Este relato técnico descreve e analisa a primeira etapa de desenvolvimento da Plataforma Cidades Verdes, iniciativa que integra sensores de temperatura e umidade, Internet das Coisas e Inteligência Artificial para identificar padrões microclimáticos em áreas urbanas de Rio Claro, SP.
O monitoramento ambiental convencional não captura variações microclimáticas locais, especialmente relevantes em Rio Claro pela proximidade ao Polo Cerâmico de Santa Gertrudes. A proposta é original por articular uma rede distribuída de baixo custo, complementar às redes institucionais, entre ONG e universidade.
Adotou-se metodologia ágil (Scrum) com sete estudantes de Inteligência Artificial da Fatec Rio Claro. Construiu-se um protótipo com sensor DHT11 e Arduino Uno; dados sintéticos de seis bairros foram normalizados e agrupados pelo algoritmo K-Means, via biblioteca scikit-learn.
Adotou-se metodologia ágil (Scrum) com sete estudantes de Inteligência Artificial da Fatec Rio Claro. Construiu-se um protótipo com sensor DHT11 e Arduino Uno; dados sintéticos de seis bairros foram normalizados e agrupados pelo algoritmo K-Means, via biblioteca scikit-learn.
O estudo consolida um pipeline replicável de aquisição, normalização e agrupamento de dados microclimáticos, integrando IoT e aprendizado de máquina em arquitetura modular. Contribui, ainda, com o registro sistemático de uma experiência acadêmica aplicada, útil como referência metodológica para etapas futuras.
Os resultados vêm subsidiando estratégias de plantio e captação de recursos da ONG Mundo Florido, além de fortalecer a parceria entre sociedade civil e Fatec Rio Claro. A plataforma oferece subsídios ao planejamento territorial urbano e à sustentabilidade, alinhada ao ODS 11.
This technical report describes and analyzes the first development stage of the Green Cities Platform, an initiative integrating temperature and humidity sensors, the Internet of Things, and Artificial Intelligence to identify microclimatic patterns in urban areas of Rio Claro, SP, Brazil.
Conventional environmental monitoring fails to capture local microclimatic variations, particularly relevant in Rio Claro due to its proximity to the Santa Gertrudes Ceramic Cluster. The study's originality lies in articulating a low-cost distributed sensor network, complementary to institutional networks, through NGO-university collaboration.
An agile methodology (Scrum) was adopted with seven Artificial Intelligence students from Fatec Rio Claro. A prototype using a DHT11 sensor and Arduino Uno was built; synthetic data from six neighborhoods were normalized and clustered using the K-Means algorithm via scikit-learn.
The prototype performed satisfactorily and received a favorable assessment from faculty and institutional stakeholders. K-Means separated the simulated neighborhoods into three distinct clusters, associated with different thermal and humidity profiles, demonstrating the model's potential for microclimatic segmentation.
The study consolidates a replicable pipeline for acquiring, normalizing, and clustering microclimatic data, integrating IoT and machine learning within a modular architecture. It also contributes a systematic record of an applied academic experience, useful as a methodological reference for future project stages.
The results have been informing planting and fundraising strategies of the NGO Mundo Florido, while strengthening the partnership between civil society and Fatec Rio Claro. The platform supports urban territorial planning and sustainability, in line with Sustainable Development Goal 11.