeVoronoieumaimportanteestruturadedadosdaGeometriaComputa ional.
Dentre osinumeros livros que tratam sobre Diagramasde Voronoi, sugiremos ao leitoro trabalho
deOkabeet al.(1992),apartirdoqualextramosaseguintedeni ~ao.
Defini¸
c˜
ao 1
(Diagrama de Voronoi no plano
).
Dadoum onjunto nitodedoisou maispontosdistintosno planoEu lidiano, asso iamos todasas oordenadasdeste espa o om o(s)membro(s)
maisproximo(s)do onjunto depontos, onsiderandoadist^an iaeu lidiana. Oresultadoeo
par-ti ionamento doespa o num onjunto deregi~oes. Chamamos este parti ionamento de
diagrama
de Voronoi
geradoa partirdo onjunto depontos, e asregi~oes depol´
ıgonos de Voronoi
.Nestetrabalho,utilizamosotermo elulasde Voronoi nolugardepolgonos deVoronoi.
OdiagramadeVoronoieutilizadonopro essodeamostragemdasitua ~ao1,enopro essode
re ons-tru ~aoporVoronoi
4
V
deambasas situa ~oes.
2.2
Redes de sensores sem fio
Dentreosmuitostrabalhosabordandorededesensoressemos,indi amosaoleitoroartigodeAkyildiz
etal.(2002). Emboratenhasidopubli adohaalgunsanos,avis~aogeralsobreotemaapresentadapelos
autoresexp~oefatoresaindaatuaisdopontodevistadoprojetodarede,dentreelesomodelode amadas,
osproblemasaseremresolvidos,aspromessaseponten ialidadesdessate nologia.
Sugerimos tambem o artigo de Baronti et al. (2007). Esse trabalho, mais re ente, apresenta dois
padr~oes riadosparaasredesdesensoressem os: IEEE 802.15.4 eZigBee. Oprimeiropadr~aotrata
dos aspe tos das amadas fsi a e de enla e. O padr~ao ZigBee padroniza as amadas de rede e de
apli a ~ao.
Fazemos aqui refer^en ia a dois trabalhos que tratam de outro tipo de rede de sensores, os artigos
deHeidemannetal.(2006)edePompilietal.(2006). Emboratratemderedesdesensoressubaquati as,
sualeituranosmostraqueosdesaoseproblemasenfrentadosporestaste nologiasderededesensores
seentrela am,independentementedomeiofsi o.
2.2.1
Representa¸
c˜
ao de uma rede de sensores sem fio
Aquinoetal.(2008)eFreryet al.(2008) onsideramofun ionamentodasredesdesensoressemosno
ontextodo pro essamentode sinais. O segundodessesartigos apresenta essaopera ~ao omo um
fazemosumareintepreta ~aodessa modelagem,tal omomostradonoseguintediagrama N V V V V V V D D V V V 0 D 0 w F u R w 1 u 2 ; 3 w 4 w 4
ondeN representaoambientenariquezadosseusdetalhes(emnossassimula ~oes,a regi~aode oresta),
F ofen^omenodeinteresse(emnosso aso,ailumina ~aoin identenaregi~ao) omseuvaloresnodomnio
espa o-temporalVVV
. Sefossepossvela ompletaentegraobserva ~aodeF,poderamosestabele erum
onjuntoidealderegrasoure ursosR
paraa tomadadede is~oesideaisD
.
Aoinvesdasitua ~aoideal,podemosutilizarumarede omnsensoresS=fS
1 ;:::;S
n
gparaamostraro
fen^omeno,onde adasensorobservaoambienteereportaseuvalordeamostragem
1
S
i
. Do onjuntodas
observa ~oes (amostragens)individuais dossensores
1 =f 1 S 1 ;:::; 1 Sn
g, obtemoso domnioespa
o-temporal possvelVVV a partirdo qual apli amosos pro essosde re onstru ~ao
4
ujos resultados ir~ao
auxilarnasde is~oespossveisD.
Reportar V V
V aosusuarios daredepode sermuitodispendiosoem termos de energiae, desta forma,
a vida util da rede pode ar omprometida. Em fun ~ao disso, pro uram-se diversas estrategias de
otimiza ~oes omo,porexemplo,aredu ~aodedadose/ouaelimina ~aoderedund^an iaspor lusteriza ~ao
eagrega ~ao(Nakamuraetal.,2007).
Destaforma,apartirdeV V
V,podemserapli adaste ni asderedu ~ao omoasopera ~oesde lusteriza ~ao
2
(emnosso aso,osproto olosLEACHeSKATER)edeagrega ~ao
3
realizadaspelarede,produzindo
umdomnioespa o-temporalmaisreduzidoV V
V 0
a partirdoquals~aoapli adospro essosde re onstru ~ao
4
produzindoauxlioparaasde is~oespossveisD 0
. Odesempenhodaredede sensoresiradeterminar
aqualidadedossubsdiosne essariosparaastomadasdede is~ao.
2.2.2
Energia e ciclo de vida da WSN
Muitaspesquisasv^emsendodesenvolvidasabordandovariosaspe tosrela ionadosamelhorger^en iados
re ursosdessenovoparadigmadepro essamentodistribudoques~aoasredesdesensoressemos.
Umdosmaioresdesaosrela ionadosasredesdesensoressemoseautiliza ~aootimizadadore urso
energia,prolongandosuavidautil,ouseja,oseu i lodevida.
SegundoChen&Zhao(2005),algumasdasimportantes ara tersti asqueafetamo i lodevidada
redes~ao: (i)aarquiteturaderede,seplanaouhierarqui a,(ii)aformada oletadedados,seorientada
aeventosousobdemandadosusuariose(iii)omodelodo analde omuni a ~aoe onsumodeenergia.
Portodaaliteratura,ede omumentendimentoarela ~aodiretaentrea omuni a ~aoeo onsumode
energia,deformaquemaximizaravidautildarededesensoressigni aminimizara omuni a ~aoentre
osnos.
