O Efeito das Covariâncias entre os Componentes de Linha Base sobre a Confiabilidade de Redes GNSS: Resultados para uma Rede com Alta Redundância

Abstract

A mais recente versão da teoria da confiabilidade tem sido utilizada para descrever a capacidade de um sistema de medição em detectar, identificar e remover outliers a um certo nível de probabilidade. Entretanto, as aplicações desta teoria têm sido direcionadas para redes simuladas de nivelamento. Aqui, por outro lado, aplicamos a teoria no contexto de redes baseadas nos sistemas de posicionamento por satélites GNSS (Global Navigation Satellite System), a partir de dados reais coletados em campo. Testamos se as covariâncias entre as componentes da linha base têm efeito sobre a confiabilidade. Verificamos que as covariâncias entre as componentes da linha base aumentam a taxa de sucesso na identificação de outlier e, portanto, aumentam a confiabilidade da rede. O menor outlier identificável – ao nível de 80% de correta identificação – teve uma redução média de ~30% para as componentes ΔX e ΔY, e ~14% para ΔZ em comparação ao cenário com covariâncias nulas. O aumento do nível de significância melhora a confiabilidade em ambos os cenários (covariâncias nulas e não-nulas) na mesma proporção. Porém, para altos níveis de significância (α > 0,1) e sistemas com boa redundância (ri > 0,5), a confiabilidade para um modelo estocástico com covariâncias nulas se aproxima do caso em que as covariâncias não são nulas. Na ausência de um modelo estocástico mais realista (covariâncias não-nulas) e para sistemas com boa redundância local (ri > 0,5), deve-optar por regiões críticas maiores ( k < 2,8).

Avaliação da Variação Vertical Local Voltada à Integridade de Séries Temporais Maregráficas

“…Essas necessitam ser confrontadas com os resultados dos levantamentos altimétricos provenientes do Nivelamento Geométrico Científico. Outros testes poderão ser aplicados futuramente, como por exemplo, a análise da variância a posteriori para cada ajustamento (ANOVA) e a análise de correlação entre as estatísticas de teste conforme Rofatto et al (2020) e Bonimani et al (2021). Por fim, as análises realizadas ainda carecem de uma série temporal mais longa que possa indicar resultados mais consistentes de modo que seja possível classificar as RRNN não apenas pelo seu método construtivo, mas também por meio da sua variação temporal.…”