Escolar Documentos
Profissional Documentos
Cultura Documentos
Googlecriaautomaticamenteversesemtextodedocumentosmedidaquevasculhaaweb.
Osseguintestermosdepesquisaforamdestacados:murilooliveiramachadopredioajustesvos
Page1
UNIVERSIDADEFEDERALDORIODEJANEIRO
INSTITUTODEMATEMTICA
INSTITUTOTRCIOPACITTI
PROGRAMADEPSGRADUAOEMINFORMTICA
MURILOOLIVEIRAMACHADO
PREDIODEAJUSTESEMVOSDEAVESMIGRATRIAS
SAZONAISNOTURNAS:umsimuladorcomadequaonebulosa
RiodeJaneiro
2012
Page2
UNIVERSIDADEFEDERALDORIODEJANEIRO
INSTITUTODEMATEMTICA
INSTITUTOTRCIOPACITTI
PROGRAMADEPSGRADUAOEMINFORMTICA
MURILOOLIVEIRAMACHADO
PREDIODEAJUSTESEMVOSDEAVESMIGRATRIAS
SAZONAISNOTURNAS:umsimuladorcomadequaonebulosa
DissertaodeMestradosubmetidaaoCorpo
DocentedoDepartamentodeCinciada
ComputaodoInstitutodeMatemtica,e
NcleodeComputaoEletrnicada
UniversidadeFederaldoRiodeJaneiro,
comopartedosrequisitosnecessriospara
obtenodottulodeMestreemInformtica.
Orientador:JosefinoCabraldeMeloLima
RiodeJaneiro
2012
Page3
O48OliveiraMachado,Murilo
Prediodeajustesemvosdeavesmigratriassazonaisnoturnas:
umsimuladorcomadequaonebulosa/MuriloOliveiraMachadoRio
deJaneiro:UFRJ/IM/NCE2012.
106f.:il.
Orientador:JosefinoCabraldeMeloLima.
Dissertao(MestradoemInformtica)UniversidadeFederaldoRiode
Janeiro,InstitutodeMatemtica,InstitutoTrcioPacittideAplicaese
PesquisasComputacionais,ProgramadePsGraduaoemInformtica,2012.
1.Simulao.2.SimuladorcomAdequaoNebulosa.3.VosdeAves
Migratrias.Teses.I.Lima,JosefinoCabraldeMelo(Orient.).II.
UniversidadeFederaldoRiodeJaneiroInstitutodeMatemtica,Instituto
TrcioPacittideAplicaesePesquisasComputacionais,ProgramadePs
PsGraduaoemInformtica.III.Ttulo.
CDD
Page4
MURILOOLIVEIRAMACHADO
PREDIODEAJUSTESEMVOSDEAVESMIGRATRIAS
SAZONAISNOTURNAS:umsimuladorcomadequaonebulosa
DissertaodeMestradosubmetidaaoCorpo
DocentedoDepartamentodeCinciada
ComputaodoInstitutodeMatemtica,e
NcleodeComputaoEletrnicada
UniversidadeFederaldoRiodeJaneiro,
comopartedosrequisitosnecessriospara
obtenodottulodeMestreemInformtica.
Aprovadaem:24/02/2012
Page5
Amoamaislindaquemedeucoloduranteestetrabalho.
Page6
AGRADECIMENTOS
Primeiramenteaomeupaiquesemprefeztudooquepdeparaeuchegaronde
estoueaminhamequesempreestevecomigoemtodosesseslugaresquetenho
percorrido.Aosmeusirmosque,cadaumcomseujeito(nemsempreortodoxo),
possibilitaramarealizaodemaisumsonho.
AomeuamigodeinfnciaPedroFILHO,quefoiaprimeirapessoaafinanciarde
fatoesteprojeto.AoamigoWellingtonPRATAquedemonstrouseuvalordeouro.Aos
amigosdoalojamentodaUFRJquecontriburamsignificativamenteparaminhainsero
noRiodeJANEIRO.
Emparticular,gostariadeagradecerJulianaREZENDEpelaajudacrucial,em
revisarmeutexto,naretafinaldessadissertao.AoMirandaquecommuitacalmae
gentilezaresolveumeusproblemascomaestatstica.
AosprofessoresdoPPGIUFRJ,queemsuasaulasoferecerammeconhecimento
emesuportaram,commuitapacincia,emdvidasnemsempremuitocoerentes.Em
especialaoprof.MarcosELIASoqualabriumeusolhosparaoformalismodeLagrange,
aoProf.THOMporterdisponibilizadominhabolsaCAPES.
Aomeuorientador,CabralLIMA,quemesmoantesdeconhecerminhasidias
contribuiudeformadecisivaparaaconclusodessadissertao,comsuaorientao
criteriosa,exigente,porvezesbastantergida,masquesoubeimprimir,commaestria,
qualidadeaomeutrabalho.
AoprofessorCarlosAlbertoFRANCO,meuprimeiroorientadoremeuamigo,porter
Page7
acreditadoemminhasidiasdepesquisaetersidosempreumsuporteemminhas
batalhas.
AoprofessorAdrianoCRUZpelosensinamentosepelaformasemprecompreensivacom
aqualmetratounessesanosdemestrado.
GostariatambmdeagradeceraoeminenteprofessorCarlosAlbertoDIASporter
encontradoumespaoemsuaassazdisputadaagendaevircontribuirnaavaliaodessa
dissertao.
Page8
RESUMO
MACHADO,MuriloOliveira,Prediodeajustesdevosdeavesmigratrias
sazonaisnoturnas:umsimuladorcomadequaonebulosa.2012.106f.Dissertao
(MestradoemInformtica)InstitutodeMatemtica,InstitutoTrcioPacittide
AplicaesePesquisasComputacionais,UniversidadeFederaldoRiodeJaneiro,Riode
Janeiro,2012.
Estadissertaopropeumsimuladorcomadequaonebulosaparapredizerosajustes
dedireoevelocidadequedevemserefetuadosporumaavecomhbitonoturno
quandodesuamigraosazonal,emfunodosventoslaterais.Ofocomaisgeraldesse
simuladormostrarqueummodelonebulosopodesereficientenarepresentaode
estratgiasescolhidasporumaaveemmigrao.Essemodelonebulosousadopelo
simuladorinspiraseemummodelomatemticoclssicoparaajustesdedireoe
velocidadeemfunodadireodoventoedecustosenergticos.Estadissertao
propeumalagrangeanaparaasimulaodeumvomigratrio,considerandodois
parmetrosprincipais:umobjetivofixoeainflunciadeventoslateraisaovo.Uma
regressolinearaplicadaentreasmedidasobtidascomosimuladoremedidasobtidas
atravsdeexperimentosreaiscomumaavemigratriasazonalnoturna(Apusapus)
mostrouaadequabilidadedaaplicaodosimuladorproposto.Osresultadosobtidos
corroboramparademonstraraeficciademodelosnebulososparasimular
comportamentoscompensatriosderivadoventonamigraodeumaavesazonal
noturna.
Palavraschave:sistemasbioinspirados,modelonebuloso,compensaoderivado
vento,prediodevosmigratrios.
Page9
ABSTRACT
MACHADO,MuriloOliveira,Prediodeajustesdevosdeavesmigratrias
sazonaisnoturnas:umsimuladorcomadequaonebulosa.2012.106f.Dissertao
(MestradoemInformtica)InstitutodeMatemtica,InstitutoTrcioPacittide
AplicaesePesquisasComputacionais,UniversidadeFederaldoRiodeJaneiro,Riode
Janeiro,2012.
Thisworkproposesasimulatorwithfuzzysuitabilitytopredictthedirectionandspeed
adjustmentstobemadebyabirdduetosidewindseffects,withnocturnalhabitsduring
theirseasonalmigration.Thegeneralfocusofthissimulationistoshowthatafuzzy
modelcanbeeffectivefortherepresentationofstrategieschosenbyabirdinmigration.
Thefuzzymodelusedbythesimulatorisbasedonaclassicalmathematicalmodelfor
adjustmentsindirectionandvelocityasafunctionofwinddirectionandenergycosts.
ThisworkproposesaLagrangianforthesimulationofamigratoryflight,considering
twomainparameters:afixedgoalandtheinfluenceofwindsideinaflight.Alinear
regressionappliedbetweenthemeasurementsobtainedwiththesimulatorand
measurementsobtainedfromactualexperimentswithaseasonalnocturnalmigratorybird
(Apusapus)showedthesuitabilityofapplicationoftheproposedsimulator.Theobtained
resultsdemonstratetheeffectivenessoffuzzymodelstosimulatecompensatory
behaviorsduetowinddriftinanocturnalbirdmigration.
Keywords:bioinspiredsystems,fuzzymodel,thewinddriftcompensation,prediction
ofmigratoryflights.
Page10
FIGURAS
Figura2.1ConjuntosnebulososparaEstaturaMdia[CRUZ2004]............................21
Figura2.2Funolinearcrescente[CRUZ2004]............................................................22
Figura2.3Funotriangular[CRUZ2004]......................................................................22
Figura2.4Sigmidecrescente.[CRUZ2004]..................................................................22
Figura3.1Vlike............................................................................................................43
Figura3.2Regiesupwash(UjeU+j)edownwash(Dj).[NATANeBARBOSA,
2007].................................................................................................................................45
Figura4.1PotnciarequeridanovodaaveApusapus................................................47
Figura4.2Modelodavelocidadevetorialdaavecomovetorvento[ALERSTAM
1979].................................................................................................................................49
Figura4.3Modelogeomtricorepresentandoainflunciadovento[LIECTHI,1995].
...........................................................................................................................................50
Figura4.4Coordenadasgeneralizadasd'eXvinculadasaoobjetivofixoeforado
ventolateral.......................................................................................................................54
Figura4.5Potencialdependentedavelocidadequadrtica,k=0.5...............................55
Figura4.6Nebulizaodaentrada.(esquemadomodelonebuloso)..............................57
Figura4.7Conjuntosnebulososparaadireocoplanardoventoemrelaoaocorpo
daave................................................................................................................................58
Figura4.8Conjuntosnebulososparaassadas:(a)velocidadedaave(b)ngulode
compensaodaderiva.....................................................................................................59
Figura4.9Modelodecompensaodaderivadoventoaolongodeumeixomigratrio.
...........................................................................................................................................60
Figura5.1Dependnciadavelocidade(a)edireo(b)emfunodadireocoplanar
dovento.............................................................................................................................69
Figura5.2Dependnciadavelocidadeedireoemfunodadireocoplanardo
vento..................................................................................................................................71
Figura5.3Dependnciadavelocidadeedireoemfunodadireocoplanardovento
...........................................................................................................................................72
Figura5.4Simulaesparaadireo(ngulodecompensao(a)evelocidade(b))da
aveemfunodadireodovento...................................................................................73
Figura5.5Regressolinearentreasmedidassimuladaseasmedidasencontradasna
naturezapara(a)direodaavenoare(b)paraorastreamentoemrelaoaosolo......82
Page11
TABELAS
Tabela5.1CorrelaoentreasmdiasWindeTrackeosclculosHeading,paraamostra
contendotodososventosdeoutono.................................................................................74
Tabela5.2CorrelaoentreasmdiasWindeTrackeosclculosdeHeadingparaas
amostrascontendoosventospertencentesclasseOestedeoutono...............................75
Tabela5.3CorrelaoentreasmdiasWindeTrackeosclculosHeadingparaamostras
contendoosventospertencentesclasseLestedeoutono...............................................76
Tabela5.4RegressolinearentreasmdiasWindeTrackparaamostracontendotodos
osventosdeoutono...........................................................................................................77
Tabela5.5RegressoLinearentreasmdiasWindeTrackparaamostrapertencente
classedosventosOesteparaooutono..............................................................................78
Tabela5.6RegressolinearentreasmdiasWindeTrackparaamostrapertencente
classedosventosLesteparaooutono..............................................................................78
Tabela5.7RegressolinearentreasmdiasWind,TrackeHeadingparaamostra
contendotodososventosdeoutono.................................................................................79
Tabela5.8RegressolinearentreasmdiasWind,TrackeHeadingparaamostra
pertencenteclassedosventosOesteparaooutono........................................................80
Tabela5.9RegressolinearentreasmdiasWind,TrackeHeadingparaamostra
pertencenteclassedosventosLesteparaooutono........................................................80
Tabela5.10Valoresencontradospelaregressolinear...................................................82
Tabela5.11Medidasobtidascomasimulaodomodelonebuloso.............................83
Page12
SUMRIO
1INTRODUO...........................................................................................................15
2TEORIAS,TCNICASEMETODOLOGIASDESUPORTEAOSIMULADOR
COMADEQUAONEBULOSA.................................................................................18
2.1LgicaNebulosa.........................................................................................................18
2.1.1Princpiodaincompatibilidade................................................................................19
2.1.2ConjuntosNebulosos...............................................................................................20
2.1.2.1Funodeincluso................................................................................................21
2.2AbordagemLagrangeana............................................................................................23
2.2.1Princpioded'ALAMBERT.....................................................................................24
2.2.2Princpiodostrabalhosvirtuais................................................................................25
2.2.3Coordenadasgeneralizadas......................................................................................25
2.2.4Potencialdependentedasvelocidades.....................................................................26
2.2.5Trabalhovirtual........................................................................................................26
2.2.6EquaesdeLAGRANGE.......................................................................................27
2.3Sistemasbioinspirados...............................................................................................30
2.3.1Sistemabiologicamenterealista...............................................................................31
2.3.2Intelignciadeenxame.............................................................................................31
3VOSDEAVESSAZONAISMIGRATRIAS:CARACTERIZAOE
PROPRIEDADES.............................................................................................................34
3.1Vosmigratrios.........................................................................................................34
3.1.2Histrico...................................................................................................................34
3.1.3Variveissignificativasparaamigrao..................................................................35
3.1.4ACompensaodaderiva........................................................................................36
3.1.5Compensaodainflunciadoventolateralemfunodadistnciaaoobjetivo...37
3.1.6RastreamentodaAveApusapus..............................................................................37
3.2Simuladoresparaavesartificiais.................................................................................38
3.2.1Histrico...................................................................................................................38
3.2.2Consumoenergticodeumaaveemmigrao........................................................39
Page13
3.2.3Aplicaoemradares...............................................................................................39
3.2.4Simuladoresparaumbandodeavesartificiais........................................................40
4PREDIODEAJUSTEEMVOSPARAAVESMIGRATRIASSAZONAIS
NOTURNAS.....................................................................................................................44
4.1ForadeNEWTON...................................................................................................44
4.1.1Consumodeenergiarequeridapelaave...................................................................44
4.1.2Compensaodaderivadoventocomobjetivofixoedistnciarestante................46
4.1.3Estratgiaparaminimizarogastodeenergiaemfunodoventolateraledeum
objetivofixo......................................................................................................................47
4.2PropostadeumaLagrangeanaparaumvocomventolateraleobjetivofixo..........51
4.3Simuladoreadequaonebulosa................................................................................53
4.3.1Nebulizao..............................................................................................................54
4.3.2Infernciaderegras..................................................................................................55
4.3.3Desnebulizao........................................................................................................55
5SIMULAESEEXPERIMENTAES.................................................................57
51Comparaoentreosmodelos....................................................................................57
5.1.1AEquaodeLIECHTI...........................................................................................58
5.1.2AEquaodeLAGRANGE.....................................................................................58
5.1.3OModelonebuloso..................................................................................................59
5.2Simulaesdacompensaodaderiva.......................................................................59
5.2.1Parmetrodecompensao......................................................................................60
5.3Amostrasempricasparacompensaodaderivadoventolateral.............................61
5.3.1Correlaocircular...................................................................................................61
5.3.2Correlaolinearepreviso.....................................................................................62
5.4Resultados...................................................................................................................63
5.4.1ImplementaodaequaodeLIECHTI.................................................................63
5.4.2ImplementaodaequaodeLAGRANGE..........................................................65
5.4.3ImplementaodomodeloNebuloso.......................................................................66
5.4.5Testesestatsticos.....................................................................................................68
5.4.6Modelosdeprevisoestatstica................................................................................71
5.4.6.1VariveldependenteTevarivelindependenteWT(W).....................................71
5.4.6.2VariveldependenteHeevariveisindependentesWeTH(W,T)....................72
5.4.7Anlisedaregressolinear:medidassimuladasxmedidasobservadas..................74
6CONCLUSES..........................................................................................................77
Page14
6.1Algumascomparaesentreosmodelos....................................................................77
6.2Validaoestatsticadasamostras...............................................................................78
6.2.1Anlisedacorrelaoestatsticaparaosdadosutilizados.......................................79
6.3Simulaesdosmodelos.............................................................................................83
7DIFICULDADESENCONTRADASETRABALHOSFUTUROS...........................85
7.1Motivaes..................................................................................................................85
7.2Trajetriapercorrida....................................................................................................86
7.4Contribuies..............................................................................................................88
7.5Trabalhosfuturos.........................................................................................................89
REFERNCIAS................................................................................................................90
Page15
15
1INTRODUO
Aintegraodediversasreasdeconhecimentovemsemostrandoumdesafio
interessantedepesquisa.Acinciadacomputaotemsemostradocomoumamlgama
deligaoentretodasascamadasdaconstruodessedesafio.Modeloscomputacionais
vmsendodesenvolvidoseaplicadosnointuitodeformalizareconcretizaralguns
problemasdenaturezatericaeprtica.Emparticular,aintelignciacomputacionaltem
oferecido,atravsdeferramentastaiscomoasredesneurais,algicanebulosa,os
algoritmosgenticosetc.,algunsmodelosquevmsendoaplicadoscomxitoem
soluesdeproblemasdocotidiano.Aintegraodeescoposcomputacionaisinteligentes
aosdesistemasbioinspirados,porexemplo,temsidoobjetodeinteressantespesquisas
recentementepublicadasemrevistasreconhecidasdareataiscomoEmergentSystems,
ArtificialLife,eBehaviorBasedRobotics.Aidiadebasequeexisteumainteligncia
nocomportamentoglobaldeumgrupodeagentes,aindaquecadaagentesigaregra
simplesenoconheanenhumcontrolecentralguiandoseucomportamento[BENIand
WANG1988,BONABEAU1999,NICOUD2009].Osexemplosmaisclssicossoos
relacionadosantcolonies[ANKIT2011,CHEN2011],fishschooling[ZHANG2010,
CAPELLO2011]ebirdflocking[REYNOLDS1987,BAJEC2005,NATANe
BARBOSA2007].