ConformeapontaSadler(2005),naelabora ~aodeumprojetoderedesdesensoressemosdevemser
onsideradosalgunsprin piosem fun ~aodaatuallimita ~aodedisponibilidadedeenergia:
sob o ponto de vista do pro essamento de sinais: otimizaras tarefasdistribudas de dete ~ao e
estima ~aodaredeeservi osminimizandoos ustos om omuni a ~ao;
sobopontodevistada omuni a ~ao:garantirosobjetivosdaredee,aomesmotempo,minimizar
os ustos om es uta o iosa (idle listening) dos sensores e om as tarefas de ongura ~ao e
geren iamentodarede;
sobopontodevistadesistemas: explorarautiliza ~aodehardware debaixo onsumo.
Algunsquestionamentosquepoderamoslevantarnesseprojetoseriam: a omuni a ~aoeone-hop ou
multi-hop? Aarquiteturaexaoun~ao? Ossensoress~aohomog^eneosouheterog^eneos? Qualadensidade
dos sensoresna area? Os sensores ser~aodistribudos aleatoria ou regularmente? Qual a estrategia de
sin roniza ~aoelo aliza ~ao? Quaisas ondi ~oesdepropaga ~aoderadio?
Comonossainten ~aonesta se ~aofoiapenasa de levantar algumasquest~oes easpe tosrela ionados
asredesdesensoreseseu i lodevida,organizamos,a seguir,uma rela ~aode refer^en iaspertinentes a
Entreostrabalhosrela ionadosager^en iadore ursoenergiadarededesensores,sugerimosaleitura
deMiniet al.(2002). Nessetrabalho, osautoresutilizamumabordagemprobabilsti ae prop~oemum
modeloparaestimaro onsumodeenergiadarededesensores.
Dentreosvariostrabalhosrela ionadosaosproblemasesolu ~oesda amadadea essoaomeio(MAC)
dapilhadeproto olos,sugerimosYeetal.(2004),M Henry&Heidemann(2007),Ye&Heidemann(2006)
eDemirkoletal.(2006).
Outroimportantetema,fo odeintensapesquisapela omunidade,fortementerela ionadoao onsumo
deenergiaeoroteamento. Algunsdentreosmuitostrabalhoss~aoosdeChang&Tassiulas(2004),de
Al-Karaki&Kamal(2004)edeLuoet al.(2007).
Aindana amadaderede,einerentementeligadasaoroteamento,est~aoas te ni asdeagrupamento
ou lusteriza ~ao. Dentreosvariostrabalhosnaliteratura,sugerimosHeinzelmanetal.(2000)quetrata
doproto oloLEACH(umadassolu ~oesde lusteriza ~aoutilizadanestadisserta ~ao)eYounis&Fahmy
(2004)quetrazuma ompara ~aodedesempenhoentre oproto olopropostoeoproto oloLEACH.
Na amadadetransporte,sugerimosaleituradotrabalhodeWang etal.(2006a).
A apa idade de sin roniza ~aoentre os sensores da redeeum importante aspe to, prin ipalmente
quanto aospro essamentode sinaise omuni a ~ao. Sugerimos omoleiturasobreesse temaotrabalho
deFaizulkhakov(2007).
Considerandoopro essamente desinaismaisespe i antequantoasne essidadesdasapli a ~oesno
ontextodasrededesensoressemos,sugerimosa leituradotrabalhodeZhaoetal.(2006).
Um outro requisito importante para as redes de sensores e a toler^an ia a falhas. Neste sentido,
sugerimosumaleituradeParadis&Han(2007)edeChessa&Santi(2002).
Uma ara tersti a da rede de sensores, muitas vezes desejada, que pode prolongar a vida util da
redeea auto-organiza ~ao. Entrealguns dosseusobjetivosest~ao aredund^an iaparareduzir falhaseo
balan eamentode argaparaotimizaro onsumo. Dosvariostrabalhoabordandoessetema,sugerimos
odeCerpa&Estrin(2004).
Finalizandoestarela ~ao,sugerimosum onsultaaotrabalhodeJiangetal.(2005)que, omomuitos
outrosestudos,prop~oeumprojetodesensor om ara tersti asquefavore emaumamaiorvidautilda
rede.
2.3
Consulta, processamento e aquisi¸
c˜
ao de informa¸
c˜
ao em WSN
Consideremos a nossa representa ~ao da rede de sensores sem os omo um sistema de aquisi ~ao de
informa ~ao, onformeodiagramadapagina6. Resguardadosdosdetalhes,suponhamosumprojetode
redes omasseguinte ara tersti as
aregi~aomonitoradaeuma orestade100m100m
foramdistribudos100sensoresdetemperaturadeformaregularnaregi~aomonitorada;
narede oexistem omuni a ~aoone-hop emulti-hop omaesta ~aobase;
a redeegeren iadade forma entralizadaporum softwarequeseen arregade fazeras onsultas
dousuario
osoftwaredegeren iamentoe apazdeidenti aredealertarao orr^en iadoseventosdeinteresse:
temperaturasuperiora40 Æ
C.
Consideremostambemque,por onstru ~ao,nao orr^en iadoeventodeinteressesejamobrigatorias ertas
tomadasdede is~aopelosusuariosdarede.
A onstru ~aodeste enariotemporobjetivonosauxilarnaapresenta ~aodealgunsaspe tosquedevem
serlevadosem ontanautiliza ~aoderededesensores omo umsistemadeaquisi ~aodeinforma ~ao.
Algunsquestionamentosquepoderamoslevantardesteprojetos~aoosseguintes:
qualotipoderoteamentoutilizadopelossensores?
eutilizadaalgumate ni ade lusteriza ~aoentreossensores?
elevadaem onsidera ~aoa orrela ~aodosdadosentreossensores?
o orrealgumtipode agrega ~aoentreosdadosdossensores?
eutilizadaalgumate ni ade ompress~aodedadospelos sensores?
Osu essodautiliza ~aoderedede sensores onsiderandoos ontextosda onsulta,pro essamentoe
aquisi ~aodeinforma ~aodependerade omooprojetoderederespondeaesseseoutrosquestionamentos.
