O Sistema de Posicionamento Global (GPS) é um sistema com uso difundido entre a comunidade militar e civil para diversos fins, como a navegação, os levantamentos geodésicos, a agricultura, entre outros. Porém, para se obter resultados cada vez mais precisos e acurados, houve a necessidade de investimentos na tecnologia dos sinais e dos receptores GPS. Isso levou a um acréscimo considerável no preço do equipamento, diferença percebida entre receptores de mono frequência e de dupla frequência. Esta pesquisa tem o objetivo de aprimorar um método no qual são estimadas as observáveis GPS (contagem de ciclos da portadora L2 e código P2) pelo uso de Redes Neurais Artificiais (RNAs) através de um treinamento supervisionado de uma rede Perceptron de Múltiplas Camadas (MLP) pelo algoritmo de aprendizado backpropagation. Os dados utilizados para o treinamento da rede foram obtidos das estações da Rede Brasileira de Monitoramento Contínuo (RBMC), que estão equipadas com receptores de duas frequências e código P. As observáveis originais de uma estação (contagem de ciclos da portadora L1 e código C/A) foram utilizadas na RNA treinada para gerar novos dados (L2 modificada e P2 modificada), que são todos mesclados em um arquivo RINEX modificado. Os processamentos dos dados gerados artificialmente a partir das RNAs tiveram uma melhora na acurácia, quando comparados aos processamentos da observável L1, e atenderam parcialmente a normativa de georreferenciamento de imóveis rurais do Instituto Nacional de Colonização e Reforma Agrária (Incra). As melhorias na acurácia dos resultados indicam que a metodologia proposta neste trabalho atua de forma satisfatória e promissora, sendo uma alternativa para o uso de receptores de mono frequência, de forma a gerar resultados mais próximos dos gerados pelos receptores de dupla frequência.

The Global Positioning System (GPS) is a system with widespread use among the military and civilian community for various purposes, such as navigation, geodetic surveying, agriculture, etc. But in order to get results even more precise and accurate, there was the need for investments in signals technology and GPS receivers. This led to a considerable increase of the equipment prices, perceived difference among mono frequency and dual frequency receivers. This research aims to improve a method to estimate the GPS observables (cycle counting carrier phase L2 and P2 code) by using Artificial Neural Network (ANN) with a supervised training of a Multilayer Perceptron (MLP) by the backpropagation learning algorithm. The data used for the network training were obtained from the Brazilian Network for Continuous Monitoring Stations (RBMC), which are equipped with dual frequency receivers and P code. The original observable from a station (cycle counting carrier phase L1 and C/A code) was used in the trained ANN to generate new data (modified L2 and modified P2) which are all merged into one modified RINEX file. The processing of artificially generated data from ANN had an improvement in accuracy compared to L1 observable processing and partly attended georeferencing rules properties of the National Institute of Colonization and Agrarian Reform (Incra). Improvements in the accuracy of the results indicate that the proposed methodology in this job operates satisfactorily and promising way, as an alternative to the use of mono frequency receivers so as to generate results closer to those generated by the dual frequency receivers.