Nessadissertaonsmostramosumnovosimuladorcomputacionalbaseadono
modelosobremigraodeavespropostoporThomasALERSTAMeFelixLIECHTI
[ALERSTAM1979,LIECHTI1995].Omodelonebulosoutilizadoporessesimulador
nosindicouquemodelosbaseadosnateorianebulosapodemserconsideradosadequados
erobustosparaamodelagemdeestratgiasdegruposdeavesemmigraosazonal,
notadamentenoqueconcerneaaoefetuadaporcadaavecomocompensaodaderiva
Page16
16
dovento,dadosoobjetivofinaleadistnciaquefaltaparaaaveatingilos.Aplicaes
domodelopropostonosimuladorresultaramemdadospromissoresquandoforam
comparadosadadosempiricamenteobservados[HENNINGSSON2009,KARLSSON,
2010].
Aaplicaodemodelosnebulosospareceefetivamenteseramaisnaturalpara
modelarocomportamentodeavesmigratriasdadoquegeralmenteaestratgiaadotada
pelasavesemsuasjornadasmigratriasdificilmentepodeserdeterminadacomexatido
porcausadesuaspropriedadesmaisqualitativasdoquequantitativas[GREEN2002].
Algumaspesquisasimportantes[BAJEC2003,2005]usamateorianebulosanapredio
depossibilidadesdeestratgiasutilizadasporumaaveemmigrao,visandoocontrole
deradaresparaocontroledotrfegoareo.Outradefesaemproldousodemodelos
nebulososadvmdofatodequealgumasmedidasempricasqueforamobtidascomaave
Apusapus[HENNINGSSON2009,KARLSSON2010]nocondiziamexatamentecom
previsesencontradasanteriormente,notadamentenoqueconcerneacompensaodada
pelaaveparacorrigiraderivadovento[ALERSTAM1979,LIECHTI1995].bastante
conhecidaarigidezdetectadanessasltimasdcadasporalgunsmodelospropostos
[AXELL1963,WILCOCK1964,EVANS1966]emanalisarumagrandequantidadede
dados,geralmenteimprecisosenemsemprecompatveiscomoesperado,relacionados
derivadoventoecompensaocompletaefetuadapelaave[GREEN2002].
Osimuladorpropostonessadissertaobaseiaseemumestudodetalhadoque
fizemosdotrabalhodeLIECHTIeALERSTAM[ALERSTAM1979,LIECHTI1995],
comotambmdeoutrosmodelospropostosnaliteratura[PENNYCUICK2008,
HEDENSTRM2002].Umacontribuioparticular,equediferedosmodelos
estudados,consistenaelaboraodeummodelonebulosoedeumalagrangeanausados
numsimuladorqueconseguiu,comsucesso,predizeracompensaodaderivadeventos
lateraisdeumaavemigratriasazonalnoturna.Osresultadosobtidosnassimulaes
comomodelopropostoforamcomparadoscomomodelodeLIECHTI[LIECHTI1994,
1995]esemostrarambastantesatisfatrios.Propusemosparaomodelodosimuladorque
Page17
17
aequaodemovimentofosserepresentadaporumalagrangeanacujosvnculos
holnomos1foramobtidosviaotringulodevelocidadespropostoporLIECHTIe
ALERSTAM,aindaqueoatritocomoarseja,emnossomodelo,representadoatravsdo
potencialgeneralizado,tambmconhecidocomopotencialdissipativo,propostopor
Rayleigh[LEMOS2000],utilizadocomoumafunodeconsumoenergtico
[PENNYCUICK2008].
Oprimeirocaptulodessadissertaointroduziuoproblemaquefoiobjetocentral
dapesquisaerelacionouesseproblemaaalgunsestudosanteriores,bemcomo
prenunciouquaisascontribuiesprincipaisdosimuladornebulosoproposto.Osegundo
captulodescreverosaspectostericosetecnolgicosqueserviramdesuporteao
modeloproposto,bemcomomostrarumestadodaarterelativoaoproblemaabordado.
Oterceirocaptuloestrelacionadodiretamentepartebiolgicadessadissertaoque
tratadeumsistemabioinspirado,mostrandoosestudosbiolgicoseascaractersticas
principaisdevosdeaves,particularmentenoqueconcernemasavesmigratrias
sazonaisnoturnas.Oquartocaptulodescreveosimuladoremodelonebulosoproposto
assinalandoasleisbiolgicasefsicas,bemcomoosestudosanterioresrelacionados,que
serviramcomoalicercenossaproposta.Oquintocaptulodescreveassimulaeseos
resultadosdelasobtidos,descrevendoasmetodologiasdecomparaocomdados
advindosempiricamente.Osextocaptuloapresentaumaconclusodadissertaoeo
stimoeltimocaptulomostraasdificuldadesencontradasepropealgunstrabalhos
futuros.
Page18
18
Dogregohlos(inteiro,completo)enmos(regra,lei).Vnculosintegrveis(LEMOS,2000).
2TEORIAS,TCNICASEMETODOLOGIAS
DESUPORTEAOSIMULADORCOM
ADEQUAONEBULOSA
2.1LgicaNebulosa
Decorrentedajunodealgunsteoremasmatemticossurgidosnofinaldosculo
XIXequeviolaramoslimitesdaleidanocontradioaristotlica,algicanebulosa
podeserdefinidacomoumalgicapossibilstica,aproximadaeambgua,propostapor
ZADEH[ZADEH1965]quecunhouotermonebulosonosentidodevago.Na
dcadade20BetrandRusselpropsorelaxamentodaleidanocontradio,paraque
afirmaesindefinidaspudessemseroperadas[RUSSEL1923].Desdeento,
matemticostaiscomoLUKASIEWICZ,KAPLAN,SCHOTT,entreoutros,tm
desenvolvidoumaramificaodateoriadosconjuntosquefoiconsolidadaem1965com
ostrabalhosdeZADEHquedemonstravamqueosconjuntosnebulosossocapazesde
operarasafirmaesindefinidas.Em1973ZADEHintroduziuoprincpioda
incompatibilidade.Segundo[BARROSandBASSANEZI2006],ateoriadosconjuntos
nebulososumametodologiaheursticaque,cadavezmais,vemsendousadacomo
ferramentaparaformulaodemodelosmatemticos.
AaceitaodaTeoriaNebulosapelomundoocidentalteveumatrasodevidoa
diversosfatores,poisacinciaestavafortementeenraizadalgicaaristotlicaesbelas
leisfsicasenunciadascomoverdadesabsolutas.Numapocaemquealgunsconceitos
probabilsticosestavamcomeandoaseremaceitoscomosubstitutosdeconceitos
determinsticos,foientoapresentadonosEUAumtrabalhocontendoumateoria
Page19
19
possibilsticaque,devidoasuaeficinciaemalgumasaplicaesconsideradasarrojadas
(talcomocontrolarometrdacidadejaponesadeSendaiem1987),vemabrindonovos
horizontesnautilizaodeseusconceitosemdiversasaplicaesdomundoreal.Logo
emseguida(1988)ogovernojaponsimplantouumapolticadeapoiospesquisas
abordandootemaLgicaNebulosa.
Recentementealgicanebulosatemsidoutilizadaemcontextosdiversos,desde
avaliarumalunonasmaisdiferenciadasatividades,atescolherolugarmaisadequado
paraestocarumacervejaemumsupermercadoougerenciaroaquecimentodeumforno
demicroondas.TrabalhosmaisarrojadostmsurgidonareadeCinciasExataseda
Terra,talcomoousodesistemasnebulososnoramodananotecnologia,capazesde
simularpossveisestruturasdenanomaterias.Aindanoexistemmuitostrabalhosem
fsicapura,contudoaintegraodestateoriareadacinciatemsemostradopromissor
[NELI2001].Aindaasenotarqueacomputaoqunticatemrealizadoalgumas
associaesentreacinciadacomputao,afsicaeateorianebulosa.
2.1.1Princpiodaincompatibilidade
medidaqueacomplexidadedeumsistemaaumenta,nossahabilidadepara
fazerafirmaesprecisasequesejamsignificativasacercadestesistemadiminui,atque
umlimiarsejaatingido,almdoqual,aprecisoesignificnciatornamsequaseque
caractersticasmutuamenteexclusivas.Aclassificaodeobjetosencontradosaonosso
redornemsemprecompatvelcomalgicaaristotlica.Porexemplo,aclassedos
animaisclaramenteincluiinstnciastaiscomoces,cavalos,pssarosetambmexclui
claramenteobjetostaiscomorochas,fluidoseplantas.Noobstante,objetostaiscomo
estrelasdomarealgumasbactriasteroumestatusambguonoquedizrespeitoclasse
deanimais,comoexplicitadoporZADEH[ZADEH1965].
Algicanebulosaprovousercapazdeaproximarcomplexossistemasnolineares,com
Page20
20
poucasregrasdetermoslingusticoseaproximados,talcomofrearpoucoseomuroest
perto[CRUZ2004].umalgicadefcilmanuseio,robusta,quetrabalhadeforma
paralelae,nafaltaderegras,acumulaevidnciascontraeafavordasproposies.A
lgicanebulosaestendealgicaclssicaincluindooconceitodeverdadeparcial,valores
entretotalmenteverdadeiroetotalmentefalso.
2.1.2ConjuntosNebulosos
Ateorianebulosapermitequeumelementopertenaamaisdeumconjuntocom
respectivosgrausdeincluso.Atransiodesteelementodeumconjuntoparaoutro
ocorredeformagradual.Umconjuntonebulosopodeserdefinidopelasuafunode
incluso(x)pertencenteaointervalo[0,1][ZIMMEMANN1985].Afiguraabaixo
mostraumexemplodeconjuntosnebulosos.
Figura2.1ConjuntosnebulososparaEstatura
Mdia[CRUZ2004].
Nafigura2.1somostradostrsconjuntosnebulosos,baixo,mdiaealto.Sendoqueo
conjuntosbaixoealtopossuemafunodeinclusonoformatodeumtrapzioeo
conjuntomdiaestnaformadeumtringulo.
Page21
21
2.1.2.1Funodeincluso
Funodeinclusoumoperadormatemticoquedefineoquantoumelemento
pertenceaumconjunto(graudepertinncia).Existemdiversasrepresentaesparaa
funodeincluso,comomostradasnasfigurasabaixo,masnamaioriadasvezesessas
representaessodotipounimodal,garantindoainfluncialocalparaumavariveldo
problema.Noexisteummtodonicoecorretoparaescolherafunodeinclusoessa
escolhapragmaticamenteaconteceviaomtododetentativaseerros.Noentanto,
existemalgumastcnicasartificiaisquepodemajudarnessaquesto,talcomoasredes
neuraisartificiais.
Figura2.2Funolinearcrescente[CRUZ2004].
Figura2.3Funotriangular[CRUZ2004].
Page22
22
Figura2.4Sigmidecrescente.[CRUZ2004].
Devidoaofatodequeosestudosrelacionadoscomamigraodeavescontm
umaquantidadesignificantedeinformaesaproximadaseexpressasemtermosde
variveislingusticas,defendemosnestetrabalhoqueasmedidascoletadasemvos
migratriosdeaves,porseremnormalmenteimprecisas,somaisbemmanipuladasse
foremtratadasporummodelonebuloso,poisqueestamosfalandodeumametodologia
flexvel,defcilaplicaoedesingelezanasoperaesdeseusconceitos.
Particularmente,sabidoqueumaequaodiferencial(normalmentebastantecomplexa)
podereproduzir(matematicamente)acompensaoderivadovento,entrementes,ns
advogamosqueparaproblemasdessanaturezaousodemodelosnebulosospode
substituir,comsucesso,controlesatentoregidosexclusivamenteporequaes
diferenciais.
Page23
23
2.2AbordagemLagrangeana
NascidoemTurimnosculoXVIII,obrilhantefsicomatemticoJosephLouis
DELAGRANGEcontribuiusignificativamenteparaodesenvolvimentodamatemtica
moderna,consolidandoalgumasteoriasabrangidaspeloclculodasvariaes.Aosvinte
etrsanosLAGRANGEjdemonstravasuagenialidadeassociandooclculodiferencial
teoriadasprobabilidades.Maisrecentementeasdiversascontribuiesde
LAGRANGEvmsendoaplicadasemdistintasreascompreendidaspelacincia
moderna,talcomoamecnicaqunticanaqualelacadavezmaisvmganhandoespao
comaplicaesdifusaseimportantes.Amecnicalagrangeanatambmtemsidotil
comoferramentaemdiferentesengenhariaseaplicaestecnolgicas,como,por
exemplo,dandosuporteconstruodemodeloscomputacionaiscapazesdesimulara
dinmicadeumamanchadeleosobreomar[GOBIRA2008].
Amigraodeavestemalgumaspeculiaridadesassazinteressantes,talcomoo
mesmodestinoeminmerasjornadasmigratriasfeitasporavesrecmnascidas,
dotadasdeumaorientaomuitoeficienteeathojenomuitocompreendida.As
tentativasemexplicarfenmenosdessanatureza,estogeralmentefundamentasnas
teoriasdeotimizaoenergtica,queinduzemque(emdeterminadasconfiguraes)as
avestentemsempreminimizarseusgastosenergticos.Amecnicalagrangeanapodeser
bemapropriadanessetemaemestudo,poiselaconsistedeumformalismoescalare
apropriadapararepresentaradinmicadecorposvinculados,comoocasodaaveem
migraocomumdestinofixo(objetivofinaldovo).Esseformalismo,que
compatvelcomclculovariacional,poderecorreraoprincpiodamnimaaoquando
fornecessrioescolherumatrajetriatimaparaadinmicadaaveemmigrao,oque
levaaobteratrajetriademenorcustoenergticoouumatrajetriamaiscurtanovode
umaavecomumobjetivofixo.
