Ao longo dos anos, o posicionamento por satélites artificiais através da geotecnologia Global Navigation Satellite System (GNSS) e, principalmente, por meio do sistema americano Global Positioning System (GPS), ganhou importante espaço na área de Geomática. A qualidade das soluções está diretamente relacionada, entre outros fatores, ao tipo de receptor utilizado no trabalho: dispositivos mais caros (geodésicos), capazes de gerar as portadoras L1 e L2 ou L1, L2 e L5, produzem os melhores resultados; por outro lado, receptores topográficos que rastreiam apenas a frequência L1 são mais baratos, mas tornam o processamento dos dados dependente de um modelo ionosférico para reduzir parcialmente os efeitos dessa origem. Visando melhorar as soluções de posicionamento com dispositivos de baixo custo e evitar despesas adicionais do usuário que, eventualmente, necessitaria de utilizar aparelhos mais onerosos, este trabalho tem como objetivo principal propor a implementação de uma Rede Neural Artificial (RNA) para estimar as observações da portadora L2 do sistema GPS com base nas observáveis da L1, buscando-se também aprimorar o método de predição destes dados elaborado em outras pesquisas. Para tanto, selecionou-se um modelo de rede através da técnica de Validação Cruzada (CV), estimaram-se as observações a partir das rastreadas tanto em um receptor geodésico como em um smartphone Android, e comparou-se a acurácia das soluções que foram processadas com e sem as observáveis artificiais criadas pela RNA. A técnica CV demonstrou que uma Multilayer Perceptron (MLP) de quatro camadas escondidas e outra de uma camada intermediária são as configurações mais apropriadas para estimação das observáveis do código e da fase da portadora L2, respectivamente. O tempo de aprendizagem em todos os experimentos não ultrapassou poucos segundos e o processamento dos arquivos RINEX de dupla frequência, criados neste trabalho, revelou melhorias significativas das soluções de posicionamento na maioria dos testes, reduzindo os desvios planos e espaciais em torno de 40 a 50% em relação aos resultados atingidos com apenas os dados originais da portadora L1, sendo que em alguns experimentos foi possível realizar a combinação iono-free (L3) e em outros atender a normativa de georreferenciamento de imóveis rurais do Instituto Nacional de Colonização e Reforma Agrária (INCRA). Os resultados apontam, portanto, que a proposta metodológica da presente investigação atua de forma bastante promissora e como uma alternativa ao uso de receptores mais caros.

Over the years, positioning by artificial satellites through the Global Navigation Satellite System (GNSS) and, mainly, through the American Global Positioning System (GPS), has become increasingly important in Geomatics. The quality of the solutions is directly related, among other factors, to the receiver type used in the work: more expensive (geodetic) devices, capable of generating the carriers L1 and L2 or L1, L2 and L5, produce the best results; conversely, topographic receivers which only trace the L1 frequency are cheaper, but make data processing dependent on an ionospheric model to partially reduce the effects of that source. In order to improve the positioning solutions with low cost devices and avoid additional financial costs to the user who would ultimately need to use more expensive devices, the main objective of this work is to propose the implementation of an Artificial Neural Network (ANN) to estimate the GPS L2 observations from the L1 observables, aiming also to improve the prediction method elaborated in other research. This was done by using the Cross-Validation (CV) technique to select a network model. The observations were estimated from observables tracked on both a geodetic receiver and an Android smartphone, and we compared the accuracy of the solutions that were processed with and without the artificial observations created by the ANN. The CV technique demonstrated that a Multilayer Perceptron (MLP) of four hidden layers and another of an intermediate layer are the most appropriate configurations for the estimation of the L2 code and phase observables, respectively. The learning time in all the tests did not exceed a few seconds and the processing of the dual frequency RINEX files, which were created in this work, revealed significant improvements in the positioning solutions in all the experiments. The plane and spatial deviations were reduced by around 40% to 50% in relation to the results obtained with only the original L1 carrier data. In some tests it was possible to perform the iono-free combination (L3) and in others to meet the georeferencing regulations for rural properties of the National Institute of Colonization and Agrarian Reform (INCRA). The results indicate, therefore, that the methodological proposal of the present investigation acts in a very promising way and as an alternative to the use of more expensive receivers.