Como os Países Baixos gastaram 668 milhões
<\/HEAD>
Como os Países Baixos gastaram 668 milhões<\/H1>E usamos 612 em hardware, InfluxDB & ArcGIS para monitorar isso<\/H6><\/P>Resumo<\/H2>Na ve9spera de Ano Novo, grandes quantidades de fogos de artifedcio se3o acesos nos Paedses Baixos. Gostaria de aproveitar esta oportunidade para explorar como grandes quantidades de sensores IoT produzidos de forma barata podem ne3o apenas melhorar muito a qualidade da medie7e3o e o tamanho da amostra, mas tambe9m que3o fe1cil e9 integre1-los em um ambiente ArcGIS for Enterprise. Te9cnicas usadas: Javascript, Webappbuilder, Portal, Geoevent Server, Geoevent Server SDK + Java, InfluxDB, C#.<\/P><\/P>Resumo Executivo<\/H2>Ne3o he1 dfavida que no faltimo ano todos este3o falando sobre "IoT" e suas aplicae7f5es no mundo real. Como tudo vai ser melhor (ou pior) por causa disso, e como isso vai resolver muitas questf5es socioeconf4micas.<\/P><\/P>Como em qualquer empresa de consultoria/integrae7e3o te9cnica, muitos clientes da Ordina costumam fechar durante o recesso de inverno, o que me deu tempo para abordar nossa unidade de inovae7e3o que, entre minha prpria unidade, est00 trabalhando com IoT.<\/P><\/P>Este ano, no entanto, tivemos um caso de negcio. Queramos "melhorar" a iniciativa do Governo Holand
s sobre medies colaborativas de partculas finas/qualidade do ar. Especialmente na v
spera de Ano Novo isso um grande assunto: 68 milhes em fogos de artifício s
o explodidos no ar a cada ano, o que gera muito debate nacional e local. Medies como essas j
s
o feitas usando equipamentos altamente especializados h
anos (tambem ao redor das estradas), mas queriamos otimizar e tornar isso mais barato.<\/P><\/P>Usando um sensor de partícula Shinyei PPD42 (8) e um mulo ESP8266 WiFi/SOC (4) conseguimos construir um sensor de baixa pot precisa surpreendentemente preciso. Distribuímos 30 desses para colegas da Ordina e pedimos que os pendurassem ao redor de suas casas. Usando o mesmo sensor, mas com um mulo LoRA em vez de WiFi (LoRA = uma plataforma IoT com cobertura nacional nos Paises Baixos; nas antigas frequências UHF; sensores autônomos de longo alcance podem durar meio ano com uma bateria), conseguimos até colocar alguns "na natureza" alimentados por bateria.<\/P><\/P>Devido a restrições do cliente foi usado um banco de dados open source e gratuito para séries temporais; InfluxDB. Bancos de dados Time Series se especializam em monitoramento em tempo real (níveis quase analógicos de precisão) de dados e medições, com o tempo sendo o fator definidor. Para conectar ao ArcGIS, foi usado o Geoevent processor 10.5 para integrar todos os dados com GIS. O resultado foi um visualizador ao vivo que também podia mostrar dados históricos com um modelo de dados altamente versátil. Foi visto durante a véspera de Ano Novo por muitos funcionários da Ordina (um até rastreou seu próprio sensor via GIS em um Nintendo 3DS...), e os resultados (como o GIS fortaleceu essa solução) foram compartilhados com a referida agência governamental – que não havia considerado usar GIS antes. Os 32 sensores monitorados agora poderiam facilmente ter sido 3200 sensores!<\/P><\/P>A melhor parte? Tudo, desde os dados até o GIS, foi construído por uma pessoa em uma única semana. IoT & GIS: Muito poderoso, mas nada complicado. Quanto aos resultados: os 68 milhões em fogos causavam até 40 vezes mais partículas finas no ar do que o normal. O que é apenas 4 vezes mais do que o surpreendentemente rastreável horário de pico matinal em algumas partes do país.<\/P><\/P>Esta sessão mostra as etapas tomadas, como o InfluxDB funciona, como integramos ele no ArcGIS com Geoevent Processor e como o visualizador final foi construído, e por que IoT é tão fácil e barato de implementar.<\/P><\/BODY><\/HTML>