Diversosestudosv^emsendoelaboradospela omunidade ient a omointuitodeunirosdiferentes,
mas inerentemente ligados, aspe tos rela ionadosa roteamento, agrega ~ao e geren iamento de dados.
Umapromessa,nare enteliteratura,eautiliza ~aodaste ni asdeagrega ~aoIn-Network.
Umainteressante pesquisasobreas te ni asIn-Network eapresentadanotrabalhode Fasoloet al.
(2007). Dessetrabalhoextramosaseguintedeni ~ao
Defini¸
c˜
ao 2
(Agrega¸
c˜
ao In-Network
).
Agrega ~aoIn-Network e o pro esso global de aquisi ~aoeroteamento de informa ~ao atraves de uma rede multi-hop, pro essando os dados nos nos
inter-mediarios om o objetivo de redu ~ao do onsumo de re ursos (em parti ular de energia) para,
dessemodo, aumentar o i lo de vidadarede.
Como na Se ~ao 2.2.2, nesta se ~ao disponibilamosao leitoruma rela ~ao de trabalhos que abordam
temas omoroteamento, lusteriza ~ao,dissemina ~ao,agrega ~aoefus~aodedadosno ontextodaredede
sensoressemos.
Yoon&Shahabi(2007)prop~oemoproto oloCAG de lusteriza ~aoe agrega ~aoIn-Network.
Con-siderandoa orrela ~aoespa o-temporal dosdados ea e i^en ia de onsumo de energia, oCAG prov^e
respostasas onsultas omnveisa eitaveis de erro em fun ~ao dos requisitosdos usuarios. Nesta
dis-serta ~ao,defendemosa exibilidadedanossa modelagemtra andoumparaleloentre onossomodeloe
osvariosaspe tosrela ionados omoCAG (verSe ~ao3.4,pagina37).
Reisetal.(2007)eAssun ~aoetal.(2006)apresentamoproto oloSKATERde lusteriza ~aoorientada
adados. Esseproto oloeutilizadonestadisserta ~ao omo umdosdois protolo osdo nossomodelode
lusteriza ~ao(verSe ~ao3.3.6,pagina26).
Heinzelmanetal.(2002)apresentamoproto oloLEACHde lusteriza ~aoe omuni a ~ao.Utilizamos
esse proto olo omo a outra op ~ao do nosso modelo de lusteriza ~ao. Algumas onsidera ~oes de
im-plementa ~aorelevantessobreanossaabortagem referente aoLEACH s~aoapresentadasnaSe ~ao3.6.3.8
(pagina43).
Dentreosvariostrabalhosnaliteraturasobreagrega ~aodedados,sugerimosaoleitorosdeKalpakis
etal.(2003),deTan&Korpeoglu(2003)edeAkkayaetal.(2008).
Quantoa fus~ao de dadosem rede de sensoressem os, sugerimosostrabalhos de Nakamura et al.
(2007)edeNakamuraet al.(2005). Noprimeirotrabalhoefeitoumamplolevantamentodosmetodos,
modelos e lassi a ~ao de te ni as de fus~ao de dados em rede de sensores. No segundo, os autores
tratamdo problema da re onstru ~ao da topologiade dissemina ~ao dosdados ombinandote ni as de
dissemina ~aoefus~aodedados.
Umestudorela ionandoalgoritmosdedissemina ~ao om onsumodeenergiaeapresentadopor
Ma- hadoet al.(2005).
Por m, tratando do tema re upera ~ao de dados, sugerimosos trabalhos de Dong et al. (2006) e
deZhao&Tong(2007).
2.4
Processos Estoc´
asticos
Nestase ~aodis utimosbrevementesobrepro essosesto asti os,fo andomaisespe i amentenostipos
depro essosutilizadosemnossassimula ~oes: (i) amposaleatoriose(ii)pro essospontuais. Deni ~oes
dealgunsdopro essosesto asti os lassi ospodemservistasemKarlin&Taylor(1975).
Antes de ontinuarmos om os pro essos esto asti os, apresentamos abaixo algumas deni ~oes da
Teoria das Probabilidades. Dentre os inumeros livros desta area, sugiremos ao leitor os trabalhos de
Grinstead&Snell(1997)edeDekkinget al.(2005).
Defini¸
c˜
ao 3
(Espa¸
co Amostral
).
O espa oamostral deuma variavel aleatoria X e o onjuntodetodosos possveisresultados de X.
Defini¸
c˜
ao 4
(Fun¸
c˜
ao de distribui¸
c˜
ao acumulada
).
A fun ~aode distribui ~aoa umuladade umavariavel aleatoria X e uma das formas mais onvenientes de se onhe er ou ara terizar a sua
1. F e n~ao de res ente, istoe, set 1 <t 2 ent~ao F(t 1 )F(t 2 )
2. F e ontnuaa direta, istoe, se t
n #t quandon!1 ent~aoF(t n )!F(t) 3. F(t n )!0 set n ! 1 e F(t n )!1 set n !1,quando n!1.
Defini¸
c˜
ao 5
(Vari´
aveis aleat´
orias discretas
).
Uma variavel aleatoria dis reta possui um espa oamostral nito ou innito enumeravel. A sua distribui ~aoe ompletamente ara terizada pelo
vetor de probabilidades Pr(X=x i ) x i 2
, que atribui uma probabilidade p
i
a ada resultado x
i da
variavel aleatoria X.
Defini¸
c˜
ao 6
(Vari´
aveis aleat´
orias cont´ınuas
).
Se existir uma fun ~ao f tal que f(t)=dF(t)=dt,om F a fun ~ao de distribui ~aoa umulada da variavel aleatoria X, ent~aodizemos que X e uma
variavel aleatoria ontnuae que f e a sua fun ~ao dedensidade.
Afun ~aodedensidadedeuma variavelaleatoria ontnua ara terizaa suadistribui ~ao. Esta
fun ~aoapresentaduaspropriedades: elae n~aonegativaf0, eo valordasuaintegrale 1ouseja
R
f=1.
