Onde colocar a antena? Como dados e algoritmos ajudam a levar conectividade IoT mais longe

Sensores espalhados pela cidade e pelo campo medem clima, qualidade da água, consumo de energia e segurança. Mas nenhum desses dados vale muito se não chegar a quem precisa decidir, e antes de qualquer painel ou modelo existe uma pergunta bem física: onde instalar as antenas que vão levar esses dados adiante?

Foi para responder a ela que Dennis Kerr Coelho, CTO e fundador da Palmsoft, assinou como primeiro autor o artigo "A Software-Based Approach to Optimize LoRa Antenna Positioning". O trabalho foi apresentado no 17º Seminário de Eletrônica de Potência e Controle (SEPOC 2025), publicado pelo IEEE e contou com apoio da FAPESC, a fundação de amparo à pesquisa de Santa Catarina.

A LoRa é uma tecnologia de comunicação sem fio pensada para a Internet das Coisas. Ela transmite pequenos pacotes de dados a longas distâncias gastando tão pouca energia que um sensor pode funcionar até 10 anos sem troca de bateria. Como aceita milhares de dispositivos, custa menos para implantar e manter do que tecnologias de maior banda e ainda oferece criptografia de ponta a ponta, ela se espalhou por cidades inteligentes, agricultura de precisão e logística.

Esse alcance, porém, muda muito de um lugar para outro. Em áreas rurais, uma antena cobre tipicamente de 5 a 15 km, enquanto na cidade os prédios e as interferências reduzem isso para 2 a 5 km. Morros, vales e vegetação densa bloqueiam o sinal, e em regiões pouco povoadas as distâncias podem exigir antenas mais potentes ou pontos de repetição. Escolher mal o local significa mais antenas, mais custo e pessoas sem cobertura. O planejamento precisa, portanto, equilibrar ao mesmo tempo fatores técnicos, geográficos e socioeconômicos, e foi exatamente essa combinação que a equipe decidiu colocar sobre um único mapa.

O ponto de partida foram três camadas de informação sobre a mesma região. A primeira veio do Censo 2022 do IBGE, com população e urbanização no nível de setor censitário, a menor unidade de coleta do Censo, que reúne cerca de 300 domicílios. A segunda foi o relevo, extraído das imagens de satélite da missão SRTM da NASA, com resolução de 30 metros, obtidas pela plataforma Earthdata. A terceira separou áreas urbanas e rurais, já que isso muda o quanto o sinal perde força pelo caminho. Sobre essas camadas foram marcados os 462 locais candidatos a receber uma antena, conhecidos de antemão porque o projeto tinha como foco escolas estaduais e municipais.

Juntar fontes tão diferentes exigiu engenharia. O software foi construído como um módulo da plataforma de mapas G4D (Graphics For Decision), o projeto que em 2016 deu origem à Deepen, braço de Big Data e IA da Palmsoft. A G4D já trabalhava com malhas de polígonos e mapas do Google e da Microsoft, mas não lia imagens de satélite brutas. A equipe então criou rotinas próprias que importam as imagens da NASA, extraem a altitude de cada ponto e convertem os pixels da imagem em coordenadas geográficas no padrão WGS84, o mesmo do GPS. Com uma grade sobreposta aos setores do Censo, relevo e população passaram a conversar no mesmo mapa.

Com o mapa pronto, faltava estimar até onde cada antena chega. A região foi dividida em quadrados de 40 x 40 metros, e de cada antena partem "raios" a cada 1 grau, em todas as direções, pela técnica de ray casting, a mesma que a computação gráfica usa para renderizar cenas 3D. A cada quadrado atravessado, o sinal perde um pouco de energia, numa perda calibrada para que cada tipo de antena alcance exatamente o seu raio máximo em condições ideais. Essa perda aumenta em dois casos: onde a densidade populacional é maior, porque áreas mais ocupadas atenuam mais o sinal, e onde há sombra de relevo, quando um ponto mais alto que a antena fica entre ela e o local que se quer cobrir.

O modelo também leva em conta que nem toda antena irradia do mesmo jeito. A de 3 dBi é omnidirecional e espalha o sinal em todas as direções, o que a torna boa para áreas densas ou de relevo acidentado. À medida que o ganho aumenta, o feixe se estreita e o alcance cresce numa direção: a de 5 dBi tem abertura vertical de 40 graus e equilibra cobertura e alcance, a de 7 dBi concentra o sinal em 30 graus e a de 9 dBi, com 25 graus, é a mais direcional, pensada para áreas rurais e abertas. A partir dessa abertura e da altura de instalação, o sistema calcula ainda a zona de sombralogo abaixo de cada antena, onde o sinal não chega.

Restava a pergunta central: qual antena vai em qual lugar? O sistema distribui conjuntos com os quatro tipos de antena entre os 462 locais candidatos, monta o mapa de cobertura combinado de cada configuração e calcula quantas pessoas ela alcança em cada município. Como nem todas as cidades têm a mesma prioridade, cada uma recebe um peso, e a soma ponderada vira uma nota. Ao todo, 1.000 configurações são avaliadas, e a de maior nota é escolhida como solução.

O primeiro teste cobriu Itajaí, Navegantes, Ilhota, Brusque, Camboriú, Balneário Camboriú, Penha e Itapema. Ao final, a ferramenta gera um relatório com a latitude e a longitude de cada antena e mostra a distribuição no mapa, pronta para orientar a instalação em campo. A abordagem ainda está em validação, mas os resultados preliminares são promissores. Os próximos passos são validar todas as antenas, considerar locais além das escolas e trocar a busca aleatória por um algoritmo genético, técnica de inteligência artificial inspirada na seleção natural, que combina e aprimora as melhores soluções a cada rodada.

Olhando o caminho inteiro, fica claro que uma decisão de infraestrutura, aparentemente técnica e local, depende de cruzar fontes de dados muito diferentes: um satélite da NASA, o Censo do IBGE e a física da propagação de rádio. Nenhuma delas, sozinha, diz onde colocar a antena. O estudo também mostra que é possível começar simples, já que uma busca entre mil combinações entrega um plano utilizável e mensurável, e deixar a inteligência artificial para o passo seguinte, refinando o que os dados já mostraram.

Para refletir

Quando se fala em Internet das Coisas, a atenção costuma ir para os sensores e para os painéis de dados. Este estudo lembra que, antes disso, existe uma infraestrutura que precisa estar no lugar certo, e que esse lugar pode ser encontrado com método, e não por tentativa e erro. Juntar fontes públicas de dados, modelar o problema com cuidado e só então aplicar algoritmos mais sofisticados é um caminho que vale para muitos outros desafios. É essa visão, de transformar dados em resultados, que orienta o trabalho da Palmsoft desde 2002.

Para acompanhar mais conteúdos sobre dados e inteligência artificial, siga a Palmsoft no Instagram: @palmsoft_.

Referência:

• COELHO, D. K.; FERNANDES, A. M. R.; CAMPOS, M.; DAZZI, R. L. S.; FOCKING, F.; SAUSEN, J. P. A Software-Based Approach to Optimize LoRa Antenna Positioning. 17th Seminar on Power Electronics and Control (SEPOC), IEEE, 2025. DOI 10.1109/SEPOC67005.2025.11297694