Desenvolvimento de uma Aplicação para Gerenciamento de Dados de Hortas Automatizadas Indoor
Resumo
A agricultura indoor automatizada, também conhecida como fazenda vertical, emerge como uma solução promissora para enfrentar os desafios da agricultura tradicional, proporcionando ambientes controlados e otimizados para a produção de alimentos. Este artigo detalha o desenvolvimento de uma aplicação web em formato dashboard, projetado para análises em fazendas verticais, com foco na geração de insights visuais. Exemplos de disposição de dados incluem gráficos dinâmicos e interativos, bem como cartões informativos para apresentação de informações textuais de forma mais eficaz. Ao concluir esta etapa e implementar as etapas futuras identificadas durante o processo, o objetivo é aprimorar a capacidade de orientar decisões mais informadas, visando à otimização da produção em hortas automatizadas indoor.
Referências
R. Pati and M. Abelar, “The application and optimization of metal reflectors to vertical greenhouses to increase plant growth and health,” Journal of Agricultural Engineering and Biotechnology, pp. 63–71, 05 2015.
D. Despommier, “Vertical farms,” Field Actions Science Reports, vol. 20, pp. 68–73, Sep. 2019.
A. Montoya, F. Obando, J. Morales, and L. Vargas, “Automatic aeroponic irrigation system based on arduino’s platform,” Journal of Physics: Conference Series, vol. 850, no. 1, p. 012003, 06 2017.
J. Tyrychtr, M. Ulman, and V. Vostrovsky, “Evaluation of the state of the business intelligence among small czech farms,” Agriculture Economics (Zemědělská ekonomika), vol. 61, pp. 63–71, 02 2015.
G. Richards, W. Yeoh, A. Y. L. Chong, and A. Popovič, “Business intelligence effectiveness and corporate performance management: An empirical analysis,” Journal of Computer Information Systems, vol. 59, no. 2, pp. 188–196, 2019.
E. Thomsen, OLAP Solutions, 2nd ed., R. Elliott, Ed. John Wiley Sons, 10 2002.
L. C. Stoica, “Business intelligence and olap,” Knowledge Horizons - Economics, vol. 10, no. 3, pp. 68–76, 2018.
C. J. Murphy, K. Llort, and W. G. Pill, “Factors affecting the growth of microgreen table beet,” International Journal of Vegetable Science, vol. 16, pp. 253–266, 06 2010.
A. Yaganteeswarudu, “Multi disease prediction model by using machine learning and flask api,” in 2020 5th International Conference on Communication and Electronics Systems (ICCES), 2020, pp. 1242–1246.
E. H. Mahood, L. H. Kruse, and G. D. Moghe, “Machine learning: A powerful tool for gene function prediction in plants,” Applications in Plant Sciences, vol. 8, no. 7, 07 2020.
N. Gürsakal, S. Çelik, and E. Birişçi, Synthetic Data Generation with Python. Berkeley, CA: Apress, 2022, pp. 159–214.