Amecnicalagrangeana,formuladaapartirdadefiniodaenergiatotaldo
Page24
24
sistema,edenaturezaescalar,podeserrepresentadapelalagrangeanaL=TV,ondeT
representaaenergiacinticaeVaenergiapotencial.Adinmicadomovimentodecorpos
sujeitosavnculos(porexemplo,umtremsobreumtrilho)nemsempretemsoluo
simplesquandoabordadapelamecnicanewtoniananesteformalismootempovisto
comoumavarivelcannica.Amecnicalagrangeanafundamentadanoprincpiode
d'ALAMBERTeestenraizadanoconceitodecoordenadasgeneralizadasintroduzidas
porLAGRANGE,etemavantagemadicionaldenoenvolverasforasdevnculo.O
trabalhorealizadopelaforadevnculoporocasiodeumdeslocamentovirtualda
partculaconsideradonulo,mesmoqueasuperfcieestejaemmovimento.Issodifere
dotrabalhorealizadoduranteumdeslocamentoreal,quenonecessariamentenulo
[LEMOS2010].
Osdeslocamentosvirtuaissotransiesinfinitesimaisdecadapartculaque
levamdeumaconfiguraopossvelaumaoutrainfinitesimalmenteprxima.As
caractersticasdefinidorasdosdeslocamentosvirtuaisso:
(i)
soinfinitesimais
(ii)
ocorremnuminstantetfixo
(iii)
noviolamosvnculos.
2.2.1Princpioded'ALAMBERT
Enquantoasforasdevnculoasseguramasrestriesgeomtricas,asforas
aplicadaspossibilitamosmovimentos.Oprincipioded'ALAMBERTummtodode
escreverasequaesdemovimentoexclusivamenteemtermosdasforasaplicadasonde
otrabalhovirtualdasforasdevnculonulo.Nocasodesistemasvinculados,o
princpioded'ALAMBERTconstituiumavanorelativoformulaonewtoniana
porqueexcluiqualquerrefernciasforasdevnculos[LEMOS2010].
Page25
25
2.2.2Princpiodostrabalhosvirtuais
Emumsistemaconstitudoporipartculasemequilbrioestticotemseque
Fi =0,ondeFi aforatotalsobreaisimaparticula,paraqualquerquesejao
deslocamentovirtualri, detalformaqueotrabalhovirtualdasforasdevnculosnulo
etemosentocondiesdeescreverasequaesdemovimentoapartirdasforas
aplicadas.Segundod'ALAMBERT,cadapartculaiemequilbrioestsobinflunciade
umaforaefetivamenteinvertidasemelhanteforadeinrciaexistentenoreferencial
queacompanhaomovimentodapartcula[LANCZOS1970,SOMMERFELD1952].
2.2.3Coordenadasgeneralizadas
Devidoaofatodeosri noseremindependentesentresi,oprincpiode
d`ALAMBERTrequertrabalharcommaiscoordenadasdoqueonecessrioparao
formalismonewtoniano.possvelintroduzirnvariveisindependentesq'sdenominadas
coordenadasgeneralizadas:
(a)ovetorposiodecadapartculadeterminadounivocamenteemcadainstantepelos
valoresdosq's
(b)osvnculos(supostostodosholnomos)soidenticamentesatisfeitosseexpressos
emtermosdosq's.
Oespaodeconfiguraooconjuntodevaloresatribudosscoordenadas
generalizadascomoeixoscoordenadosesuaestruturamatemticadevariedadede
diferenciveissugereotermovariedadesdeconfigurao(cadaconjuntodevalores
Page26
26
atribudosscoordenadasgeneralizadas)definindoumaconfiguraodosistemapara
cadainstante.
2.2.4Potencialdependentedasvelocidades
Tratasedeumpotencialrelacionadocomumaclassedeforasdiferenteemais
ampladoqueoconjuntodeforasconservativas.Afunodissipativaintroduzidapor
RAYLEIGHem1978consideraadissipaodeenergiadosistemaapartirdeforas
derivadasdepotenciaisvelocitivos.
Comoemnossotrabalhopretendemospredizerosajustesnomovimentodeuma
aveemmigrao,atravsdeumasimulaodeseuvo,fazsenecessrioobtera
equaodemovimentodaave.Amecnicanewtonianajfoiutilizadaparaessa
finalidade(resultandoemumaequaonadatrivial),porissooptamosporrecorrerao
formalismolagrangeanoparaobteraequaodemovimentodaave.Afimdedescrever
essaequaodemovimento,aindaquegenericamente(poisquenoesseoobjetivode
nossotrabalho)usandooformalismolagrangeano,iremosprimeirodeduzirasequaes
deLAGRANGEe,emseguida,encontraralagrangeanaquepropomosparaovode
umaavevinculadaaumobjetivofixo.
2.2.5Trabalhovirtual
PodemosdecomporaforatotalFi sobreaisimapartculadosistemasujeitas
forasaplicadasFi
eforasdevnculosfi,doseguintemodo:
(2.1)
Page27
27
Paraumsistemaemequilbrioesttico,noqualFi=0,aplicandosedeslocamentos
virtuaisri,temse:
(2.2)
Aoinseriraequao2.1naequao2.2,econsiderandoqueotrabalhodasforas
devnculosnulo,podemosescreverosistemavinculadoexclusivamenteemtermosdas
forasaplicadas,usandooprincipiodotrabalhovirtual:
(2.3)
eapartirdesteenunciadopodeseestenderoprincpioded'd'ALAMBERT,ondea
foraefetiva:
(2.4)
2.2.6EquaesdeLAGRANGE
Emsistemasholnomospossvelintroduzirumcertonmerondevariveis
independentesq1,,qn definidascomocoordenadasgeneralizadas.Destaforma,podemos
expressarosdeslocamentosvirtuaisri emtermosdosdeslocamentosvirtuais
independentesqk (equao2.5)considerandoqueotempopermanecefixo.
Page28
28
(2.5)
Assim,otrabalhovirtualdasforasaplicadastornase:
(2.6)
deondetemos,pordefinio,aksimacomponentedaforageneralizada:
(2.7)
Osq'snopossuemnecessariamentedimensodecomprimentoeosQ'snopossuem
necessariamentedimensodefora.Contudo,oprodutoQkqk semprepossuidimenso
detrabalho.
AoutraquantidadeenvolvidanoprincpiodedALAMBERT
(2.8)
AseguinteidentidadesertilparademonstraraforageneralizadaQk
Page29
29
(2.9)
Noultimotermode(2.9)podemosusaroresultado
(2.10)
epassamosatratarqsescomograndezasindependentes,demodoqueasderivadas
parciaisemrelaoaosqstratamosscomoconstanteseviceversa.
Alemdissodeduzimediatamenteque
(2.11)
Destaformapodemosescrever(2.9)
(2.12)
Onde
Page30
30
(2.13)
Porfim,podemosescreverexclusivamenteemtermosdosq'se
asequaesde
Lagrangeparaasncoordenadasgeneralizadas,emtermosdaenergiacinticaTedas
componentesQk (forageneralizada).
(2.14)
ondek=1,...,n.
2.3Sistemasbioinspirados
Sosistemasconstitudosdeteoriasfundamentadasemobservaesencontradas
nanatureza.Essasinspiraessurgemdesdeocomportamentodeindivduosde
complexidadecelularrudimentar(taiscomoamaioriadasbactrias)atclulas
altamentecomplexaseobscuras(taiscomoosneurnioshumanos).Muitasinovaes
tecnolgicastmobtidograndesucessonodesenvolvimentodesistemasbioinspirados,
talcomoalgunsexemplosdeotimizaodealgoritmosqueforamfundamentadosna
buscadealimentorealizadaporcolniasdeformigas,ouaindaaconglomeraoderobs
cujoscomportamentossoinspiradosnosdecardumesounosdebandosdeavesem
movimento.
Nessecontexto,temosacomputaobioinspiradaquesedesejaeficientena
resoluodeproblemascomplexos(comgrandenmerodevariveisoucomexploso
combinatriaemsuassolues),ouquandonopossvelgarantirqueasoluo
encontradatimaemborasejapossvelpropormtricasdecomparaoentreas
Page31
31
soluescandidatas,ouaindaquandoumanicasoluonosuficiente.
2.3.1Sistemabiologicamenterealista
Sistemasbiologicamenterealistasvmsendocadavezmaisutilizadosem
implementaesdetcnicasconsideradasinteligentes.Basicamente,ummodelo
computacionalbiologicamenterealistaconsisteemfundamentardeterminadosprogramas
atravsdoestudoeconhecimentossobreumaconfiguraobiolgica.Oparadigmada
simulaodesistemasbiolgicospodevariarentretotalmenterealistaeparcialmente
realista,etantoqueograuderealismopossaserdeterminadopeloaumentosignificativo
dasimilaridadecomorealConsideraseumsistematotalmenteirrealistaaquelequeno
apresentanenhumarelaocoerentecomadinmicaobservadaemumsistemabiolgico
real.consensoqueoconhecimentototalsobreaspropriedadesdeumecossistema
necessariamenteincompleto,oquerestringeaidiadeummodelocomputacional
fidedignoecompleto.Dessaforma,temsidoplausvel(ecompreensvel)seaceitarouso
demodeloscomputacionaisqueproporcionemrespostasparcialmenterealistaseque
sejamparcialmentefidedignosaosistemabiolgico.
2.3.2Intelignciadeenxame
AexpressoSwarmIntelligencefoiprimeiramenteutilizadaporBENI,
HACKWOODeWANGnocontextodesistemasdeclulasrobticas[HACKWOOD
andBENI1991,1992,BONABEAU1999,NICOUD2009].Muitosagentessimples
ocupamumambienteparagerarconhecimentoeseautoorganizarpormeiodeinteraes
comseusvizinhosmaisprximos.Admitesequeasbactriassoosseresinteligentes
maissimples,desdequeintelignciasejadefinidacomocapacidadedeseauto
organizar[GARNIER2007].Muitosanimaisselocomovemnanaturezaemgrupos
realmenteorganizados,taiscomoavesemmigraessazonais,insetoseformigasem
suasbuscasotimizadasporalimento,ouaindaasligeirasfugasrealizadaspor
Page32
32
cardumesdepeixessendoatacadosporpredadores.Osmovimentosdessesgruposde
animaissonormalmenteautoorganizadoseinteligentessecomparados,porexemplo,
comalocomoohumanaquandoemfugarequeridaporumasituaoemergencialde
pnico.Modeloscomtcnicasdescentralizadas,flexveisesistemasartificiaisrobustos
tmobtidoavanossignificativos,principalmenteaquelescomprincpiosfundamentados
nocomportamentocoletivodeinsetossociais.Uminsetosimumserbastantecomplexo
esuadecisogeralmenteinfluenciadoporumadiversidadedeestmulosnormalmente
obtidosatravsdeinformaesgeradasapartirdainteraocomoutrosinsetosda
mesmacolnia.Contudo,seobservarmosuminsetoindividualmente,issoaindanonos
tornacapazdeentendermosascomplexidadesdoquesuascolniassocapazesde
realizar,sendointricadoestabelecerumaassociaoentreocomportamentoindividualdo
insetoqueledorestodacolnia[BONABEAU1990].
Umagenteautnomonormalmentenosegueaordemdeumlderouaumplano
global[FLAKE1999].Porexemplo,paraumpssaroparticipardeumbandodevoele
snecessitadeajustarseumovimentoemcoordenaocomosvizinhosmaisprximos
pertencentesaobando,permanecendoprximodosoutrosindivduoseevitandoa
coliso.Noexisteumpssaroldernobando,oumelhor,seexisteumpssarolderele
podesersubstitudosistematicamenteporoutrointegrantedobando.Aabelharainhaem
umacolmiaumexemplobemconhecidodasubstituiodeumlderemseumeio
coletivo,poisquandoarainharetiradadacolmiaasabelhasoperriaselegemoutra
abelharainha.Essecomportamentocoletivopermitequeoagente(pssaro,abelha,etc.)
tenhadiversasvantagens,talcomo,economiadeenergiaemvosestratgicosrealizados
empossveisfugas[NOGUEIRA2007].
Propostosnadcadade90,algoritmostimos,inspiradosnocomportamentode
colniasdeformigas,tmproporcionadoumaenormecontribuioreademodelagem
computacional.Arobtica,emparticular,temobtidograndeproveitoatravsde
pesquisasembiorrobtica.Asimulaodocomportamentodeinsetossociaistem
mostradoqueainteraocoletivadestesagentespodeserreproduzidaatravsderegras
Page33
33
simplesaseremutilizadasnocomportamentoindividual.Porexemplo,umacolniade
insetossociais,semdvida,umsistemadescentralizadoderesoluodeproblemas,
compostapormuitasentidadesqueinteragemdemodorelativamentesimples.
Destaforma,sistemasdescentralizadostmvantagensemdistribuirtarefaentre
agentesque,individualmente,soregidosporregrassimples,inspirandomodelos
computacionaisdebaixocusto.Aoestudaratentamenteocomportamentoindividuale
combinandoobservaescomportamentaiscommodelagemmatemticaesimulao,
estamosemcondiesdecompreenderosmecanismossubjacentesaocomportamento
coletivoemsistemasbiolgicos[BEEKMAN2008].
Page34
34
3VOSDEAVESSAZONAISMIGRATRIAS:
CARACTERIZAOEPROPRIEDADES
3.1Vosmigratrios
3.1.2Histrico
Desdeadcadade40pesquisassobreamigraodeavesesuadependnciacom
fatoresclimticosvmsendopublicadasporpesquisadores.Emparticular,osholandeses
DEELDEReTINBERGEN[DEELDERandTINBERGEN1947]fizeramimportantes
observaesedemonstraramainflunciadadireoevelocidadedoventonaaltitude
dosvosdasavesmigratriasFringillacoelebseSturnusvulgaris.Algumasinformaes
recentessobreamudananaaltitudedeavesmigratriasnorticosoencontradas
tambmem[HEDENSTROM2002].Algunspesquisadorestmtambmabordado
diferentespeculiaridadesdestetemadeestudoediversosmodelosmatemticosforam
criadosemparalelo[PENNYCUICK1975,ALERSTAM1979,HEDENSTROM2002,
LIECHTI1995].
Em1966,EVANScriouummodelomatemticoqueanalisaadensidadede
migraodiurnadeaves.Foiobservadoqueavesdetodasasespciesdemigraodiurna
tmadireodevoinfluenciadapelaaltitudenaqualestovoando[EVANS1966].
Nesteestudoforamutilizadasmedidascoletadasvisualmente(combinculos)paraas
avesvoandoembaixaaltitudeemedidasregistradasporradaresparaavesvoandoem
altitudesmaiselevadas(enoperceptvelporbinculos).Foramrealizadascomparaes
Page35
35
emrelaoaocomportamentodaaveChaffinchquedemonstraramainflunciada
altitudedevonadireodemigrao.Nofimdadcadade60,PENNYCUICK
[PENNYCUICK1968]introduziuummodelointeressantesobreoconsumoenergtico
requeridopelasavesmigratrias,modeloesteutilizadoposterioripormuitos
pesquisadores[LIECHT1995,P.HENNINGSSON2009].Frustraesocorridascom
medidasprovenientesderadarsofreqentementerelatadasdesdeadcadade60,como
mostramostrabalhos[AXELL1963,WILCOCK1964,LIECHT1995eGREEN2002].
3.1.3Variveissignificativasparaamigrao
Aestratgiaadotadaporumaaveparacompensaroventolateralqueaatingeemsua
jornadamigratriapodeterdiferentescausas.Entreessascausasestoocustodo
transporte,adistnciarestanteparaoobjetivofixo,avisibilidademomentnea,oriscode
chegarmuitoatrasadanainvernadaprenunciada,aescassezdealimentosnasreas
abaixodesuatrajetria.Ademais,istopodetambmvariardeacordocomasespciesdas
avesecomasidadesdelas[ALERSTAM1979,LIECHTI1995].Destaforma,percebese
queexisteumacomplexidadenonegligencivelparadeterminarocomportamento
destasaves,umapropriedadequeaindanoesttotalmentebemcompreendida
[KARLSSON2010].Ascorrentesdeventosexistentesduranteovodaaveeavariao
davelocidadedessesventossofatoresdecisivosparaaestratgiadessaaveparaobter
umatrajetriaotimizada,poisrequeremumaanlisedasvantagensedesvantagensem
adotarumdeterminadoprocedimentodecompensaoderivadoventoquandoestafor
requerida.
muitonaturalesperarqueoventosejaumdosagentesseletivosmais
importantesnamigraodasaves.PENNYCUICK[PENNYCUICK2008]demonstrou
queasavesmigratriastendemaaumentarsuavelocidadedevoquandoumvento
contrrioaatingee,poroutrolado,reduzilaquandoventosafavoraempurram.Isto
Page36
36
minimizaogastoenergticoporunidadededistnciapercorrida.Estefenmenona
variaointensadecurtoprazonaatividademigratriaestclaramenteconfirmadopor
RAVELING[RAVELING1984],quedemonstraoquantooventotemimportncia
fundamentalnaexplicaodestefenmenonatrajetriadaavemigratria.ALERSTAM
[ALERSTAM1979]alertaquesoesperadosdiferentesgrausdeseletividadedosventos
paraasdiversasespciesdeavesexistentes.
