Extensión de la plataforma de fuente abierta thingsboard para el desarrollo de soluciones IOT para el agro Colombiano [Recurso Electrónico] / Carlos Alberto Ramírez Otero, Germán Andrés López Pacheco, Cristian Fernando Mendivelso Sanabria.

Por: Ramírez Otero, Carlos AlbertoColaborador(es): López Pacheco, Germán Andrés [Autor.] | Mendivelso Sanabria, Cristian Fernando [Autor.] | Cadavid Rengifo, Héctor Fabi [director.]Tipo de material: Archivo de ordenadorArchivo de ordenadorEditor: Bogotá (Colombia): Escuela Colombiana de Ingeniería Julio Garavito, 2018Descripción: 127 paginas. gráficosTema(s): CÓDIGO ABIERTO | ANÁLISIS DE DATOS | AGRICULTURA DE PRECISIÓN | TESIS Y DISERTACIONES ACADÉMICASClasificación CDD: 003 Recursos en línea: Haga clic para acceso en línea Nota de disertación: Tesis (Ingeniero de Sistemas) Revisión: En este documento se detalla la extensión realizada a la plataforma de código abierto Thingsboard, con conceptos propios del agro colombiano (finca, lote y cultivo) para solucionar problemas que afectan la productividad de los cultivos, haciendo uso de herramientas de análisis de datos (Apache Spark) y aprendizaje automático (MLIB) en tiempo real y con datos históricos, con el fin de poder preveer posibles riesgos y amenazas que puede afectar el estado y crecimiento de los cultivos. Dentro de la implementación, se encuentra el uso de herramientas de georreferenciación que permiten ubicar regiones que representan los terrenos de los agricultores. A lo largo del documento se encontrará más a detalle cada uno de los aspectos del proyecto con sus respectivos manuales para que pueda ser replicado y extendido en un futuro.
Etiquetas de esta biblioteca: No hay etiquetas de esta biblioteca para este título. Ingresar para agregar etiquetas.
    Valoración media: 0.0 (0 votos)

Tesis (Ingeniero de Sistemas)

En este documento se detalla la extensión realizada a la plataforma de código abierto
Thingsboard, con conceptos propios del agro colombiano (finca, lote y cultivo) para
solucionar problemas que afectan la productividad de los cultivos, haciendo uso de
herramientas de análisis de datos (Apache Spark) y aprendizaje automático (MLIB) en
tiempo real y con datos históricos, con el fin de poder preveer posibles riesgos y amenazas
que puede afectar el estado y crecimiento de los cultivos. Dentro de la implementación, se
encuentra el uso de herramientas de georreferenciación que permiten ubicar regiones que
representan los terrenos de los agricultores.
A lo largo del documento se encontrará más a detalle cada uno de los aspectos del proyecto
con sus respectivos manuales para que pueda ser replicado y extendido en un futuro.

No hay comentarios en este titulo.

para colocar un comentario.

Haga clic en una imagen para verla en el visor de imágenes