Estaaversoemhtmldoarquivohttp://teses2.ufrj.br/15/teses/778488.pdf.

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

avelocidadedoventoforamatribudostrsvaloresdiferentesVw1 =25m/s,Vw2 =15

m/s,Vw3 =5m/s.

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.