3.1.4ACompensaodaderiva
Acompensaocompletadaderivadovento(quandoanguloentreo
rastreamentodaaveeovetordistnciainicialzero)idealquandoavariaona
velocidadedoventoinsignificante,casocontrriooidealumacompensaoparciale
flexvel[ALERSTAM1979].Sendoassim,umadaspossibilidadesestratgicasparaa
avemigratrianoescolherocaminhomaiscurto(compensaocompletadaderivado
vento)estnofatodeexistiremventosafavorqueemoutrascircunstnciasaumentama
velocidadedelaemrelaoaosolo.Destaforma,seafavorabilidadedosventosduranteo
restantedopercursoparaoobjetivonodiferirnosdiferentespontospossveisdeumvo
parcial,tornasebvioqueaavemigratriadevedirecionarseuvominimizandoa
distnciarestanteatoobjetivo.Aderivadoventototalouparcialpareceseropadro
maiscomumnamigraodeavespasseriformesnoturnas(KARLSSON,2010).
Umaequaodeajustetimonavelocidadeedireonovoduranteamigrao,
emrelaosdespesasdeenergiaeinflunciadovento,foipropostaedemonstradapor
LIECHTIem1995[LIECHTI1995].Elerevelaqueocomportamentocompensatrioda
avetemumgraudedependnciasignificativaemrelaodistnciaatoobjetivofinale
aindaqueongulodecompensaoaserimpostodiminuaquandoaaveseaproxima
desseobjetivo.
Page37
37
3.1.5Compensaodainflunciadoventolateralemfunoda
distnciaaoobjetivo
OmodelomatemticointroduzidoporALERSTAM[ALERSTAM1979]
consideradooprimeiromodelosobreavesmigratriasalevaremconsideraoambos,a
derivadoventolateraleadistnciarestanteaumobjetivofixo.Baseadonestetrabalho,
LIECTH[LIECTH2004]obtevesucessoaoexpandirosenunciadosdeALERSTAM,
masfocandosuapesquisanatentativadeencontraramelhorestratgiaqueminimizasse
ogastodeenergiaemfunodoventolateraledeumobjetivofixo.Foramencontrados
efeitossignificativosparatodasessasvariveis,pormosdadosutilizadosnestesestudos
noforamconsideradosabsolutamenteconfiveisporquenoevitamospseudodrift
(direesdivergentesdediferentescontingentesdeindivduosmigrandosobdiferentes
objetivos)paraavarivelcompensaodaderivadovento.
Outroscientistas,talcomoHEDENSTRM,tmexploradoasquestesinerentes
aocomportamentodeavesmigratrias,comoainflunciadavariaodomduloda
velocidadedoventonavelocidadedaavenoar,altitudedevoeavelocidadeverticalda
ave[HEDENSTRM2002].
3.1.6RastreamentodaAveApusapus
Oriscodepseudodriftminimizadonotrabalhode[KALSSON2010]pelo
simplesfatodequeasbatidasdasasasdaApusapussobemconhecidasedefcil
rastreamentopelosradares.Tambmsoevitadososerrosprovenientesdefatores
trigonomtricosefatoresestatsticospropostosporGREENeALERTAM[GREENand
ALERTAM2002].Osestudosmedindoaorientaonamigraonoturnadeandorinhes
noapresentaramdiferenanacompensaodaderivadoventoentreasestaesde
Page38
38
outonoeprimavera,ouseja,quandoasavesestorespectivamentepertoelongedo
objetivofixo.Foiutilizadoumradarpararastrearasavesebalesdehliopara
determinarascondiesdovento(direoevelocidade)naaltitudedovo[KARLSSON
andALERSTAM2010].
Acadadoissegundosforamcoletadosdados,medidasdealtitude,direo,
azimuteedistnciaemrelaoaoradarnoperododeumminutoderastreamentopara
umindivduo(Apusapus)pertencenteaobandoemsuamigraosazonal.Foram
utilizadosintervalosdedezsegundosparaoclculodadireomdia(trackdirection)de
voevelocidademdiadevoemrelaoterra,ouseja,acadaminutoforam
calculadasasresultantesdasseisparciaisdireesevelocidadesdevo,ondeacada
trintasegundoseraatualizadaadireoevelocidadedovento.Osdadosforam
devidamentetratados,permitindoassimencontraroaumentodavelocidadeequivalente
emfunodoventolateral.Adireodevodaavenoar(headingdirection)podeser
expressapelasubtraodasmedidastrackdirection,querepresentamodeslocamentoda
aveemrelaoterraeadireodovento.
3.2Simuladoresparaavesartificiais
3.2.1Histrico
Simuladorestmsidodeextremaimportnciaparaoestudosobreosvosdeaves
migratriasetmcontribuindonaeficinciaeseguranadotrfegoareo,assimcomo
tmtambmsidoutilizadosemtestesprviosparaimplantaesdesistemasrobticos.
Nombitodaintelignciacoletivaumadasprincipaiscontribuiesdaengenhariapara
osbilogosfoisemdvidasaconstruodesimuladores[NOGUEIRA2007].Umdos
primeirossimuladoresinteligentescapazesdereproduziromovimentocoletivodeaves
foiconstrudoporREYNOLDS[REYNOLDS1987]quedemonstrouquecomtrs
Page39
39
regrassimplespodesesimularocomportamentocomplexodovocoletivo
tridimensionallivredecoliso.
Muitastcnicasforamaplicadasnaambiodeexpandiroexcelentetrabalhode
REYNOLDS.Ateorianebulosatemsidoutilizadacombastantesucessoemalguns
trabalhoscorrelatos,talcomoosdeBAJEC[BAJEC2003,2005].BAJECconseguiu
formartimosclustersdemovimentos,demonstrando,dessaforma,aadequabilidadede
umateoriaambguaeimprecisaparacontrolaromovimentocoletivodeumbandode
avesartificiais.Entretanto,algunstrabalhosnoobtiveramomesmosucessousandoa
teorianebulosa,emborativessemconseguidoreproduzirvosdelinhanoformatoVlike,
utilizando,comoREYNOLDS,umconjuntodetrsregras[NATANeBARBOSA2007].
3.2.2Consumoenergticodeumaaveemmigrao
Desdeadcada80PENNYCUICK1978vemdesenvolvendoumsimuladorpara
ovodeavesmigratrias.Constituisenarealidadedeumsistemaqueincorporae
transcreveosconceitosdamecnicadevodeaeromodelosparaamecnicadevopara
aves,permitindoaousurioapliclasemumaavegenricainstanciada.Atualmenteesse
simuladorrespondeperguntassobrevelocidade,distncia,consumodeenergiaealgumas
questessobredesempenhos.basicamenteumconjuntoderegrasfsicasqueregemo
sistemaemgeral,nosentidodequeelespodemseraplicadosaqualquerave,realou
hipottica[PENNYCUICK2008].
3.2.3Aplicaoemradares
Simuladoresinteligentesvmsendoutilizadosemradaresdetrfegoareo,
notadamenteempasesquesesituamnarotadeavesmigratriasnoturnas.Issocontribui
Page40
40
paradetectaraspossveisrotasmigratriasexistenteseestrategicamenteviveisparaas
avesemmigraes,comoocasodoradarMpradarnaHolanda[BOUTEN2003].Esse
radarutilizaomodelodemigraopropostoporBRUNDERER[BRUNDERER2003]
quepredizadecolagemdeavesemfunodascondiesmeteorolgicasecusto
energticorequeridopelaave[ERNI,BRUDERERandLIECHTI2003].Outros
trabalhostmcontribudocomosavanosnadetecodeavesmigratrias[DOKTER
2010].
3.2.4Simuladoresparaumbandodeavesartificiais
Asimulaodomovimentototaldobandodeavesgeralmentecriadaporum
modelodistribudodecomportamentos,muitoparecidocomomovimentodebandosde
avesencontradosnanatureza,nosquaiscadaaveescolheoseuprpriocursodeacordo
comamudanadinmicadoambiente[REYNOLDS1987].Osindivduosseseparamdo
bandoparaevitarcolisocomobstculosfixos,masestesdesviossonecessriospara
manteranaturalidadedovo.
UmdospioneirosemsimularomovimentocoletivodeavesfoiREYNOLDS
[REYNOLDS1987]queutilizouumconjunto(simples)detrsregras:
1.EvitarColiso:evitarcolisescomoscompanheirosprximospertencentesao
bando
2.Correspondncianavelocidade:tentativadesincronizaravelocidadecomos
companheirosprximospertencentesaobando
3.Centralizaodobando:tentativadeficarpertodoscompanheirosprximos
pertencentesaobando.
Page41
41
SimulaodoVlike
OtrabalhodeNATANeBARBOSAsimulaumaconfiguraoespacial
tridimensionaldotipoVlike,quefacilmenteencontradonanaturezaemvospara
bandosdeave,principalmenteasdegrandeporte.FoimostradoqueaformaoemV
likeforneceumganhoenergticosignificativoequepodeserfacilmentecompreendidoa
partirdeumconjuntoderegrassimples[NATANeBARBOSA2007].
Figura3.1Vlike
Duaslinhasdistintasdepensamentosurgiramnaliteraturaparaexplicareste
formatoVlikedevo.Aprimeirademonstraqueaaerodinmicadevodasaves
proporcionaregiesprivilegiadaschamadasdeupwash,sendooprincipalmotivodo
formatoVlikeparaavesdegrandeporte.Asegundalinhapropequeafinalidadeest
fundamentalmentenoganhovisual.Nestesentido,oalinhamentoemVlike
proporcionariaumamelhorvisoparcialparacadaindivduo,oqueajudaaevitar
colisescomoscompanheirosdebando.Htambmdeseconsiderarque,almdesses,
existembenefciosaerodinmicosemboranotorelevantesparaavesdepequenoporte.
NATANeBARBOSAexploramaexistnciaderegrasdeposicionamentoquepossibilita
Page42
42
bandosdeavesartificiaisconvergiremaoformatoVlikeepelofatodequeessasregras
devemestaremconcordnciacomashiptesessobreosbenefciosaerodinmicos
referentesaoupwasheavisibilidade.Emadio,deveserconsideradaacaracterstica
inatadaaveemvoarembandoeavisibilidadelateralcomoumadasnecessidadesparaa
orientaonoposicionamentonobandodevo.
Assimsendo,soextradastrsregrasbsicas:
1.Buscaraproximidadedeoutraave
2.SeaRegra1nomaisutilizadaentoencontraraposiomais
prximadaoutraavemasqueofereavisibilidadelongitudinal
3.AplicaraRegra2enquantonosetemvisibilidadeouoesforopara
acompanharogrupodiminuidevidoaoaumentodoupwash.
Estastrsregrassimplesrepresentamquaissoosprincpioscadaindivduodo
bandodeveseguir.Asregras1e2distinguemdoismodosdecomportamento,asregras2
e3implicamemqueaentradasensorialquedirecionaaavenosvisualmastambm
afacilidadecomqueaaveconsegueacompanharogrupodeveserconsiderada.Todasas
trsregrasfazemrefernciaaumaregiodoespao(aquiassumesequeaavetemum
campodeviso<180).Asregras1e3referemseaumaregiofechadaaoredorde
cadaave,sendoqueaouproximidadealcanadaououpwashencontrado.
Afigura3.2mostraaregioupwashondeocirculopreenchidorepresentaocorpo
daaveeasretasrepresentamsuasrespectivasasas,destaformaaaveisebeneficiacom
oupwashU
Page43
43
+
j
Figura3.2Regiesupwash(UjeU+j)edownwash(Dj).
[NATANeBARBOSA,2007].
Seaaveiobedeceregra1aoaproximarsedaavejentoaavejestcontida
emU
,Dje U
+
j
.Parasatisfazerregra3aavedeveconcomitantementeterqualquer
partedaasaoucorpoemU
ouU
+
j
enoestarpresentenaregioDj. Nestecasoo
posicionamentoidealocorrequandoaseparaolateral=(/41)/2
aproximadamente0.1073,onderepresentaaenvergaduradaasa(Wingspan).A
constanterepresentaasobreposiodadistnciaentreasduasasasepodesercalculada
apartirdaconsideraodequeasduasasasdeumaavecorrespondemaodimetrode
umacircunfernciaderaiounitrio.
Page44
44
4PREDIODEAJUSTEEMVOSPARA
AVESMIGRATRIASSAZONAISNOTURNAS
4.1ForadeNEWTON
4.1.1Consumodeenergiarequeridapelaave
Todososanimaisquevoampodemgerardownwashesuportaroseupesoemvo
nivelado,mantendooequilbriocomaforagravitacionalemvosdesacelerados,desde
queataxadeimpulsoascendentesejaigualaopesodaave.Ogastodeenergiadeuma
avemigratriafoiestudadopelobilogoPENNYCUICK[PENNYCUICK2008]que
fundamentasuasdeduesapartirdadinmicadevodeaeromodelos.Nosestudos
sobreartefatosvoadoresgeralmenteogastodeenergiaparasustentaroartefatonoar
(compensaraforadagravidade)esuperaroarrasto(foraparavenceroatritodofluido
emqueoartefatoestimerso)muitobemdescrito.PENNYCUICKestendeuosestudos
aplicadosaosaeromodelosparaovoanimaldetalmaneiraqueasconstantes
encontradasnaequaodeconsumoenergticopodemsersubstitudaspelamorfologia
daave:apotncianecessriaparaovohorizontaldeumaaveumaestimativadataxa,
naqualosmsculosdaavetmquefazertrabalhomecnico.Essapotnciadependede
umpequenoconjuntodeatributos,como,porexemplo,amassadaave,aextensodaasa
eoaspectoaerodinmicodocorpo.
Page45
45
Figura4.1Potnciarequeridanovodaave
Apusapus
OmnimodacurvadepotnciadP(Vmp)/dv,significaqueaaveestconsumindoa
mnimaenergianecessriaparamanteronvel(altitude)devoevelocidadeconstante,
ondeVmp representaavelocidadedaavequeconsomeomnimodeenergia,sendoque
umavelocidadeinferioraVmp inerentementeinstvel,enquantoqueavelocidadeque
exigeamesmaquantidadedeenergiaacimadeVmp estvel.Issoocorreporqueumaave
queestexercendoexatamenteestaquantidadedeenergiaparamanterumavelocidade
constantequeestabaixoVmpnecessitardeumpoucomenosdeenergiadoqueantes
casoumarajadadevento,oualgumoutrodistrbio,faacomqueelatenhaqueacelerar
ligeiramente[PENNYCUICK1975,1978].Anoserqueaaverespondamuito
rapidamentereduzindosuapotnciadesada,elaestargastandomaisenergiadoque
necessrioparamanteranovavelocidadeeissofarcomqueelaacelereaindamais,at
queelaatinjaavelocidadeporpartecrescentedacurvadepotncia(acimadeVmp)na
qualapotnciarequeridamaisumavezamesmapotenciaqueelaexerce
[PENNYCUICK2008],comomostraaequao4.1,ondea,becestoassociados
morfologiadaave.
(4.1)
Page46
46
Ogastodeenergiapelaavepodeserdecompostoemtrsparcelasdistintas,aprimeira
parcelarepresentaaenergiagastaparasuportaropesoenomeadapelaconstantea,a
segundaapartegastaparavenceroarrastosofridopelacorpodaaveerepresentadapor
b/Va e,porultimocVa
queapartegastaparavenceroarrastodaasa.