Defini¸
c˜
ao 7
(Esperan¸
ca
).
A esperan a E(X) de uma variavel aleatoria ontnua X, existindo aintegral,e dadapor
E(X)= Z
R
xf(x)dx;
ondef e a fun ~aodensidade que ara terizaa distribui ~aode X.
Defini¸
c˜
ao 8
(Esperan¸
ca de uma fun¸
c˜
ao
).
SejamX umavariavelaleatoriareal ontnuae g:R
!R
uma fun ~ao\bem omportada". Se a integral existir, dizemos queE(g(X))= Z
R
g(x)f(x)dx
e a esperan a deg(X).
Defini¸
c˜
ao 9
(Variˆ
ancia
).
Se E(X)e a esperan ade uma variavel aleatoriaX, ent~ao a vari^an iadessavariavelaleatoriae denida omo
Var(X)=E(X E(X)) 2 =E(X 2 ) (E(X)) 2 ;
desdeque E(X 2
) exista.
Defini¸
c˜
ao 10
(Covariˆ
ancia
).
A ovari^an iaentre duasvariaveis aleatoriasreaisX e Y,denidasnomesmo espa o deprobabilidade,e denida omo
Cov(X;Y)=E(XY) E(X)E(Y)
.
Defini¸
c˜
ao 11
(Correla¸
c˜
ao
).
A orrela ~ao entre duas variaveis aleatorias reais X e Y, denidasnomesmo espa o deprobabilidade,e denida omo
(X;Y)=
Cov (X;Y)
p
Var(X)Var(Y) :
Adistribui ~aogaussianamultivariadaseradeparti ularinteressenonossotrabalho. Paraoquesegue
onsultamosolivrodeVelhoet al.(2008).
Defini¸
c˜
ao 12
(Densidade gaussiana multivariada
).
Ovetor devariaveisaleatoriasXXX segue umaleigaussianam-variadademedia=(
1 ;:::; m ) 0 2
R
mematrizde ovari^an iapositivadenida
sea sua densidade e dada por
p(xxx)= 1 (2) m=2 jj 1=2 exp n 1 2 (xxx ) 0 1 (xxx ) o ; (2.1) ondexxx=(x ;:::;x ) 0 eum ponto de
R
m .Amediaeopontomodaldadistribui ~ao,istoe,ondeomaximodepestalo alizado. Pelofatoda
matrizde ovari^an iaserpositivadenida,asuainversa 1
existe. Amatrizde ovari^an iaedaforma
=( ij )onde ij = ji
ea ovari^an iaentreas omponentesi ej;
ii
=
2
i
>0eavari^an iada omponentei:
A ovari^an iaentreas omponentesiej podeseres ritaemtermosdasua orrela ~ao 1<
ij <1, daseguinteforma: ij = ij i j :
Umfatoimportantedestadistribui ~aoequeovetordemediaseamatrizde ovari^an iaa ara terizam
por ompleto. Mais detalhesa respeito desta distribui ~aopodem servistos nostextos de Krzanowski
(1988),deMuirhead(1982)edeTong(1990).
NaTeoriadasProbabilidades,ospro essosesto asti os,tambemreferidos omopro essosaleatorios,
representama ontrapartidaparaospro essosdeterminsti os ujaevolu ~ao omotempoe onhe idae
esperada. Aevolu ~aodeumpro essoesto asti oedes ritapormeiodedistribui ~oesdeprobabilidades.
Defini¸
c˜
ao 13
(Pro essoEsto asti o).
Umpro essoesto asti oeuma ole ~aodevariaveisaleatoriasfX
i g
i2I .
Ondi epro essoI podeserdis retoou ontnuoemumaoumaisdimens~oes,easvariaveisaleatorias
queo omp~oempodemser ontnuasoudis retas,unioumultivariadas.
Umpro essoesto asti o a ompletamenteespe i adopelasuadistribui ~ao onjunta,masemgeral
essainforma ~aooun~aoestadisponvelexpli itamenteouelaeex essivamente omplexaparaserutilizada
deformadireta.
Um pro esso esto asti o pode ser pensado omo uma fun ~ao aleatoria. O domnio no qual essa
fun ~aoaleatoriaestadenidapodeserumintervalodetempo(denido omuma sequ^en iadevariaveis
aleatorias, orrespondentesaosvariostemposouinstantes, onhe idas omo series temporais)ouuma
regi~aodosespa o(mapeadapor um onjuntodevariaveisaleatorias, orrespondentesaosvariospontos,
denominado ampo aleatorio).
Aseguir,dire ionamosnossofo oparaosdoispro essosesto asti osdeinteressenestetrabalho.
2.4.1
Campos aleat´
orios
Um ampo aleatorio Z e uma ole ~ao de variaveis aleatoriasindexadas por pontos num espa o de
d-dimens~oes, ou seja, Z =(Z(x):x2
R
d). Num ampo aleatorio tpi o as variaveis aleatorias est~ao
espa ialmente orrela ionadassegundoalgummodelo,denidoporumafun ~aode ovari^an ia.
Os amposaleatorioss~ao pro essosesto asti osutilizados para des reverfen^omenos naturais omo
temperatura,umidade,luminosidade,dentreoutros.
Existem diversos tipos ou modelos de ampos aleatorios. Cada tipo e ara terizado por sua
dis-tribui ~ao onjunta, da qual de orrem ertas propriedades que podem ser de interesseparti ular para
determinadasapli a ~oes. Seguindoo textode S hlather(1999), detalharemos a seguir algumasdessas
propriedadesqueser~aouteis paraonossotrabalho.
Defini¸
c˜
ao 14
(Campo aleat´
orio estacion´
ario
).
Um ampo aleatorioZ e esta ionario se E(Z(x))e onstante para todo x2
R
de se a fun ~ao de ovari^an ia e invariante quanto a opera ~ao de
transla ~ao,isto e, se
Cov(x;y)=Cov(x+t;y+t),para todox;y;t2
R
dDefini¸
c˜
ao 15
(Campo aleat´
orio isotr´
opico
).
