Apresentação de plataforma web para controle de experimentos no cafeeiro
DOI:
https://doi.org/10.38152/bjtv9n2-001Keywords:
plataforma web, agricultura de precisão, IoT, sensoriamento multiespectral, cafeiculturaAbstract
A cultura do café possui grande relevância econômica e científica, porém a coleta e gestão de dados em experimentos agronômicos ainda dependem, em muitos casos, de métodos radicionais baseados em anotações manuais e registros dispersos. Nesse contexto, o objetivo deste trabalho é apresentar o desenvolvimento de uma plataforma web, deno-minada AgroMonitor, voltada ao controle, gerenciamento e monitoramento sistemático de experimentos com cafeeiro. O sistema integra tecnologias de Internet das Coisas (IoT) para a coleta de dados climáticos, câmeras multiespectrais para análise do dossel e Inteligência Artificial Genera-tiva (LLMs) para apoio ao diagnóstico fitossanitário automatizado. A implementação foi realizada utilizando a linguagem Python para a estruturação da interface e processamento dos dados. A validação do sistema ocorreu em um ambiente controlado, contemplando desde a captação física dos dados até a geração de relatórios técnicos e mapeamento espacial das informações coletadas. Os resultados demonstram alta eficácia da plataforma, com o módulo de inteligência artificial identificando corretamente padrões espectrais em 94% das amostras analisadas, enquanto o hardware IoT apresentou estabilidade e baixa latência na transmissão de dados microclimáticos. Conclui-se que o AgroMonitor contribui significativamente para o avanço da agri-cultura de precisão na cafeicultura, promovendo a digitalização de processos experimentais e ampliando a rastreabilidade das informações, além de oferecer suporte mais eficiente à tomada de decisão em pesquisas agronômicas.
References
AHMED, N.; SHAKOOR, N. Advancing agriculture through IoT, Big Data, and AI: a review of smart technologies enabling sustainability. Smart Agricultural Technology, [S. l.], v. 10, 2025.
ARTEAGA, F. et al. Multispectral analysis for crop stress detection using UAVs. Precision Agriculture, [S. l.], v. 23, p. 110-128, 2022.
BARILLARI, C. et al. openBIS ELN-LIMS: an open-source database for academic laboratories. Bioinformatics, [S. l.], v. 32, n. 4, p. 638-640, 2016.
CAMACHO RODRIGUEZ, D.; STÄUBERT, S.; LÖBE, M. Data integration using Mirth Connect.
Studies in Health Technology and Informatics, [S. l.], v. 228, p. 65-69, 2016.
Devika, R. CNN applications in smart farming. Computers and Electronics in Agri-culture, [S. l.], v. 201, p. 107250, 2024.
FAO – Food and Agriculture Organization of the United Nations. Digital technologies in agriculture and rural areas: status report. Rome: FAO, 2019.
FELDEN, M. et al. Zero-shot learning in plant disease identification. Plant Pathology, [S. l.],
v. 72, n. 4, p. 678-689, 2023.
GREGO, C. R. et al. Vegetation indices for monitoring coffee crops. Agronomy Journal, [S. l.],
v. 117, p. 200-215, 2025.
HOLLER, W. A. et al. Câmeras modificadas e multiespectrais embarcadas em drones: enfo-que para estudos da vegetação. Colombo: Embrapa Florestas, 2022.
Holter, J. et al. Multimodal AI for comprehensive biological systems analysis. Nature Machine Intelligence, [S. l.], v. 7, p. 34-45, 2025.
KHOSLA, R. Precision agriculture: challenges and opportunities in a flat world. In: IN-TERNATIONAL CONFERENCE ON PRECISION AGRICULTURE, 10., 2010, [S.
l.]. Proceedings [...]. [S. l.: s. n.], 2010.
MADIWAL, S.; JHA, R.; BARTHAKUR, A. Edge AI and IoT in precision farming. IEEE Inter-net of Things Journal, [S. l.], v. 12, p. 1500-1512, 2025.
MARIN, A. R. et al. Detecção de bicho-mineiro no cafeeiro utilizando drones. Revista Brasileira de Engenharia Agrícola e Ambiental, [S. l.], v. 23, n. 8, p. 600-606, 2019.
MATHENGE, M.; SONNEVELD, B.; BROERSE, J. Application of GIS in agriculture. Sustainabi-lity, [S. l.], 2022.
ROBERT, P. C. Precision agriculture: a challenge for crop nutrition management. Plant and Soil, [S. l.], v. 247, n. 1, p. 143-149, 2002.
ROUMELIOTIS, K. et al. Plant disease detection through multimodal large language models and convolutional neural networks. IEEE, [S. l.], 2024.
STAFFORD, J. V. Implementing precision agriculture in the 21st century. Journal of Agri-cultural Engineering Research, [S. l.], v. 76, n. 3, p. 267-275, 2000.