4.1.2Compensaodaderivadoventocomobjetivofixoedistncia
restante
ComodemonstradoporALERSTAM[ALERSTAM1979],ocomportamento
compensatriodeumaavetemumadependnciasignificativacomadistnciaato
objetivofixo,comongulodecompensaodiminuindomedidaqueaaveseaproxima
desseobjetivo.Ovodeumaavesobainflunciadovento(etendoumobjetivofixo)
representadopelafigura4.2.Asavesmigratriasdevempermitirumagrandederiva
(drift)quandoestolongedoobjetivoediminuirgradualmenteessaderivacompensando
comadireodevonoar(ngulo)quandoseaproximamdesseobjetivo,atqueessa
compensaoestejacompleta.Sobainflunciadeventosconstantesumaavemigratria
devecompensarcompletamenteodeslocamentocausadopelosventos,sendoqueuma
dasvantagensdacompensaocompletadeumventolateraladiminuiodotempoe
docustoenergticoassociadostrajetria.Sobainflunciadecondiesatmosfricas
maistranqilas(ventoscalmos)umaboaestratgiaminimizaradistnciarestante.
Afigura4.2mostraasituaodeumvoparcial,oqualestlimitado
circunfernciaquerepresentaamaiordistnciapossveldeseatingiremumestagiode
vo.
Page47
47
Figura4.2Modelodavelocidadevetorialdaavecomovetorvento
[ALERSTAM1979].
4.1.3Estratgiaparaminimizarogastodeenergiaemfunodovento
lateraledeumobjetivofixo
AcontribuiobasilardapesquisadeLIECHTI[LIECHTI1995],quepropee
demonstrapelaprimeiravezoajustesimultneodaposioevelocidadedevodo
pssaroSylviaborins,foiaunificaodosresultadosde[ALERSTAM1979,
PENNYCUICK1982]atravsdeumaluminosamanipulaomatemtica.Umresultado
significativodessetrabalhoestfundamentadonaidiadequesupondoqueumaave
desejeminimizaradistnciarestanteatoobjetivofixoemumdeterminadoestgiode
vo(comventosconstantes)avelocidadetambmtemqueserajustadaparacompensaro
deslocamentooriginadopelovento.
Page48
48
Figura4.3Modelogeomtricorepresentandoainflunciado
vento[LIECTHI,1995].
Nafigura4.3oventotemavelocidadeVwnajornadamigratriadeumaavecom
velocidadeVaedistanteDunidadesdeseuobjetivoG.AdistnciarestanteX,apsuma
etapadevoeVgavelocidadedaaveemrelaoaosolo
Adistnciapercorridaduranteesteestgiodevooprodutodotempodevot
pelavelocidadeemrelaoaosolo(Vg).OgastoenergticodEdaaveemfunodet
mostradonaequao4.2,ondePapotnciadaave
(4.2)
Substituindoseaequao4.1naequao4.2podemosexpressaraenergiaEem
funodavelocidadedaavenoarVa, mostradanaequao4.3.
(4.3)
Page49
49
AdistnciarestanteX,apsumestgiodevo,calculadapelaequao4.4,obtidaa
partirdaleidoscossenosaplicadaaotringulodafigura4.3
(4.4)
ondedX/dVa =0nopontoVa,oqueminimizaadistnciarestante.
Essaequaotambmpodeserexpressaemfunodaenergiaedavelocidadedaave
X(E,Va),quandoinseridaaequao4.2nolugardedtnaequao4.4.Aequao
diferencialtotaldX/dVa podeentoserrepresentadacomo:
(4.5)
ondepodemosdividirtudopordVa
(4.6)
Considerandoquequeremosminimizarogastoenergticoemfunodavelocidade
temosquedE/dVa =0,resultandoem:
(4.7)
quepodeserreescritadaseguinteforma:
Page50
50
(4.8)
oquedecorre:
(4.9)
seisolarmosdVanaequao4.8e4.9obtemos:
(4.10)
quepodeserpostonaforma:
(4.11)
ondedX'representadteXadistnciarestante:
(4.12)
Destaforma,podemosfinalmenteescreveraequao4.13,oajustetimoda
direoevelocidadenovodaave,minimizandoogastoenergticoemfunoda
distnciarestantecomaequaodiferencial.
(4.13)
Page51
51
4.2PropostadeumaLagrangeanaparaumvocomvento
lateraleobjetivofixo
PodemosescreverovnculoestabelecidoporLIECHTI[LIECHTI1995],e
esboadopelafigura4.4,emtermosdascoordenadasgeneralizadasd'eX(equao4.14)
querepresentamrespectivamenteanovadistnciadevidoinflunciadoventoea
distnciarestanteapsumaetapadevo.
Figura4.4Coordenadasgeneralizadasd'eXvinculadasao
objetivofixoeforadoventolateral.
(4.14)
AenergiacinticaTemrelaoaoeixomigratrioDpodeserdescritaemtermos
dascoordenadascartesianas:
(4.15)
desdeque:
Page52
52
(4.16)
(4.17)
ondeVa omodulodavelocidadedaavenoareVw omodulodavelocidadedovento.
PodemosrecorreraopotencialdissipativodefinidoRAYLEIGHexpressoem
termosdavelocidadedaavenoarVa,comomostramosnafigura4.5.
(4.18)
Figura4.5Potencialdependentedavelocidade
quadrtica,k=0.5.
(4.19)
(4.20)
Page53
53
Ostermosquadrticosdaenergiacinticaresultamem:
(4.21)
porfimpodemosproporalagrangeanaL=TV:
(4.22)
comomostrafigura4.4,Vadt+X=d'.Assimpodemosreescreveralagrangeanaem
termosdavelocidadedaaveVa:
(4.23)
Oajustenavelocidadedaavenoarpodeserobtidodeformasimilarcomomostra
aequao4.24.
(4.24)
4.3Simuladoreadequaonebulosa
Ummodelonebulosogeralmentecompostodetrsetapas:nebulizao,
infernciaderegrasedesnebulizao.Omodeloaquipropostonebulizaadireo
Page54
54
coplanardovento(entrada)entreosconjuntosnebulososheadwind,crosswindetailwind.
Asregrasinferidasnestemodeloestofundamentadasnaliteraturaconcernente,
notadamentenadebiologiae,particularmente,naconcernidapelotemaCompensaoda
DerivadoVentoporAvesemMigrao.Naterceiraetapafoiutilizadoomtodo
centrideparadesnebulizarasadadomodelo.Omodelonebulosoaquipropostoe
utilizadopornossosimuladorestrepresentadopelafigura4.6,cujaentradaadireo
coplanardoventoaplicadaaocorpodaaveemmigraoeadesnebulizaopossuiduas
sadas:velocidadeengulo.Astrsregrasnebulosassoinferidaseprocessadasemum
arquivochamadoBadas.fis.
Figura4.6Nebulizaodaentrada.(esquemadomodelonebuloso).
4.3.1Nebulizao
Osconjuntosnebulosospodemrecebervriosformatosquedevemser
estabelecidosporespecialistase/ouinseridosviaferramentasartificiais.Redesneurais
artificiaisso,porexemplo,umaferramentaartificialbemapropriadaparaisso.Nosso
modeloutilizaosconjuntosapresentadosabaixoparanebulizaraentrada.
Figura4.7Conjuntosnebulososparaadireocoplanardoventoem
relaoaocorpodaave.
Page55
55
4.3.2Infernciaderegras
Asegundaetapaconsisteeminferirregras.Foramutilizadasobservaes
lingusticascomrespeitosdependnciasdosconjuntosentresi,comoporexemplo,a
compensaocompletadecrosswind,oaumentodavelocidadedianteheadwindea
diminuiodavelocidadecomtailwind[ALERSTAM1979,LIECHTI1995],
[PENNYCUICK2008].Estasobservaesforamrepresentadaspelastrsregras
nebulosasmostradasabaixo,cujosprocessamentossorealizadosatravsdecomposies
nebulosassimilaressexplicitadasporZADEH[ZADEH1965]
I.sewide_sidetalwindentovelocidadepoucaebetapouco
II.sewide_sideheadwindentovelocidademediaebetapouco
III.sewide_sidecrosswindentovelocidademuitaebetamuito
4.3.3Desnebulizao
Naterceiraetapafoiutilizadoomtodocentrideparadesnebulizarasadado
modeloconformemostraafigura4.8.
a)
b)
Figura4.8Conjuntosnebulososparaassadas:(a)velocidadedaave(b)
ngulodecompensaodaderiva.
Page56
56
Oesquemamostradonafigura4.9utilizaasadadesnebulizadapararealizaro
ajustedadireodaavenoar,sendoqueoeixomigratriorepresentaadireodaavena
ausnciadeventos.
Figura4.9Modelodecompensaodaderivado
ventoaolongodeumeixomigratrio.
Nafigura4.9adireodaavenoarcoincidecomoeixomigratrioemventos
calmos,'representaadireodoajustefornecidopelomodelonebulosoemrelaoao
eixomigratrioerepresentaonovongulodedireodaaveemrelaoa
compensaodeventosOESTE,onde0<=(',)<=15.
Page57
57
5SIMULAESEEXPERIMENTAES
Parareproduzirosmodelosdescritosnocaptuloanteriorutilizamosoambiente
Freelab2
devidoasuaconhecidaeficinciaemrealizarsimulaesdemodelos
computacionaisetambmporqueelecontmtimostoolboxs,inclusiveparatrabalhar
comasistemasnebulosos.Fizemosasrespectivasimplementaesdetodosostrs
modelosdescritosnocaptulo4.Paraasoperaescontidasnasequaeslanamosmo
dosrecursosmatemticos/computacionaiscontidosnostoobloxsdoFreelab.Emseguida
implementamosoexperimentodeKARLSSON[KARLSSON2010]afimdereproduzir
osambientesartificiaisnecessriosparaestesmodelos.
Afimdedemonstraracorrelaoentreosdiversosdadosutilizadosnas
simulaesfizemosumacorrelaocircular[BATSCHELET1981]eutilizamosopacote
estatsticoSPSS3
parapodermosdemonstrarasignificnciaestatsticadaamostra
empricaquefoiutilizadanavalidaodestesmodelos.Porfimrealizamosuma
regressolinearentreasmedidassimuladaseasmedidasobservadas.
51Comparaoentreosmodelos
Nacomparaodostrsmodelosdescritosnaseco4,foramanalisadasas
mesmasdependnciasentresasvariveisanalisadasem[LIECHTI1995].Escolhemos
comovariveisdependentesavelocidadedaavenoarVan+1 eadireodaavenoar,e
comovarivelindependenteadireocoplanardovento(equao4.13efigura4.3)de
2(http://freemat.sourceforge.net/)
3(http://www01.ibm.com/software/analytics/spss/products/statistics/)
Page58
58
talformaqueessadireovariasseentre0(ventosafavor)e180(ventoscontra).Foi
atribudaamesmaorigemefoiatribudoomesmoobjetivofixoparatodososmodelos
simulados.Afigura5.4mostraacomparaoentreessestrsmodelos.
Umaanliseparticularfoirealizadaparaosmodelosdasseces4.1e4.2paraas
implementaesdasequaes4.4e4.23foramfornecidastrsentradasdiferentesparaa
constanteVw domdulodavelocidadedovento(Vw1 =25m/s,Vw2 =15m/seVw3 =10
m/s)etambmumvalorparaconstantevelocidadeinstantneadaavenoar(Van =25
m/s).Asdiferentescurvasobtidassoesboadasnasfiguras5.1e5.2detalformaqueo
valordomdulodavelocidadeinstantneadaavesejamantidoconstanteparaostrs
diferentesvaloresdomodulodavelocidadedovento.importantesublinharqueaquio
simuladornebulosonoconsideraamorfologiadaave(comoacontececomosimulador
dePENNYCUICK).Oajusterealizadototalmentedependentedastrsregrasinferidas
nomodelo.
5.1.1AEquaodeLIECHTI
ParareproduziraequaodiferencialpropostaporLIECHTIfoinecessrio
atribuirascaractersticasmorfolgicasdaaveemmigraocombasenascaractersticas
expostaspelotrabalhodePENNYCUICK[PENNYCUICK2008]afimdecalcularas
constantesa,bec.
5.1.2AEquaodeLAGRANGE
Naimplementaodalagrangeana,foiatribudonaequao4.23ovalorde6g
paraamassadeumaaveApusapus.AequaodeLIECHTIfoientoutilizadapara
parametrizaraconstantekencontradanotermoreferenteaopotencialgeneralizado
(potencialdissipativodeRAYLEIGH).
Page59
59
5.1.3OModelonebuloso
Naimplementaodomodelonebuloso(descritonaseco4.3),representadona
figura4.6,foiutilizadacomoentradaadireocoplanardoventocomocorpodaave,
ecomosadas,oajustededireodaavenoar',representadonafigura4.9,eumvalor
paranovavelocidadedaavenoarVan+1.
5.2Simulaesdacompensaodaderiva
Aidiageralfoiadereproduzirnumambienteartificialascondiesencontradas
porumbandode150avesdaespcieApusapusnumajornadamigratriarealocorrida
duranteaestaodeoutonodoano2007,queestodescritasnostrabalhosde
KARLSSON[KARLSSON2010]edeHENNIGSSON[HENNIGSSON2009].Desta
forma,foramsimuladossistematicamente,paracadaumadas150avesartificiais
pertencentesaobando,60segundosdevosobainflunciadeumaforalateralaplicada
peloventovirtualcomdireoemduloconstante.Utilizamosumarecursonum
arquivodeextenso.mparareproduzircada60segundosdevoeprocessarosmodelos
descritonocaptulo4.
Nasimplementaesdasequaes4.4e4.23atribumosvaloresparaas
constantesmdulodavelocidadeinstantneadaavenoar(Van =9.2m/s)emduloda
velocidadedovento(Vw =7.6m/s).EssesvaloresdeVan eVw advmdeclculossobre
umamdiacomputadaparaosvaloresempricosreaisencontradoparaas150avesdo
bandorealdeApusapuspublicadosnostrabalhosdeHENNIGSSON[HENNINGSSON
2009].Apscada60segundosdesimulaofoimedidootrackdirectionT(vetor
rastreamentoemrelaoaosolovirtual)e,emseguida,foicalculadooheadingdirection
Page60
60
H(vetordireodevonoarvirtual)quenadamaisdoqueoresultadodasubtraodo
vetortrackdirectionedovetorwinddirectionW(vetordeslocamentodevidoaovento
virtual).Nacomparaodostrsmodelossimuladosparaobandode150avesApusapus
foramrealizadasregresseslinearesparacadamodelo(figura5.5.etabela5.10).
5.2.1Parmetrodecompensao
Osproblemasestatsticosencontradosparaestimarainflunciadoventolateral
emvosmigratriosestobemdiscutidosnotrabalhodeGREEN(GREEN,2002)que
estimamaisqualitativamentedoquequantitativamenteaderivadoventoapartirda
divisodosventosemduasclassesdistintas:ventosLESTEeventosOESTE.
(5.1)
onde
(5.2)
ondei=1representasomenteasmedidasdeTobtidasapartirdosventosvindosda
esquerda(ventosOESTE).OsrespectivosvaloresdeH(H=TW)tambmso
referentesaventosvindosdaesquerdaei=2representaasmedidasTeclculodeHa
partirdeventosvindosdadireita(ventosLESTE).
Page61
61
5.3Amostrasempricasparacompensaodaderivadovento
lateral
Osimuladoraquipropostoutilizaasmedidasdaestaodeoutono,publicadasem
(KARLSSON,2010),dadoqueesteconjuntodedadosapresentaumavariaoglobalda
direodovento,mostrandoseestatisticamenteconfianteparaanalisarqualitativamente
acompensaodaderiva,conformeexplicitadoporGREEN[GREEN2002].Issono
acontececomasmedidasobtidasnaestaodaprimavera,poisestasnopossuemuma
variaoglobaldadireodoventooqueacarretanumainsignificnciaestatsticaparaa
anlisedacompensaodaderiva.Estassignificnciasestatsticasqueusamosnessa
dissertaoestobemfundamentadasevalidadasnotrabalhodeKARLSSON
[KARLSSON2010].