Um ampo aleatorio Z e hamado isotropi o setanto a esperan aquanto a fun ~aode ovari^an ia s~aoinvariantes quanto a opera ~aode rota ~ao,
ouseja
E(Z(Ax)) = E(Z(x))para qualquerx2
R
de qualquermatriz derota ~aoA;
Cov(Ax;Ay) = Cov (x;y) para qualquerx;y2
R
de qualquermatriz derota ~aoA:
Parades rever ofen^omeno ilumina ~ao, usamos neste trabalho um ampoaleatorio gaussiano
esta- ionarioeisotropi o omfun ~aode ovari^an iaexp( kx yk s
2.4.2
Processos pontuais
Pro essospontuaiss~aomodelosesto asti osquedes revemalo aliza ~aodepontosnoespa o. Largamente
estudadosno^ambitodaTeoriadasProbabilidades,ospro essospontuaiss~aouma poderosaferramenta
estatsti a paramodelareanalisar dadosdistribudosespa ialmente,despertandointeresseem diversas
areas omoe ologiavegetal, orestasesilvi ultura, i^en iadosmateriais,geograa,sismologia,
astrono-mia,epidemiologia,entre outras. Dentre asinumerasrefer^en iassobrepro essospontuais, sugerimoso
trabalhodeBaddeley(2006).
Um ex elente re urso para explorar e apli ar pro esso pontuais e o pa ote spatstat (Baddeley &
Turner,2005)disponvelparaaplataformaR.
Antesdedis utirmosostiposdepro essospontuais,des reveremosbrevementeumpro essodegrande
import^an ia, denominado pro esso de Poisson, que serve de base para onstruir outros pro essos
es-to asti os.
Opro essoPoissoneumpro essoesto asti ousadoparamodelarao orr^en iade eventosaleatorios
notempo. Estepro essopodeserusadoparades reveruma grandevariedade defen^omenos omo,por
exemplo,oinstantede hegadados lientesemumban o,otempoemquesubst^an iasradioativasemitem
part ulas,eafalhaemdispositivoseletr^oni os.
Eatribudaaestepro essoa ara tersti ada ompleta
aleatoriedade.
Consideremosqueestamosobservandoa hegadade lientesemumban o,a partirde tempot=0.
Denotando E k
t;t
omo \k eventos o orrem no intervalo (t;t+t℄", o pro esso de Poisson pode ser
onstrudoapartirdasseguinteshipoteses:
H1) Pr(E k t;t+t )=Pr(E k 0;t )paratodok,tet. H2) Pr(E k 1 t 1 ;t 1 \E k 2 t 2 ;t 2 )=Pr(E k 1 t 1 ;t 1 )Pr(E k 2 t 2 ;t 2 )se(t 1 ;t 1 ℄\(t 2 ;t 2 ℄=;. H3) lim t!0 (Pr(E 2oumais 0;t )=Pr(E pelomenos1 0;t ))=0.
Com essas hipoteses, e denotando= logPr(E 0
0;1
), temos que Pr(E 0 0;1 )=expf g para t=1, e Pr(E 0 0;t
)=expf tgparatodot>0.
Generalizandoestesresultadospodemosdenira distribui ~aoPoisson omo
Pr(E k 0;t )= (t) k k! expf tg: (2.2)
O pro esso Poisson e ara terizado pelo par^ametro , e sua intensidade , denida pela fun ~ao
(t)=t,representaonumeroesperadodeeventosporunidadedetempo.
Considerando T 1 ;T 2 ;T 3
;::: o tempo da primeira hegada, o tempo da segunda hegada depois da
primeira hegada, o tempoda ter eira hegadadepois da segunda hegada, e assim su essivamente,e
possvelveri arque
Pr(T
n
t)=1 expf tg (2.3)
paratodon1et>0.
Destamaneira,opro essoPoissonpodeserdenidoemtermosdonumerodeeventos ouem termos
dointervalodetempoentreoseventos.
Uma propriedade muito onveniente que resulta da deni ~ao do pro esso Poisson on erne om a
lo aliza ~ao dos n eventos. Dado um numero n de pontos num intervalo [a;b℄, suas lo aliza ~oes s~ao
identi amenteeindependentementedistribudasseguindouma distribui ~aouniforme nointervalo[a;b℄.
Estapropriedadeebastanteutilna onstru ~aodepro essospontuaisPoissonno
R
2.
Numa regi~aoE=[a;b℄[a;b℄ do
R
2, um pro essoseraPoisson omintensidade >0seonumero
ndepontosdos onjuntosdisjuntosA
1 ;A
2
;E s~aovariaveisaleatoriasindependentes,eseonumero
depontosnem qualquerdestes onjuntosA
i
segueuma distribui ~aoPoisson ommediadenidapor
(A i )= Z A i (u)du; (2.4)
ondepodemosinterpretar(u)du omoa probabilidadedepre isamenteumponto serobservadonuma
areainnitesimalmentepequenalo alizadaemue omareadu.
Aseguirdes revemososprin ipaistiposdospro essospontuais,fo andomaisespe i amente
Processos pontuais homogˆ
eneos com independˆ
encia
Nestespro essos,onumerodeeventosesperados,denidopelasuaintensidade,e onsiderado onstante
portodoopro esso,istoe,(x)=>0paratodox2
R
d.
Nasdeni ~oesaseguir, onsidereospro essospontuais omosendodenidosnaregi~aoE=[a;b℄[a;b℄
de
R
2.
Defini¸
c˜
ao 16
(Processo pontual Binomial
).
Um n umero xo de pontos n1 e dito obede erum pro esso pontual Binomial se as oordenados destes pontos em E s~ao resultados de variaveis
aleatoriasindependenteseidenti amentedistribudasseguindoumadistribui ~aouniformeem[a;b℄.
Considerandoque onumero n de pontos seja denido omo oresultado de uma variavel aleatoria
dis reta N om media (E) denida onforme a equa ~ao (2.4), podemos denir o pro esso pontual
Poissondaseguinteforma:
Defini¸
c˜
ao 17
(Processo pontual Poisson
).
