Monitoramento de solo em tempo real com IoT de baixo custo e predição de irrigação por Machine Learning para agricultura de precisão.
A irrigação no Brasil ainda é majoritariamente baseada em intuição, gerando desperdício e perdas significativas.
Irrigação baseada em calendário fixo ou "feeling" do produtor, sem dados reais sobre a necessidade do solo.
Sistemas de agricultura de precisão custam R$50-200k, inviáveis para pequenos e médios produtores.
Estresse hídrico não detectado a tempo causa perdas irreversíveis na produção agrícola.
Cerrado goiano sob pressão hídrica crescente, com secas mais frequentes e severas.
Sistema IoT de baixo custo com IA preditiva para democratizar a agricultura de precisão.
Sensores Modbus coletando umidade, temperatura e condutividade do solo em tempo real.
Dados armazenados em InfluxDB Cloud e visualizados em dashboard Grafana em tempo real.
Modelo de Machine Learning para prever necessidade de irrigação nas próximas 24-72 horas.
Hardware de baixo custo usando componentes ESP32 e comunicação LoRa sem taxas mensais de operadora.
Fluxo de dados do sensor até a inteligência artificial.
HaliSense x3
Modbus RS485ESP32 + LoRa
Deep Sleep 10minESP32 + WiFi
LoRa 433MHzTime-series DB
HTTPS APIDashboard
Flux QueryML Preditivo
Python/TensorFlowMCU: ESP32-WROOM-32 LoRa: E32-433T30D (30dBm) RS485: MAX485 (pino 33) Sensores: 3x Modbus ID 1,2,3 Sleep: 10 min ciclo Watchdog: 15 min timeout Calibração: R² > 0.94
MCU: ESP32-WROOM-32 LoRa: E32-433T30D Display: OLED SSD1306 WiFi: 802.11 b/g/n Config: Captive Portal Upload: InfluxDB Cloud Watchdog: 15 min timeout
Sensor 1: y = 0.7272x + 9.74
R² = 0.9575
Sensor 2: y = 0.6210x + 13.98
R² = 0.9406
Sensor 3: y = 0.6163x + 15.01
R² = 0.9427
Faixa: 20-60% umidade
Visualização dos dados coletados em Santa Fé - GO.
Benefícios econômicos, sociais e ambientais da solução.
Redução no consumo de água
Aumento de produtividade
Custo por kit (vs R$50k+)
Produtores potenciais em GO
O que foi feito e os próximos passos.
Desenvolvimento do transmissor e receptor ESP32 com comunicação LoRa e sensores Modbus.
✓ ConcluídoCalibração individual de cada sensor com regressão linear (R² > 0.94 para todos).
✓ ConcluídoIntegração com InfluxDB Cloud e criação de dashboard Grafana com mapa e gráficos em tempo real.
✓ ConcluídoOperação contínua em Santa Fé-GO coletando dados para treinamento do modelo de IA.
⏳ Em AndamentoDesenvolvimento e treinamento de modelo ML para previsão de irrigação (LSTM/Random Forest).
📋 PlanejadoAplicativo para agricultores com notificações inteligentes e recomendações de irrigação.
📋 PlanejadoTecnologias utilizadas no desenvolvimento.