5.3.1Correlaocircular
Comoestadissertaopropeummodeloparaaprevisodadireodaaveem
funodadireodovento,realizamosumacorrelaoentreasmedidasapresentadasnas
tabelas5.1,5.2e5.3.Devidonaturezacirculardasmedidasnsrecorremosestatstica
apropriadadeBATSCHELET[BATSCHELET1981],naqualamdiacircularpara
umconjuntodenmedidasn dependentedamdia(representadanasequaes,5.4e
5.5).AsquantidadesreRindicamaexistnciadedispersonaamostra.
(5.3)
(5.4)
(5.5)
Page62
62
(5.6)
(5.7)
Assim,acorrelaocircularpodeserrepresentadapelasrelaes5.8e5.9:
(5.8)
(5.9)
5.3.2Correlaolinearepreviso
Comoaamostraestconcentradaemtornodamdiaetemosumavariaoglobal
dadireodoventopodemosentorealizarostestesdaestatsticalinearcomotestede
RAYLEIGHeoTStudent[FISHER1987].Assimsendo,foiutilizadoopacoteestatstico
SPSSnaanlisedacorrelaodosdadosaquitratados.Emseguida,criamosummodelo
deregressobivarivelparapreveradireodevodaavenoarHemfunoda
direolateraldoventoWeadireoderastreamentoemrelaoaosoloT.
Primeiramentefoiutilizadaaamostratotalnestaanliseestatstica,depoisaamostrafoi
separadaemclassesdistintasdeventos(OESTEeLESTE).
Page63
63
5.4Resultados
Conformemostramasfigurasabaixoforamescolhidosongulodecompensao
eavelocidadedaavenoarVacomovariveisdependentesdadireodovento.
Primeiramente,mostramosoresultadocomparativodassimulaesdostrsmodelos
descritosnocaptulo4.Emseguida,esboamosacorrelaoentreosdadosutilizadospor
estadissertao,sendoquefoicorrelacionadaprimeiramenteaamostratotale
posteriormentefoifeitaacorrelaoparaasduasclassesdistintasdeventos.Foiem
seguidaelaboradoummodelodeprevisoparaadireodaaveemfunodovento.Por
fim,eparavalidarosnossosexperimentossimulados,fizemosumaanlisederegresso
linearentreasmedidasobtidaseasmedidasempricasconhecidas,conformemostraa
figura5.5.
5.4.1ImplementaodaequaodeLIECHTI
ParainserirosvaloresreferentesmorfologiadaaveApusapus(ouseja,para
atribuirasconstantesdaequao4.1)utilizamosasdeduescontidasnotrabalhode
PENNYCUICK[PENNYCUICK2008],atribuindoassimosrespectivosvaloresparaas
constantesa=1.9,b=0.012ec=0.015.Comodescritoem5.1,devidonecessidadede
umacomparaocomosvaloresempricos,omdulodavelocidadedaavenoarfoi
mantidoinvariante(Van =25m/s)eaparaomdulodavelocidadedoventoVw foram
atribudostrsvaloresdiferentes,Vw1 =25m/s,Vw2 =15m/s,Vw3 =10m/s.
Page64
64
a)Velocidadedaave
b)ngulodeCompensao
Figura5.1Dependnciadavelocidade(a)edireo(b)
emfunodadireocoplanardovento.
Nafigura5.1cadalinharepresentaumaintensidadediferenteparaomduloda
velocidadedovento:linhavermelhaVw=25m/s,linhapretaVw=15m/s,linhalils
Vw=5m/s.Avelocidadedaavemantidaconstante(Va=25m/s)paraastrslinhas.
Page65
65
5.4.2ImplementaodaequaodeLAGRANGE
Paraaconstantekencontradanopotencialdissipativo(equao4.18)atribumoso
valork=0.5apsrealizarmosumaparametrizaocomaequao4.1.Deformasimilar
aoexpostoem5.4.1avelocidadeinicialdaavefoimantidainvariante(Va=25m/s).Para
a)Velocidadedaave
b)ngulodeCompensao
Figura5.2Dependnciadavelocidadeedireo
emfunodadireocoplanardovento.
Page66
66
Nafigura5.2cadalinharepresentaumaintensidadedavelocidadedovento:linha
vermelhaVw=25m/s,linhapretaVw=15m/selinhalilsVw=5m/s.Avelocidadeda
avemantidaconstante(Va=25m/s)paraastrslinhas.
5.4.3ImplementaodomodeloNebuloso
Nasimulaocomomodelonebulosoforamatribudosaouniversodosconjuntos
nebulososvalorescompatveiscomosvistosnaliteraturaconcernente.Como
explicitamosem5.1,omodelonebulosonoconsidera,nestecaso,omduloda
velocidadedoventoVw edavelocidadeinstantneadaavenoarVan.
a)Velocidadedaave
b)ngulodeCompensao
Figura5.3Dependnciadavelocidadeedireoem
funodadireocoplanardovento
Page67
67
5.4.4Comparaoentreosmodelos
Paracomparardeformahomogneaostrsmodelosdescritosnocaptulo4ns
atribumos,nasequaes4.4e4.23,asmesmasvelocidadesparaaomduloda
velocidadedoventoVw=25m/s,eparaomdulodavelocidadeinstantneadaaveVan
=25m/s.
a)Velocidadedaave
b)ngulodeCompensao
Figura5.4Simulaesparaadireo(ngulodecompensao(a)e
velocidade(b))daaveemfunodadireodovento.
Page68
68
Nafigura5.4osvalorescorrespondemssimulaesdostrsmodelos:alinhavermelha
representaomodelodeLIECHTIalinhapretarepresentaomodelodeLagrangealinha
azulrepresentaonossomodelonebuloso.
5.4.5Testesestatsticos
MostramosaquiosresultadosdainserodasmedidasempricasnoSPSS,que
demonstramacorrelaodasmedidasutilizadasnestadissertao.Foirealizadaa
correlaodetrsmaneirasdistintas,contudosemprefoiutilizadaaamostracoletadana
estaodeoutono.Primeiroutilizamosaamostracontendotodososventos(N=150)e
emseguidaforamutilizadososventosdeparadosnasduasclassesdistintas(ventos
LESTEeventosOESTE,conformedescritoem5.3).
Tabela5.1CorrelaoentreasmdiasWindeTrackeosclculos
Heading,paraamostracontendotodososventosdeoutono.
Deacordocomosresultadosapresentadosnatabela5.1podeseverificarqueexisteuma
correlaopositivaentreadireodovento(Wind)eadireodovodaavenoar
(Heading).EssasvariveisapresentamumcoeficientedecorrelaodePearsonpositivo
Page69
69
eiguala0.247(r=0.247).Istopodetambmserverificadoparaadireodovodaave
noareadireoderastreamento(Track)queapresentaramumcoeficientedecorrelao
dePearsoniguala0.328(r=0.328).Osresultadosapresentadosnamesmatabela
tambmsugeremqueexisteumacorrelaopositivaentreadireodoventoeadireo
derastreamentocomocoeficientedecorrelaodePearsoniguala0.302(r=0.302).
Tabela5.2CorrelaoentreasmdiasWindeTrackeosclculosde
Headingparaasamostrascontendoosventospertencentesclasse
OESTEdeoutono.
Deacordocomosresultadosapresentadosnatabela5.2podeseverificarque
existecorrelaonegativaentreadireodoventoeadireodovodaavenoar.Essas
variveisapresentamumcoeficientedecorrelaodePearsonpositivoeiguala0.457(r
=0.457).Istopodeserverificadotambmcomadireodovodaavenoareadireo
derastreamento,queapresentaramumcoeficientedecorrelaodePearsoniguala0.01
(r=0.01).Osresultadosapresentadosnamesmatabela,tambmsugeremqueexiste
umacorrelaonegativaentreadireodoventoeadireoderastreamentocomo
coeficientedecorrelaodePearsoniguala0.291(r=0.291).
Page70
70
Tabela5.3CorrelaoentreasmdiasWindeTrackeosclculosHeading
paraamostrascontendoosventospertencentesclasseLESTEdeoutono.
Deacordocomosresultadosapresentadosnatabela5.3podeseverificarqueexiste
correlaonegativaentreadireodoventoeadireodovodaavenoar.Essas
variveisapresentamumcoeficientedecorrelaodePearsonpositivoeiguala0.216(r
=0.216).Istotambmpodeserverificadocomadireodovodaavenoareadireo
derastreamentoqueapresentaramumcoeficientedecorrelaodePearsoniguala0.072
(r=0.072).Osresultadosapresentadosnamesmatabela,tambmsugeremqueexiste
umacorrelaonegativaentreadireodoventoeadireoderastreamentocomo
coeficientedecorrelaodePearsoniguala0,167(r=0.167).
Page71
71
5.4.6Modelosdeprevisoestatstica
5.4.6.1VariveldependenteTevarivelindependenteWT(W)
Comoorastreamentoumamedidaqueestdiretamenterelacionadadireo
doventoelaboramosummodelodeprevisoparaestavarivelemparticular,como
mostramastabelas5.4,5.5e5.6
Tabela5.4RegressolinearentreasmdiasWindeTrackparaamostracontendo
todososventosdeoutono.
Atabela5.4oresultadodeummodelodeprevisoestatsticaondeadireode
rastreamentodaavepodeserprevistaemfunodadireodoventolateral(deacordo
comoscoeficientesobtidosapartirdeumaregressolinear).
Tabela5.5RegressoLinearentreasmdiasWindeTrackparaamostrapertencente
classedosventosOESTEparaooutono.
Page72
72
Atabela5.5oresultadodeummodelodeprevisoestatsticaondeadireode
rastreamentodaaveparaventosOESTEpodeserprevistaemfunodadireodovento
lateral(deacordocomoscoeficientesobtidosapartirdeumaregressolinear).
Tabela5.6RegressolinearentreasmdiasWindeTrackparaamostrapertencente
classedosventosLESTEparaooutono.
Atabela5.6oresultadodeummodelodeprevisoestatsticaondeadireode
rastreamentodaaveparaventosLESTEpodeserprevistaemfunodadireodovento
lateral(deacordocomoscoeficientesobtidosapartirdeumaregressolinear).
5.4.6.2VariveldependenteHeevariveisindependentesWeTH(W,T)
Comoorastreamentoumamedidaqueestdiretamenterelacionadacomadireodo
ventonselaboramosummodelodeprevisoparaestavarivelemparticular.Como
mostradonastabelas5.7,5.8e5.9
Page73
73
Tabela5.7RegressolinearentreasmdiasWind,TrackeHeadingparaamostracontendo
todososventosdeoutono.
Atabela5.7oresultadodeummodelodeprevisoestatsticaondeadireodevoda
avenoarpodeserprevistaemfunodadireodoventolateraleadireode
rastreamento(deacordocomoscoeficientesobtidosapartirdeumaregressolinear).
Tabela5.8RegressolinearentreasmdiasWind,TrackeHeadingparaamostrapertencente
classedosventosOESTEparaooutono.
Atabela5.8oresultadodeummodelodeprevisoestatsticaondeadireodevoda
avenoarparaventosOESTEpodeserprevistaemfunodadireodoventolaterale
direoderastreamento(deacordocomoscoeficientesobtidosapartirdeumaregresso
linear).
Page74
74
Tabela5.9RegressolinearentreasmdiasWind,TrackeHeadingparaamostrapertencente
classedosventosLESTEparaooutono.
Atabela5.9oresultadodeummodelodeprevisoestatsticaondeadireodevoda
avenoarparaventoLESTEpodeserprevistaemfunodadireodoventolaterale
direoderastreamento(deacordocomoscoeficientesobtidosapartirdeumaregresso
linear).
5.4.7Anlisedaregressolinear:medidassimuladasxmedidas
observadas.
Comparamosasmedidassimuladascomasmedidasencontradasnanatureza,
conformedescrevemosnoquesesegue
a)
Direodaavenoar
Page75
75
b)Rastreamentodaaveemrelaoaosolo
Figura5.5Regressolinearentreasmedidassimuladaseasmedidasencontradasna
naturezapara(a)direodaavenoare(b)paraorastreamentoemrelaoaosolo.
Conformemostraafigura5.5,foramrealizadassimulaescomaequaodeLIECHTI
(pontospretos),comasequaesdemovimentodeLAGRANGE(pontosverdes),ecom
onossomodelonebuloso(pontosazuis).Osvaloresdaregressolinearestomostrados
natabela5.10
Tabela5.10Valoresencontradospelaregressolinear.
FitLinearTrack
FitLinearHeading
EquaodeFelix
1,1*X18
0,033*X+1800
EquaodeLagrange
1,1*X28
0,0054*x+1800
Modelonebuloso
0,93*X+11
0,83*X+2
Paraatabela5.10,paraasimulaodostrsmodelosdecompensaodaderivadovento
(equaodeLIECHTI,equaodeLAGRANGEenossomodelonebuloso),ns
Page76
76
utilizamosoconjuntodedadosfornecidoporKARLSONeHENNINGSSON[HAKAN
andHENNINGSSON2010].
Tabela5.11Medidasobtidascomasimulaodomodelonebuloso.
Btra=0,29W
R
Todos
1100,25
direes
OESTE/ 2910,66
outono
Leste1110.78
T
219
r
0,86
H
211
r
0,95
AirspeedG.speed
9,5
9,7
226
0,93
193
0,97
8,9
11,3
179
0,94
223
0,97
9,8
8,5
Natabela5.11,estoapresentadasasmedidasobtidascomasimulaocomoa
compensaodaderivadoventoparaooutono,asmdiasdetrackdirection,heading
direction,winddirectionevelocidadedaavenoareemrelaoaosoloe,tambm,o
parmetrodecompensaoparajornadamigratriadeavesdaespcieApodiformeApus
apus.
Page77
77
6CONCLUSES
6.1Algumascomparaesentreosmodelos
AequaodiferencialdeLIECHTreconhecidamentenotrivial.Ela
descontinuaefornecevaloresnoreaisparavelocidadedaave(nointervaloreferenteao
headwind,comomostradopelafigura5.1a).Essaequaopodeserresolvidacomuma
funorecursiva,masissogeralmenterequerumcustocomputacionalrelativamente
elevado.Porestarazo,advogamosquealagrangeana(figura5.2a),aindaque
possivelmentenoabsolutamenteadequada,maisadaptadaparaanossaclassede
problemasemquestodoqueaequaodeLIECHTporquenorequerumarecurso
paraserimplementada(emborapossasertambmprogramadaporumasoluo
recursiva).Ademais,alagrangeananoapresentaproblemasdedescontinuidadesede
valoresirreais.Comefeito,noformalismodeLAGRANGEasgrandezassoescalarese
sofundamentadasapartirdosconceitosdaenergiadosistemaedascoordenadas
generalizadas(evitandoalgunsempecilhosdenaturezavetorialquesoencontradosna
mecnicanewtonianafundamentadaapartirdosconceitosdefora).Hdesenotarquea
dependnciadadistnciarestanteaoobjetivofixo,encontradanaequaodeLIECHT,
estimplcitanalagrangeanagraasaosvnculosholnomosutilizadosemsua
elaborao(comoobservadonafigura5.5a).
Jomodelonebulosopropostofundamentadonasobservaesdebilogose
temsemostradorobustoeeficienteemnossassimulaes,oquenosautorizaaoutilizar
comosubstitutosduasequaes,minimizandoosproblemasdesituaesindesejveis
talcomoadescontinuidadedaequaodeLIECTHI(figura5.3).Ademais,nomodelo
Page78
78
nebulosobastantesimplesinseriroutroslimitesparaoajustedavelocidadeafimde
corrigiraderivadovento.Emoutraspalavras,omodelonebulosopareceseromais
flexvelparaasdiversas(ecomplexas)situaesencontradasnocomportamentodeuma
averealemvosazonalmigratrio.
6.2Validaoestatsticadasamostras
Devidorelatadanosignificnciaestatsticacontidanasamostrascoletadas
duranteaestaodaprimavera[KARLSSON2010]escolhemosasamostrascoletadas
duranteaestaodeoutonode2007.