Primeiramente, observa-sen, o resultadodavariavelaleatoria dis reta N que segue a distribui ~ao Poisson apresentada na equa ~ao (2.3) om
intensi-dade =t (podemos supor t=1 por simpli idade). Em seguida, posi iona-se os n pontos em
E seguindo o pro esso pontualBinomial denido anteriormente. Ent~ao obtem-se omoresultado
umao orr^en ia dopro esso pontualPoisson homog^eneo om intensidade =.
Umdeni ~aoparaospro essospontuaisPoissonmaisformalqueadeni ~ao17poderiaseraseguinte.
Defini¸
c˜
ao 18
(Processo pontual Poisson
).
Um pro esso pontualPoisson om intensidade >0,para t>0e >0,e uma ole ~aoP
1 ;P
2
;::: de pontos lo alizados num onjunto ompa to E
R
p,
p1, tal que o n umero de pontos em qualquer onjunto AE, denotado omo N(A), tem as
seguintes propriedades:
1. N(A) segueumadistribui ~aoPoisson om media(A),denidanaequa ~ao (2.4)talque(u)
e onstante para todosos u2A, e
2. as variaveis aleatorias N(A
1 );N(A
2
);::: s~ao oletivamente independentes se os onjuntos
A 1 ;A 2 ;::: s~aodisjuntos, istoe, \ i1 A i =;.
Estavers~aomaisformaldopro essopontualdePoissonserautil paraadeni ~aodopro essopontual
dePoissonn~aohomog^eneo(deni ~ao19).
Umpro essopontualBinomialeumpro essopontualPoisson ondi ionadoaonumerodepontosn.
Na gura2.1 apresentamostr^esresultados deumpro essopontualPoisson omintensidade=50.
Para onstruiresteseventos, primeiramenteobservou-setr^esresultados,n
1 =37, n 2 =66en 3 =47,da
variavel aleatoria dis reta N:!
N
que segue uma distribui ~aoPoisson ommedia(intensidade)50. Emseguida,paran 1 ,n 2 en 3,foiobtidoopro essopontualBinomialilustradonasguras2.1(a),2.1(b)
e2.1( ),respe tivamente.
(a)n1=37 (b)n2=66 ( )n3=47
Umdaspropriedadesbasi asapresentadaspeladeni ~ao18,equea probabilidadedeseobservarn
pontosnos onjuntoA
1 ;A
2
Eeamesma asosuasareas sejamiguais,n~aoimportandoassuasrelativas
lo aliza ~oesemE.
Processos pontuais n˜
ao-homogˆ
eneos e/ou dependentes
Nospro essospontuaisn~ao-homog^eneos,aintensidadepodevariar onformeaareaemqueopro esso
esta sendo onstrudo. Com base nesta generaliza ~ao, ospro essospontuais homog^eneos s~aoum aso
espe ialdospro essospontuaisn~ao-homog^eneosondea intensidadee onstanteedenidapor=.
Pormeiodospro essospontuaisn~ao-homog^eneospodemos onsiderar asos ondeaprobabilidadede
seobservarn pontos varie dea ordo om as regi~oes de E, podendo ertas areas serem maisou menos
densas.
Podemos onstruirumpro essopontualn~ao-homog^eneosdenindosuaintensidade omoumafun ~ao
:E!
R
+,talque R
A
<1paraqualquer onjuntoAE.
Seguindoessanovaabordagem,apresentamosa deni ~aodedois pro essopontuaisn~ao-homog^eneos
deinteresseparaestetrabalho: opro essopontualPoissonn~aohomog^eneoeopro essopontualSimple
SequentialInhibition. Oprimeiroserautilizadoparades reverumadistribui ~aodesensores om
agrupa-mento,enquantoosegundoeempregadoparades reversensoresespa ialmenteesparsos(verse ~ao3.3.3,
pagina18).
Defini¸
c˜
ao 19
(Processo pontual Poisson n˜
ao-homogˆ
eneo
).
Um pro esso pontual Poisson n~ao-homog^eneo ou de intensidade n~ao onstante e uma ole ~ao P
1 ;P
2
;::: de pontos lo alizados num
onjunto ompa toE
R
p,p1,talqueon umerodepontosemqualquer onjuntoAE,denotado
omo N(A), tem asseguintes propriedades:
1. N(A) segue uma distribui ~ao Poisson om media (A), denida na equa ~ao 2.4 tal que o
valor(u)para adau2A variadea ordo om a fun ~aointensidade :E!
R
+, e
2. as variaveis aleatorias N(A
1 );N(A
2
);::: s~ao oletivamente independentes se os onjuntos
A 1 ;A 2 ;::: s~aodisjuntos, istoe, \ i1 A i =;.
Considere,porexemplo,afun ~aodeintensidade(x;y)=1000e x
. Agura2.2mostrao orr^en ias
detr^esdessespro essosparadiferentesvaloresdopar^ametro. Comessafun ~aodeintensidadeepara
valorespositivos dopar^ametro, havera uma tend^en ia a on entra ~ao de pontos perto de valoresde x
proximosdezero.
(a)=1 (b)=10 ( )=50
Figura2.2: Pro essosdePoissonn~aohomog^eneos
Defini¸
c˜
ao 20
(Mat´
ern’s Simple Sequential Inhibition – SSI
).
Este pro essoe denido om umpro edimento iterativo que, seguindo uma distribui ~ao uniforme om par^ametro n, tenta olo ar
seq uen ialmente n pontos sobre a regi~aoE, observandoa regra deex lus~ao estabele ida om base
no par^ametro de ex lus~ao r. A partir do primeiro ponto, enquanto (i) os n 1 pontos restantes
n~ao estiverem posi ionados ou (ii) o n umero de tentativas n~ao atingir o limite de itera ~oes T
estabele ido,posi ionar um novo ponto seguindo a distribui ~aouniforme; se a dist^an ia donovo
Agura2.3mostratr^eso orr^en iasdepro essosSSI omn=50evalores res entesparaopar^ametro
deex lus~aor.
(a)r=0:01 (b)r=0:05 ( )r=0:10
Figura2.3: SSI omn=50
Neste aptuloapresentamosasferramentasqueser~aoempregadasnorestodotrabalho. Emparti ular,
denimos aqueles aspe tos dasredes de sensores sem os que ser~ao analisados nesta disserta ~ao, bem
omoselementos esto asti os(os amposgaussianoseospro essospontuais)que ser~aoempregadosna
metodologia proposta. No proximo aptulo apresentamos detalhadamente a metodologia de estudo
Metodologia
3.1
Motiva¸
c˜
ao
Nosultimos inquentaanos, ientistasepesquisadoresv^emempreendendoestudosnatentativadedenir
te ni as e ientes de a esso e explora ~ao dos biomas orestais, ri os em biodiversidade e largamente
inexplorados.
Assim omoaAstronauti asepreo upa omoestudodosistemasolaredasgalaxias,aHidronauti a
om o estudo das profundezas dos o eanos atraves de seus submersveis, a Dendronauti a, do grego
dendron (arvore)e nauti a (navega ~ao),sepreo upaem propo ionaraos homense seusinstrumentos
aexplora ~aodosbiomas orestais. Osespe ialistasidenti amessesbiomas omodetentoresdemilh~oes
deespe iesdevidaaindades onhe idas(Dendronauti s,2007). Comoexemplodestesbiomas,temosas
orestastropi aisdenosso ontinente.
Emboradiversaste ni asdeexplora ~aododosseldas orestastenhamsidodesenvolvidas, adauma
delasapresenta importantes limita ~oes. Te ni as de es aladas dasarvoresutilizando ordasrequerem
dospesquisadoresgrandesesfor osehabilidades. Estruturasxas omoplataformasepassarelas,embora
exijammenoresesfor os,selimitampelafaltademobilidade, andorestritasalo aliza ~oes
predetermi-nadas.Osguindastes,que onferemmaiormobilidade,emborarelativamente aros,talvezsejamamelhor
te ni autilizadaparapesquisarumaregi~ao ir ularde oresta,abrangendoumraiomaximode obertura
de inquentametros. Bal~oes dirigveisn~aoselimitam quanto a mobilidadee extens~ao, noentanto s~ao
sensveisas ondi ~oes limati as omo,porexemplo, osventos e, omo onsequ^en iadisto, a prin ipal
desvantagemdestate ni aealimita ~aodadura ~aodosv^oosdiarios,atualmenten~aoultrapassandoduas
horas. Outroimportantedesaonautiliza ~aodosdirigveisea ondi ~aodev^ooestavelea ne essidade
deseromaissilen iosopossvelduranteopro essode oleta.
Consideremosasitua ~aodepre isarestimarailumina ~aoque hegaem ertaalturadeuma oresta.
Diversostrabalhosabordamane essidadedesefazeressetipodeestima ~aopara, omela,inferiraspe tos
deinteressedadin^ami ade orestas(Jenningsetal.,1999;Engelbre ht&Herz, 2001).
Fa easlimita ~oesdaste ni asatuais deexplora ~aododosseldas orestaapontadasa ima, e
moti-vados pelopoten ial te nologi o, pela e onomiade re ursos e pela viabilidadede exe u ~ao,de idimos
realizarestudosquemostremaviabilidadedefazeressamedi ~ao omredesdesensoressemos.
Cada sensore apaz de medir a intensidade luminosa instant^anea, de fazer algum pro essamento
simples e de se omuni ar om outros sensores. Alguns desses sensores s~ao eleitos para realizar uma
redu ~aodeinforma ~oes,eparaenvia-lasa esta ~aobase.
Osprin ipais fatoresque devemser analisadosno projetode uma redede sensoressem os parao
propositoa imades ritos~ao:
1. onumerodesensoresa serdistribudonaareadeinteresse,
2. adistribui ~aoespa ialdossensores,quepodeserregular,repulsiva,atrativaouindiferente(denida
naSe ~ao2.4.2),
3. agranularidadeoues aladailumina ~ao(veraSe ~ao2.4.1),
4. oproto oloaserutilizadopara lusteriza ~aodosdados(verSe ~ao3.3.6)
Aagrega ~aodosdadose onsideradaxa,edadapelamediadosvaloresobservadosem ada luster.
eluladeVoronoiasso iadaa adasensorouamediasobreaarea ir ularderaioxodenidapelafun ~ao
derespostaradialde adasensor(verSe ~ao3.3.5). Otamanhodaregi~aosobanalise(verSe ~ao3.3.1)e
onsideradoxo. Amedidade ompara ~aoeoerrodere onstru ~aodofen^omenodeinteresse.
3.2
Proposta
AFigura3.1ilustraostr^esnveis on eituaisa seremempregadosnestetrabalho.
-
Implementa ~ao-
Exe u ~aoModelos
Figura3.1: Nveis on eituaisdotrabalho
Com a nalidade de proporabordagens de observa ~ao do fen^omeno que levem a bons resultados,
propomosa onstru ~aode modelos. Assimsendo, oprimeiropasso dametodologia onsisteem propor
abstra ~oes,istoe,hipotesesque,porseremsimpli a ~oes,redundamemmodelostrataveis,parades rever
adaelementoimportantedofen^omenodeinteresse.
Oselementosidenti ados omoimportantesparades reverofen^omenodeinteresses~aoosseguintes:
1. aareasobmonitora ~ao,istoe,apor ~aode oresta,
2. ofen^omenoque estasendoobservado,istoe,ailumina ~aoin identenosolo,
3. adistribui ~aoespa ialdossensores,
4. ossensoresesuas ara tersti asdemonitoramento,
5. aamostragem,
6. doisdiferentes pro ololosde lusteriza ~aoentreossensores,
7. aagrega ~aodedados,
8. opro essodere onstru ~ao.