Primeiramentefizemosostestesdesignificnciaestatsticasugeridoem
[BLASTECHELTER1981].Calculamosacorrelaocircular(equao5.9)paratodaa
amostra(N=150)eparaosdadosseparadosemduasclassesdistintas:ventosOESTE(N
=55)eventosLESTE(N=95).Encontramosacorrelaoentretodasasvariveis
envolvidas,aindaqueasvariveisTeW,tantoparaaamostratotalcomoparaaamostra
pertencenteclasseOESTE,estejamfracamentecorrelacionadascomosrespectivos
parmetrosdesignificncia,r=0.33,r=0.14.Contudonsobtivemosumasignificncia
altaparaacorrelaopertencenteaoconjuntoLESTE,r=0.48.Abaixacorrelaoentre
WeTparaosdadospertencentesclassedeventosOESTEpodeserentendidagraasao
ganhoqueaavetemquandoelapercebequeventosnestadireocontribuemparasua
migraoe,porconseqncia,norequeremmuitosajustes.
EmseguidarealizamosumacorrelaolinearutilizandoosoftwareSPSSe
fizemostestesdesignificnciaestatstica.Deformasimilarcorrelaocircular,
escolhemosprimeiroaamostratotal(N=150),conformemostraatabela5.1.
Posteriormenteutilizamososdadosseparadosemduasclassesdistintas(tabela5.2para
Page79
79
ventosOESTEetabela5.3paraventosLESTE)aoanalisarasignificnciaestatstica
(mostradaem6.2.1).Emseguidaelaboramosummodelodeprevisoestatstica(descrito
em6.4.2).
6.2.1Anlisedacorrelaoestatsticaparaosdadosutilizados
Paraavalidaodessascorrelaesobservadasnatabela5.1aplicamosotestede
hipteses,umtesteespecficodesignificnciaestatstica.Emoutraspalavras,para
verificarseessascorrelaesestoestatisticamentesignificativas,aplicamososseguintes
passosdotestedehipteses:
Hipteses
H0:iguala0
(Noexistecorrelaoentreadireodoventoeadireodovodaave)
H:diferentede0
(Existecorrelaoentreadireodoventoeadireodovodaave)
Nveldesignificncia
Onveldesignificnciaadotadofoide5%=0.05.Asignificnciader
testadacomoTStudentecalculadocomn2degraudeliberdade.Esteclculofoi
realizadocomputacionalmenteeoSig(Pvalor)mostradonatabelas5.1,5.2e5.3.O
Sigrepresentaaprobabilidademnimaquelevarejeiodahipteseemteste(Hiptese
Nula),ouseja,aforadaevidnciacontraahiptesenula.QuantomenoroPvalor,
maisforteaevidnciacontraahiptesenula.Lembrandoqueparaesteprimeiroteste
temoscomohiptesenulaofatodequenoexistecorrelaoentreadireodoventoea
direodovodaavenoar.Anossahiptesealternativaofatodequeexistecorrelao
Page80
80
entreessasvariveis.
Regradedeciso
RejeitaseahiptesenulaseSigformenordoqueonveldesignificncia
selecionadoparaoestudo(i,seSig<)ousetc <tcrit(n2). Portanto,fazendo
comparaodovalordoSigobtido(0.002,tabela5.1)eonveldesignificnciausado
paraesteestudo(=0.05)podemosconstatarqueSig<.Porconseqnciadireta,
rejeitaseacorrelaonula.
Decisoouconcluso
Portanto,deacordocomosresultadosdoteste(postoumnveldesignificnciade
5%)humafortssimaevidnciacontraahiptesenula.Emoutraspalavras,rejeitasea
hiptesedequeacorrelaoentreadireodoventoeadireodovodaavenoar
nula.Podemosassimconcluirqueascorrelaesobservadasatravsdoscoeficientesde
correlaodePearsonsoconfiveis.Executandosimilarmenteosmesmospassospara
todasascorrelaesanalisadasanteriormenteefazendoarespectivascomparaesdas
estatsticasedonveldesignificncianopasso4(portantonaregradedeciso)podemos
verificarparatabela5.1temos:
OsvaloresdeSigparaosparesdevariveisdireodovodaavenoar
versusdireodorastreamento,etambmdireodoventoversusdireo
dorastreamentosoiguais(Sig=0.000).Analisandovalor(comparandoo
como0.05)podemosobteraconclusodequehforteevidnciade
rejeitarahiptesenula.Emoutraspalavras,existecorrelaoentrea
direodovodaavenoareadireodorastreamento,assimcomo
entreadireodoventoeadireodorastreamento.Essascorrelaes
soestatisticamentesignificativase,portanto,verossmeis.
Page81
81
Deacordocomosresultadosapresentadosnatabela5.1podemosverificarque
existeumacorrelaopositivaentreadireodovento(Wind)eadireodovodaave
noar(Heading).Comefeito,essasvariveisapresentamumcoeficientedecorrelaode
Pearsonpositivo(r=0.247).Istotambmverdadeparaadireodovodaavenoare
adireoderastreamento(Track),poisapresentaramumcoeficientedecorrelaode
Pearsontambmpositivo(r=0.328).Osresultadosdessatabelatambmcorroboram
paraumacorrelaopositivaentreadireodoventoeadireoderastreamentocomo
coeficientedecorrelaodePearsonpositivo(r=0.302).Aindaqueascorrelaes
apresentadasnatabela5.1possamserconsideradasfracaselasasseguram,noentanto,a
existnciadecorrelaoqueindicaqueadireodoventoeadireodovodaaveno
arresultamnumadireoderastreamentodesentidopositivo(sentidonocontrriodo
ventoedaave)easseguramtambmqueadireodoventoinfluencianadireodovo
daavenoar.
Aindaviaatabela5.2podemosextrairqueascorrelaescomamostrascontendo
ventospertencentesclasseOESTEdeoutonoapresentamaseguintecaracterstica:a
direodoventoeadireodovodaavenoarsugeremumacorrelaonegativa
moderada(Sig=0.000).Nestecaso,acorrelaoexistente,pois,hevidnciamuito
fortecontraahiptesenula(ahiptesenuladequenoexistecorrelaoentreadireo
doventoeadireodovodaaveparaamostrascontendoosventospertencentesa
classeOESTEdeoutono).Assimsendo,podemosafirmarqueessacorrelao
verossmil.
Quantocorrelaoqueapresentousinalnegativo(r=0.457),elalevaauma
constataodeque(paraamostrasdosventospertencentesaclasseOESTEdeoutono)a
direodovodaavecontrariaadireodovento.Deacordocomaindicaodo
coeficientedecorrelaodePearson(r=0.001),acorrelaoentreadireodovoda
aveeadireodorastreamentotambmnegativa,porm,muitofraca(quase
inexistente).EssefatoconfirmadopeloSig=0.993,umaevidnciaclaramentemuito
fracacontraahiptesenula(i,noserejeitaahiptesedequenoexistecorrelao
Page82
82
entreadireodovodaaveeadireodorastreamento)embora,naprtica,se
verifiqueaexistnciadessacorrelao.
Asdireesdoventoeasdorastreamentoapresentaramumcoeficientede
correlaor=0.291comSig=0.031.Estesresultadosnitidamenterevelamqueexiste
correlaoentreessasvariveisequeamesmanegativafraca.Comotestedehipteses
obedecendosimilarmenteaospassosapresentadosnainterpretaodatabela5.1,
chegamosumaconclusodequeessacorrelaorealmenteexiste,poisSig=0.031.H
dedesalientarqueesseresultadosobreacorrelaoindicaqueadireodorastreamento
temsentidocontrrioemrelaoaodovento.
Osresultadosdatabela5.3sugeremque,paraascorrelaescomamostras
contendoosventospertencentesclasseLESTEdeoutono,opardedireesventoevo
daavenoarindicamqueexistecorrelaonegativafraca(Sig=0.035).Estevalorde
Signoslevaaconcluirindubitavelmentequeexistecorrelaoentreessasvariveisdado
quehforteevidnciacontraahipteseinversa(dequenoexisteacorrelaoentre
essasvariveis).DeacordocomocoeficientedecorrelaodePearson(r=0.072)a
correlaoentreadireodovodaaveeadireodorastreamentopositivaaindaque
muitofraca.Sig=0.489nossugereumaevidnciafracacontraahiptesenula,ouseja,
noserejeitaahiptesedequenoexistecorrelaoentreadireodovodaaveea
direodorastreamento,emboranaprticaseverifiqueacorrelao.Omesmofatode
norejeiodahiptesenulapodeserverificadonoqueconcernesdireesdoventoe
adorastreamentoelasapresentaramumcoeficientedecorrelaor=0.167)comSig=
0.107.Estesresultadosnosrevelamqueexisteumacorrelaoentreessasvariveiseque
amesmanegativafraca.Comotestedehiptesesobedecendoaospassosapresentados
nainterpretaodatabela5.1,pudemoschegaraumaconclusodequeessacorrelao
noexiste(emboranaprticaseverifiqueacorrelao).
Page83
83
6.3Simulaesdosmodelos
Nacorrelaocomasmedidasempricas(figura5.5)podemosperceberqueas
duasequaeseomodelonebulosopropostofornecemresultadossatisfatriosnas
simulaesdorastreamentoemrelaoaosolo(figura5.5b).Realizamosumaregresso
linearparaasduasequaesdiferenciaiseparaomodelonebuloso(tabela5.10)que
consolidouonossoresultadodeformaadequadaesatisfatriaparaorastreamentodaave
emevidncia.Noentanto,nopodemosdizeromesmoparaoresultadodaregresso
linearparadireodevodaavenoar(figura5.5a).
Omodelonebulosoaquipropostofoieficienteparaaceitar(adicionar)novas
observaesempricas,comonocasodaindependnciadadistnciarestante
(KARLSON,2010)paraumamigraosazonaldaApusapus,comopodeservistona
figura5.5a.JprevamosqueaequaodeLIECTHInoseriahbilparareproduziros
dadosempricosdeKARLSON,entononoscausouadmiraoquealagrangeana
tambmnoreproduzisseosprecisamentemesmosdados.Comefeito,asduasequaes
diferenciaisestonessecasofundamentadasnamesmaclassedevariveis.
Afimdeconfirmarumacorrelaosatisfatriacomasamostrasempricas
simulamostambmonossomodelonebulososemconsideraradistnciarestanteao
objetivofixo.Introduzimosumacompensaomaior(5)doqueapermitidapelas
equaes(comoilustraafigura5.1a).Pragmaticamenteoquefizemosfoiutilizarum
limitede10quefoiinseridonodomniodosconjuntosnebulosos.Istonoviolao
modeloeconfirmousuaadequabilidadeparaesseproblema.
Finalmente,paranosasseverarmosdaadequabilidadeerobustezdosimulador
comadequaonebulosaquepropomosnessadissertao,testamosaindadiferentes
formasdeconjuntosnebulosos.Apsumaanlisecriteriosaeexaustivadosresultados
obtidosescolhemososconjuntoscomoformatogaussiano,poiselesforamosque
forneceramumacurvamaisprximadaparboladesejada(figura5.3b)edasigmide
Page84
84
(figura5.3a).Destaforma,osimuladorcomadequaonebulosapropostosemostrou
robustoeeficienteempredizerpossibilidadesnocomportamentodeumaaveApusapus
emmigraonoturnasazonalesemostrou,adicionalmente,desingelautilizaopoisque
permitefacilmenteinseresdenovasinformaes/dadoserelevaalgunsdficits
caractersticosdasequaeshabitualmenteempregadas,contornandoproblemas
geomtricosencontradosnosmodelosmatemticoscomumenteutilizados,comorelatou
GREEN[GREEN2002].
Page85
85
7DIFICULDADESENCONTRADASE
TRABALHOSFUTUROS
7.1Motivaes
Ointeressecentraldogrupodepesquisaaoqualoautordessadissertaoest
inserido(MASIPPGIUFRJ)afluiparaareaderobtica.Dentrodessareapesquisas
vmsendofeitassobreconfederaesderobsecomportamentosdesistemas
autnomos,que,porconseqncia,tmsidotambmdirecionadasainteressessobrea
biorrobticaesistemasbioinspirados.Pordecorrnciadireta,oestudodesistemas
comportamentaisbiolgicostemsidoextremamenteinstigadodentrodogrupoMASI.As
motivaesprincipaisdapresentedissertaorepousamessencialmentesobreessas
caractersticas.
Destaforma,despertamosumveementeinteresseemaplicarfundamentosbiolgicos
paramodelagemcomputacional,umtemaquetemtidoumaumentosignificativode
nmerodepesquisasnessaltimadcada,quefoiladeadopelavontadeemdirecionara
pesquisadesseautorparaacompreensodeecossistemaseestudossobreainteraoeo
comportamentoanimalnomeioambiente.
Essasmotivaesdesencadearamemlongas,equaseinfindveis,horasde
pesquisaedededicaosobservaessobrepesquisasenvolvendosistemasbio
inspiradosafimdesepoderextrairporumladocomportamentosquepoderiamser
efetivamenteutilizadosemconfederaesderobsinteligentesindependentese,por
outrolado,umresultadoprticocomoformadeumsistemacomputacional(simulador
Page86
86
nebuloso)implementadoeaplicvel,evitandoqueotrabalhoficasseapenasnocampo
divagaotericaesobformadeumacontribuiounicamentetextualfadada,
provavelmente,arestaresquecidanumaprateleiradeumabiblioteca.Buscamos,
literalmente,obomaneximplusvaletpasserinmanibus,quamsubdubiogrus.
7.2Trajetriapercorrida
Duranteotempodemestradooautordessadissertaopercorreucaminhos
bastantedistintos,masque,finalmente,serviramparaconsolidaralgumasexperinciasde
pesquisadentrodoMASI.NoprimeiroanoletivodesenvolvemostrabalhoscomoProf.
CarlosA.FRANCOnalinhadeneurocinciacomputacional,oquemuitonosajudou
paracompreenderaspercepessobrepesquisasaplicadasvida.Depoispasseiaser
orientadopeloProf.CabralLIMAquetemcompartilhadoeorientadoosmeusrecentes
problemascientficosequeproclamouadecisofinalparaotemadessadissertao(e,
sobretudo,nosdeuumgrandeapoiomoral).Decidimosassimqueofocodenosso
trabalhoseriasistemasbioinspiradosemodelagemmatemtica/computacional.
Destaforma,concentreimeusesforosnacompreensodepesquisase
experimentoselaboradosnareadebiologiavisandoencontraralgumasquepudessem
serefetivamenteexploradasdentrodocontextodebiorrobtica.Elaboramosuma
criteriosarevisodosprincipaisperidicosdessareaeescolhemosumainteressante
pesquisaconcernindocomunicaoornitolgica.Aidiainicialserepousavasobreum
modelomatemtico/computacionalaserfundamentadonainteraodocantodeaves,
consideradostodososrudosexternosaelas,quepudesserepresentaroajustesonoro(em
amplitudeefreqncia)imprimidopelasavesafimdemaximizaroalcancedeseucanto
emanteraeficinciadesuacomunicao.
Autilizaodessemodelopermitiriasimularsensorescapazesdeseauto
Page87
87
ajustarem,utilizandoprincpiosbiolgicosencontradosemquatroespciesdistintasde
aves.Tnhamosalgumasmedidaslimiaresemamplitudeefreqncia,ocorridasna
comunicaoentreduasaves,aMelopsittacusundulatus(conhecidocomoPeriquito)ea
Taeniopygiaguttata(conhecidacomoTentilhesZebra).Assim,estudamososcantosde
trsaves,duasdamesmaespcie(aterceiraaveaSerinuscanria,simplesmente
conhecidacomoCanrio).
Esseslimiarespermitemdeterminaroespaoativodasaves.Oslimiaresde
detecodosrespectivoscantosvariamdeacordocomaformaespectraldorudoeessas
informaesfornecemaoportunidadeemestimar,compreciso,aeficinciaeoalcance
realdecomunicaoentreaves.Aeficinciadosinaldefinidacomosendoseualcance
(isto,seuespaoativo)emedidaemunidadesdedistncia.
Omodelomatemtico/computacionalpropostobuscavarepresentarcadatipode
rudoeocantodasavesatravsdeequaesdiferenciais,atribuindoaosseuscoeficientes
propriedadesencontradasemexperimentosbiolgicos.Postoqueainteraofsicaentre
duasondaspossuidiversaspropriedades(comoasdescritaspelateoriadeinterferncia
ondulatria)nossaidiaeraadesepoderobterdiversasvaloraesfsicasaserem
parametrizadasnonossomodelo,taiscomoadiferenadefase,afreqnciaeas
amplitudesentreasondas.Apropostainicialera,portanto,adeutilizarequaes
peridicascomamortecimentorelativoparaosonogramadasaves.Aidiafinaleraade
queomodelomatemtico/computacionalpoderiadeterminaradistnciadoespaoativo
dasavesparaeventuaisnovosrudosatravsdassoluesdasequaesdiferenciasque
lhecompunham.
Aindaquetenhamostidocertosucessonaelaboraoinicialdessemodelo
matemticoparapodermospartirparaaetapadevalidao,nodispnhamosnemde
recursosfinanceirosenemdeinfraestruturaespecializadaparaefetuarmosexperimentos
empricoseobteramostrasconfiveisparavalidarnossomodelomatemtico.Ficamos
mercpoderencontrarumbancodecantosdecomunicaodepssarosquefosse
Page88
88
confiveleacessveloque,infelizmente,noocorreu.Istonosacarretounaperdade1
(um)anodeesforosdepesquisa(comefeito,nonfuitinsoloRomaperactadie).
Assimsendo,tivemosquemudaronorteatacharmosumtemadevivelaplicaona
biorrobtica(e,sobretudo,naconfederaoderobsinteligentes)equenonos
colocassecontratemposparaobterinformaesdeordememprica.Finalmente,o
experimentobiolgicoestudadonoslevourealizaodosimuladornebulosodescrito
nessadissertao.
7.4Contribuies
Advogamosqueacontribuioprincipaldessadissertaofoicomprovarque
modelosnebulosospodemserrobustoseadequadosparatratardados,digamos,
negligentes,existentessobremigraosazonalnoturnadeaves.Comefeito,onosso
simuladorcomadequaonebulosasemostroueficienteparapredizerosajustesaserem
feitospelasavesApusapusquandoemseusdeslocamentosmigratriosenfrentamventos
lateraisquedevemserporelascompensados.
Outrascontribuiesquepodemserelencadasaquiconcernemdescrioe
extensodeummodelobiolgicoeummodelomatemtico[ALERSTAM1989,
LIECHTI1994,1995]paraummodelocomputacionalcomajustesnebulosos.Esse
modelosemostroubemaplicvelnosimuladorquemfoicapazdepreveroajustede
direoevelocidadedeumaavemigratriaparacompensarainflunciadeventos
laterais.
Esperamosquenossapesquisapossaviracontribuirparaosestudossobretrfego
areoquedependemdeprevisessobremovimentosdeavesmigratrias.Umaoutra
contribuionessadireo,aindaquederivativa,poderiaestarligadaaocrescente
Page89
89
mercadodeaeromodelosquepoderiasebeneficiaratravsdaconstruodenovos
controlessncronosqueiriamcorrigirainflunciadeventoslaterais.Maisfortemente,
esperamosquetenhamospodidocontribuirnaspesquisassobreconfederaesderobs
inteligentesque,deformaautnoma,possampredizerecorrigiralgunscomportamentos
paraseadaptaremaeventosexternosimprevistosque,porventura,venhamaacontecer.
7.5Trabalhosfuturos
Algunstrabalhosfuturospoderiamajudarnaconsolidaodapresentepesquisa:
1.Testarosimuladorparavriasnovasamostras,inclusiverelativasaoutros
tiposdeaveeoutrostiposdevento
2.Elaborarnovaspropostasemsubstituiolagrangeanaeverificarsua
aplicabilidadeparaoestudoemquesto
3.Melhorarsubstancialmenteainteraodosimulador,queseencontra
4.pobrementeapresentvelemtermosdeinteraocomousurio.Utilizaode
computaogrficadequalidadeeumredesenhodeapresentabilidadedatela
principalseriamextremamentebemvindos.
5.Adaptaromodelonebulosoparasimularoutrasrealidadesbiolgicas(por
exemplo,umsimuladorparaformigueirosartificiais).
Page90
90
REFERNCIAS
[ALERSTAM1979]ALERSTAMT.:Windasselectiveagentinbirdmigration.Ornis
Scandinavica,Vol.10,No.1,pp.7693,1979.
[ANKIT2011]ANKITP.HOTAA.R.:Antcolonyoptimizationandhypergraph
coveringproblems,2011.
[AXELL1963]AXELL,H.E.D.Lack.:Migrationatminsmere,seeandunseen,1963.
[BCKMAN2002]BCKMANJ.ALERSTAMT.:Harmonicoscillatoryorientation
relativetothewindinnocturnalroostingflights,TheJournalofExperimentalBiology
205,905910,2002.
[BAJEC2003]BAJECI.L.MRAZM.ZIMICN.:Boidswithafuzzywayofthinking.
ProceedingsofASC,5862,2003.
[BAJEC2005]BAJECI.L.MIHAM.ZIMICN.:Fuzzymodelforacomputer
simulationofbirdflocking,2005.
[BAJEC2009]BAJECI.L.FRANKH.H.:Organizedflightinbirds.Animal
Behaviour78(2009)777789,2009.
[BARR1981]BARR,A.FEIGENBAUME.:Thehandbookofartificialintelligence,
1981.
[BARROSandBASSANEZI2006]BARROSBASSANEZI,2006.:Tpicosdelgica
fuzzyebiomatemtica.Campinas:Unicamp,2006.
Page91
91
[BATSCHELET1981]BATSCHELETB.:CircularStatisticsinBiology,1981.
[BRAGA]BRAGAA.:Redesneuraisartificiais.
[BEEKMAN2008]BEEKMANM.GREGORYA.STEPHENJ.:Foundationsof
SwarmIntelligence,2008.
[BENIandWANG1988]BENIG.WANGJ.,1988.:Swarmintelligenceincellular
roboticsystems,ProceedingsoftheAdvancedWorkshoponRobotsandBiological
Systems,1988.
[BENIandWANG1989]BENI,G.WANGJ.:Swarmintelligence.InProceedings
SeventhAnnualMeetingoftheRoboticsSocietyofJapan,425428.,1989.
[BENIandWANG1991]BENI,G.WANGJ.:Theoreticalproblemsfortherealizationof
distributedroboticsystems,InProceedings1991IEEEInternationalConferenceon
RoboticandAutomation,19141920,1991.
[BIALEK2011]BIALEKW.CAVAGNAA.GIARDINAI.MORAT.SILVESTRIE.
VIALEM.WALCZAKA.M.:Statisticalmechanicsfornaturalflocksofbirds,2011.
[BONABEAU1999]BONABEAUE.DORIGOM.THERAULAZG.:Swarm
intelligence,fromnaturaltoartificialsystems,NewYork,OxfordUniversityPress,
1999.
[CAPELLO2011]CAPELLOM.SORIAM.COTELP.DENEUBOURGL.J.
DAGORNL.:Quantifyingtheinterplaybetweenenvironmentalandsocialeffectson
aggregatedfishdynamics,2011.
[CHEN2011]CHENC.TINGC.J.:Anantcolonyoptimizationalgorithmforthe
heterogeneousfleetvehicleroutingproblem,2011.
[COIMBRA2009]COIMBRAF.A.MENDONA:Gerenciamentodoperigoavirio
Page92
92
emaeroportos.rev.ConexoSIPAER,v.1,n.1,nov.2009.
[COSTA2007]COSTAD.N.:Simuladorextensvelparanavegaodeagentesbaseados
emintelignciadeenxames,2007.
[CRUZ1994]CRUZA.O.:Logicanebulosa,RiodeJaneiro,UFRJ,1994.
[DEELDERandTINBERGEN]DEELDERL.TINBERGEN.:Waarnemingenoverde
vlieghoogtevantrekkendevinken,fringillacoeebsspreeuwen,SturnusvulgarisL.Ardea,
1947.
[DOKTER2010]DOKTERA.M.LIECHTIF.STARKH.:Birdmigrationflight
altitudesstudiesbyanetworkofoperationalweatherradar,J.R.Soc.Interface
published,2010.
[ERNI,BRUDERERandLIECHTI2003]ERNIB.LIECHTIF.BRUDERERB.:How
doesafirstyearpasserinemigrantfinditsway?Simulatingmigrationmechanismsand
behaviouraladaptations,Oikos103:333340,2003.
[EVANS1966]EVANSP.:AnApproachtotheAnallysisofVisibleMigrationanda
ComparisonWithRadarObservations,1966.
[FEIGENBAUM1971]FEIGENBAUM,E.BUCHANAN,B.LEDERBERG,J.On
generalityandproblemsolving:acasestudyusingthedendralprogram.In:Machine
Intelligence,1971.
[FISHER1987]FISHER,B.J.:Guinness,Gosset,Fisher,andSmallSamples.Statistical
Science2(1):4552.DOI:10.1214/ss/1177013437,1987.
[FLAKE1999]FLAKEG.:Thecomputationalbeautyofnature.Cambridge,MA:MIT
Press,1999.
[GARNIER2007]GARNIERS.GAUTRAISJ.,THERAULAZG.:Thebiological
Page93
93
principlesofswarmintelligence,2007.
[GOBIRA2008]GOBIRAA.B.:Modelagemdoespalhamentodeleoemguasrasas,
Vitria,UFES,2008.
[GOLDSTEIN]GOLDSTEINH.WESLEYA.:Classicalmechanics.
[GREEN2002]GREENM.ALERSTAMT.:Theproblemofestimatingwinddriftin
migratingbirds,J.theor.Biol.218,485496,2002.
[HACKWOOD1991]HACKWOOD,S.G.BENI.:Selforganizingsensorsby
deterministicannealing,1991.
[HACKWOOD1992]HACKWOOD,S.G.BENI.:Selforganizationofsensorsfor
swarmintelligence,1992.
[HALLIDAY]HALLIDAYD.RESNICKR.WALKERJ.:Fundamentosdefsica.
[HAYKIN]HAYKINS.:Redesneurais:Princpioseprticas.
[HEDENSTRM2002]HEDENSTRMA.:Adaptivevariationofairspeedinrelationto
wind,altitudeandclimbratebymigratingbirdsinthearctic,BehavEcolSociobiol
52:308317,2002.
[HEDENSTRM1995]HEDENSTRMA.ALERSTAMT.Optimalflightspeedof
birds,Phil.Trans.R.Soc.Lond.B,348,4714871995.
[HENNINGSSON2009]HENNINGSSONP.KARLSSONH.BACKMANJ.
ALERSTAMT.HEDENSTROMA.:Flightspeedsofswifts(Apusapus):seasonal
differencessmallerthanexpected,Proc.R.Soc.B,276,23952401,2009.
[LANCZOS1970]LANCZOS,C.:Thevariationalprinciplesofmechanics,Dover,New
York,1970.
Page94
94
[LEMOS2000]LEMOSN.:MecanicaAnalitica,Niteri,UFF,2000.
[LIECHTI1994]LIECHTIF.HEDENSTROMA.ALERSTAMT.:Effectsofsidewinds
onoptimalflightspeedsofbirds,J.theor.Biol.170,219225,1994.
[LIECHTI1995]LIECHTIF.:Modelingoptimalheadingandairspeedofmigratingbirds
inrelationtoenergyexpenditureandwindinfluence,JournalofAvianBiology,26:330
336.Copenhagen,1995.
[LIECHTI1999]LIECHTIF.:BirdmigrationacrosstheMediterranean,1999.
[LIECHTI2006]LIECHTI.F.:Birds:blowingbythewind?JOrnithol,147:202211,
2006.
[LIN2011]LINC.WUG.XIAF.LIM.YAOL.PEIZ.:Energyefficientantcolony
algorithmsfordataaggregationinwirelesssensorNetworks,2011.
[LUSTOSA2004]LUSTOSAV.G.:Oestadodaarteemintelignciaartificial,2004.
[MAKIGUCHI2009]MAKIGUCHIM.INOUEJ.I.:Numericalstudyontheemergence
ofanisotropyinartificialflocks:abirdsmodelingandsimulationsofempiricalfindings,
2009.
[MOTA2008]MOTAAMOTAL.:Especificaodailuminaonoprojetodesistemas
prediaisdeeletricidadeutilizandoumsistemaespecialistacomregrasnebulosas,2008.
[NATANeBARBOSA2007]NATANA.BARBOSAV.C.:Vlikeformationsinflocks
ofartificialbirds,RJ,UFRJ,2007.
[NELI2001]NELI,R.:Aplicaodateoriadeconjuntosfuzzyaproblemasde
biomedicina.SP,USP,2001.
[NICOUD2009]NICOUDJ.D.DENEUBOURGJ.L.FLOREANOD.:Swarm
Page95
95
intelligenceinautonomouscollectiverobotics:fromtooltotheanalysisandsynthesisof
distributedcontrolstrategies,2009.
[NOGUEIRA2007]NOGUEIRA,D.:SimuladorExtensvelparaNavegaodeAgentes
BaseadosemIntelignciadeEnxames,2007.
[KARLSSON2010]KARLSSONH.HENNINGSSONP.BCKMANJ.:
Compensationforwinddriftbymigratingswifts,2010.
[PENNYCUICK2008]PENNYCUICK,C.J.:Modelingtheflyingbird2008.
[PENNYCUICK1968]PENNYCUICK,C.J.:Powerrequirementsforhorizontalflightin
thepigeonColumbialivia.J.Exp.Biol.49,
527555.,1968.
[PENNYCUICK1975]PENNYCUICK,C.J.:Mechanicsofflight.In:Farner,D.S.And
King,J.R.(ed),AvianBiology.Vol.5.,AcademicPress,NeYork,1975.
[PENNYCUICK1978]PENNYCUICK,C.J.:Fifteentestablepredictionsaboutbird
flight.Oikos30:165176.,1978.
[PENNYCUICK1982]PENNYCUICK,C.J.:Theflightofpetrelsandalbatrosses
(Procellariiformes),observedinSouthGeogiaanditsvicinity.Phil.Trans.R.Soc.
Lod.B.300:75106,1982.
[PIAGET1982]PIAGET,J.:Onascimentodainteligncianacriana,4edR.JZahar,
1982.
[RAJASTHAN2011]RAJASTHAN:Automatedsoftwaretestingusingmetahurestic
techniquebasedonanAntcolonyoptimization,2011.
[RAVELING1984]RAVELINGD.G.MICHAELL.W.:Flightspeedanddirectional
responsestowindbymigrating,CanadaGeese,1984.
Page96
96
[REYNOLDS1987]REYNOLDSC.:Flocks,herds,andschools:adistributedbehavioral
model,1987.
[RUSSEL1923]RUSSEL,B.:Vagueness.AustralianJournalofPhilosophy,v1,1923.
[RUSSELL]RUSSELLS.NORVINGP.:Intelignciaartificial.
[SOMMERFELD1952]SOMMERFELDA.:Mechanics,AcademicPress,NewYork,
1952.
[SZWARCFITER2002]SZWARCFITERJ.L.MARKENZONL.:Estruturasdedadose
algoritmos,RJ,UFRJ2002.
[UPADHYAY2011]UPADHYAYR.K.:WeimingWang,andN.K.Thakura
spatiotemporaldynamicsinaspatialplanktonsystem,2011.
[YEN1999]YENJ.LANGARIR.:Fuzzylogic,intelligence,controlandinformation,
1999.
[WILCOCK1964]WILCOCKJ.:RadarandvisiblemigrationinNorfolk,1964.
[WILLEM2003]WILLEMBOUTENBELLEJ.V.BENABDELKADER.:Towardsan
operationbirdavoidancesystem:combiningmodelsandmensurements,2003.
[XAVIER2003]XAVIERM.:Sistemasespecialistas:umaintroduo,2003.
[ZADEH1965]ZADEH:InformationandControl,1965.
[ZHANG2010]ZHANGL.JEFFD.E.:Hydrodynamicsofundulatoryfishschoolingin
lateralconfigurations,2010.
[ZIMMEMANN1985]ZIMMEMANN.H.:Fuzzysettheoryanditsapplications
BostonEUA:KluwerNijhofPublishing,1985.