CadaumdesteselementosedetalhadonaSe ~ao3.3, etodoseles omp~oemoquedenominaremos
gene-ri amente\Modelo"(verFigura3.2).
Amostragem Clusteriza ~ao Agrega ~ao Area Fen^omeno Sensores Re onstru ~ao
Distribui ~aodosSensores
Figura3.2: Modelo
Modeloformulado,epossvelextrairinforma ~oesdeleutilizandoexperi^en iasMonteCarlo. Osdetalhes
da onstru ~aodasexperi^en iasMonteCarlos~aoforne idosnaSe ~ao3.5.
Umavezdes ritasas omponentesfundamentaisdomodelo,segueaes olhadasplataformas
ompu-ta ionaisaseremempregadas,bem omoasnossas onsidera ~oesdeimplemanta ~aodomodelogeneri o.
Neste trabalho s~aoutilizados a plataforma
R
(R DevelopmentCore Team,2006), a linguagem depro-grama ~ao
C
eumambientedepro essamentodistribudoformadoporum luster de omputadores.Osdetalhesdasde is~oes de implementa ~aoe dasplataformas adotadas, denotados generi amente\ Imple-menta ~ao"naFigura3.1,s~aoforne idosnaSe ~ao3.6.
Osoftware assim desenvolvidoe, nalmente,exe utado. Dessa exe u ~aosurgem osresultados que,
analisados,forne embasesparatiraras on lus~oesdesejadas. Essaea\Exe u ~ao"daFigura3.1,quee
detalhadanaSe ~ao3.6.2.
3.3
Modelos
Nagura3.2ilustramosonosso modelogeneri o omosendo ompostoporoitoabstra ~oes.
Cadauma destasabstra ~oesmodelaumdoselementospropostosejuntas omp~oemonosso modelo
desimula ~ao.
Umavezques~aoindependentesuma dasoutras, adaumadasabstra ~oespode, asosejadesejavel,
serremodeladadeformaa obrirdiferentesaspe tospornosn~aoabordados. Esta exibilidadedomodelo
eexempli adanaSe ~ao3.4.
Aseguirapresentamos adaumadessassimpli a ~oes.
3.3.1
Regi˜
ao monitorada
Consideramosnos experimentos que ossensores est~ao espa ialmente distribudos sobreo solo de uma
regi~aode oresta omareaplanade 100m100m(dezmil metros quadrados). Agura3.3 representa
umailustra ~aoparaomodeloda oresta. Pormotivodesimpli a ~aon~aoforam onsideradosaspe tos
omorelevoouquaisquerobjetosquerepresentemobsta ulosquevenhamalimitaraareadeper ep ~ao
dossensoreseoraio de omuni a ~aoentre estes. Ouseja,uma vez distribudos, adasensoresta apto
aomonitoramentoea omuni a ~ao. Destaforma,apenas as ara tersti aste ni asdo fotossensoredo
radiodetransmiss~ao/re ep ~aos~ao onsideradas omoosfatoresdeterminantesdasareasdeper ep ~aoe
omuni a ~aodossensores.
Figura3.3: Florestamonitorada
3.3.2
Fenˆ
omeno em observa¸
c˜
ao
Utilizando amposgaussianosapresentadosnaSe ~ao2.4.1, modelamosofen^omenoou pro essonatural
observadopelarededesensores omosendoailumina ~aoin identenosoloda oresta,numdadoinstante,
de orrentedosraiossolaresltradospelas opasdasarvores. Osdadosgeradosapartirdo modelos~ao
registradosnuma matrizde 10000pixels(100100),denida omo aamostraf. Osvaloresdos pixels
gaussianos, assumindo a fun ~ao de ovari^an ia exp( xxx s
);s>0, e variando o par^ametro es ala s que
ara terizaestemodelo,podemosobterdiferentesgranularidadesdeilumina ~ao.
Agura3.4ilustraexemplosdosquatrotiposdegranularidadesobtidasparaailumina ~aoin idente
nosoloda orestaaovariarmosopar^ametroes alanosvalores5,10,15e20.
(a)Es ala(s=5) (b)Es ala(s=10)
( ) Es ala(s=15) (d)Es ala(s=20)
Figura3.4: Fen^omenoilumina ~ao
Aso orr^en iasdo ampogaussianos~aogeradaspelaplataforma
R
,queopera omdadosempre is~aoduplae,portanto, adaobserva ~aogeradaempregaumapalavradeoitobytes. Essesdadoss~aoentrada
paraoutrosalgoritmosqueutilizamdadosem pre is~aosimplese, omisso,oresto dopro essamentoe
feitosobrepalavrasdequatrobytes.
Emboranestetrabalho onsideremosapenas amposgaussianos,apropostapodeserextendida
natu-ralmenteparaoutrosmodelos ontnuose,maisgeralmente,paraoutrostiposdedados. Outrosmodelos
ontnuospodemdes reverdados omassimetria, omoeo asodasditribui ~oesgama eG (verBustos
etal.,2001). Outrostiposde dadosa serem onsideradoss~aoosdis retos,que forne emmodelos
natu-raisparapro essosque envolvem ontagem de eventos. A metodologiaaqui propostapode, ainda,ser
apli adaadadosmultivariadosmistos,istoe,paraaquelassitua ~oesqueenvolvemvariasmedidastanto
ontnuasquantodis retas.
3.3.3
Distribui¸
c˜
ao dos sensores
Adistribui ~aoespa ialdossensoresnaregi~aomonitoradaedes ritanestetrabalhoutilizando-semodelos
esto asti osdotipopro essospontuais,apresentadosnaSe ~ao2.4.2. Paratalm,propomosumpro esso
pontualC(n;a) quedes revea lo aliza ~aoespa ialden pontos atravesde umuni opar^ametroreal, a,
apazdedes reverassitua ~oesdeinteresseparaonossoestudo.
Mapeandoaregi~aosobmonitora ~ao,denimosumaregi~aoE=[0;100℄ 2
sobreaqualiremos ontruir
nosso pro esso pontual. Alem disto, estabele emos a intensidade dospro essosPoisson om sendo
=1.