Weather prediction

descripción
Proyecto menor

Previsión del tiempo usando Lora y aprendizaje automático

Introducción

El pronóstico del tiempo con Lora es un método simplificado y rentable para predecir el clima. Lo usaremos para predecir las condiciones climáticas en tiempo real a grandes altitudes.

Declaración del problema

Terminado usando la comunicación por satélite

• Caro
• Cobertura limitada
• Limitación de potencia
• Estado latente
• Degradación de la señal

Comunicación celular (3G, 4G) No es posible

Objetivos

1. Desarrollar el sistema de comunicación Lora para la transmisión de datos meteorológicos en tiempo real.
2. Diseñar e implementar un sistema prototipo para el pronóstico del tiempo en tiempo real.
3. Para investigar el uso de algoritmos de aprendizaje automático para la predicción del clima.

Revisión de literatura

• El aprendizaje automático puede funcionar mejor que los modelos matemáticos tradicionales en el alcance de la predicción del clima a lo largo del tiempo a través de la investigación sobre el trabajo relacionado junto con nuestra experimentación. [5]
• Recientemente, ha habido un creciente interés en la posibilidad de utilizar redes neuronales tanto para el pronóstico del clima como para la generación de conjuntos de datos climáticos. [10]
• Lora puede considerarse como un buen candidato para resolver la complejidad de los problemas en el desarrollo de IoT en el próximo futuro. [2]
• El experimento con la transmisión de Lora ha demostrado que la tecnología Lora es muy adecuada para el sistema de contaminación del aire, especialmente en la transmisión de largo alcance en comparación con otras técnicas de transmisión inalámbrica. [11]

Metodología

Los datos meteorológicos del sensor BMP 180 y DHT 11 se transmiten desde la sección del transmisor hasta el receptor utilizando Lora. Arduino en la estación receptor envía los datos del sensor al servidor de nodo. El servidor de nodo muestra los datos meteorológicos en vivo usando Chart.js. Los servidores de nodo llaman a API al servidor Flask para la predicción del clima. Flask Server llama al modelo de aprendizaje automático cuando el usuario ingresa parámetros de entrada para la predicción del clima.

Diagrama de bloques del sistema

Diagrama de actividad del sistema

Diagrama de actividad de nodo

Diagrama de actividad del matraz

Diseño de circuito

Tubería de aprendizaje automático

a. Recopilación de datos para capacitación en modelos.

b. Filtrado de datos

Ingeniería de características

Transformar datos sin procesar en un formato que sea más adecuado para algoritmos de aprendizaje automático para extraer patrones significativos y hacer predicciones precisas.

Fig: humedad

Fig: temperatura

Fig: presión

Selección de modelo

El algoritmo XGBOost se usó para entrenar el modelo debido a las siguientes razones:

1. Tiene un alto rendimiento de predicción que está diseñado para manejar relaciones complejas y no lineales en los datos y puede capturar patrones sutiles que otros algoritmos pueden perderse
2. Se puede utilizar para tareas de clasificación y regresión.
3. Proporciona información valiosa sobre la importancia de las características. Calcula las puntuaciones de importancia de la característica basadas en la cantidad de veces que se utiliza una característica para dividir los datos en todos los árboles que aumentan.
4. Está altamente optimizado y ofrece una rápida velocidad de ejecución.
5. XGBOost tiene capacidades incorporadas para manejar los datos faltantes. Puede aprender cómo manejar los valores faltantes tomando decisiones informadas durante el proceso de construcción de árboles.
6. El modelo seleccionado está entrenado utilizando los datos recopilados. El 80% de los datos se usan para el entrenamiento y el 20% restante de los datos se usa para las pruebas.
7. Cálculo de error cuadrado medio de raíz para los siguientes parámetros

Resultado

Informe meteorológico en vivo

Predicción del clima

Mejora futura

• El aprendizaje automático se puede mejorar utilizando más conjuntos de datos y mejores algoritmos.
• Los datos de la Lora se pueden recopilar en la base de datos para usarlo como un conjunto de datos de capacitación para una predicción meteorológica más precisa.
• El proyecto se puede ampliar para incluir datos más atmosféricos para predecir la lluvia y las posibilidades de avalanchas en el terreno montañoso.

Referencias

• [1] Singh, DK, Sobti, R., Jain, A., Malik, PK, Le, D.-N.: Monitoreo inteligente de condición inteligente y de condición climática basada en Lora con Internet de las cosas para la agricultura de precisión en ciudades inteligentes. IET comun. 16, 604– 618 (2022).
• [2] TI ​​ali y RF Sari, "Oportunidades de investigación de Lorawan para la implementación de Internet de las cosas", Conferencia Internacional 2018 sobre tecnología electromagnética aplicada (AEMT), Lombok, Indonesia, 2018, pp. 61-66, doi: 10.1109/AEMT.2018.8572427.
• [3] Pozdnoukhov, A., Purves, R. y Kanevski, M. (2008). Aplicación de métodos de aprendizaje automático para el pronóstico de avalancha. Annals of Glaciology, 49, 107-113. doi: 10.3189/172756408787814870
• [4] Augustin, A., Yi, J., Clausen, T. y Townsley, WM 2016. Un estudio de Lora: Long Range & amp; Redes de baja potencia para Internet de las cosas. Sensores. 16, 9 (septiembre de 2016), 1466. Doi: https: //doi.org/10.3390/s16091466.
• [5] B. Quinn y E. Abdelfattah, "El meteorólogo de aprendizaje automático puede predecir la lluvia", 2019 IEEE Décimo Información omnipresente anual, Electrónica y Comunicación Móvil (UEMCON), Nueva York, NY, USA, 2019, pp. 0057-0062, DOI: 10.1109/UEMCon47517.2019.8992997.
• [6] Goldoni, E., Prando, L., Vizziello, A., Savazzi, P. y Gamba, P. 2019. Análisis experimental del conjunto de datos de la localización interior y exterior basada en RSSI en las redes Lora. Cartas de tecnología de Internet. 2, 1 (enero de 2019), E75. Doi: https: //doi.org/10.1002/itl2.75.
• [7] Jitda Shivang, SS Sridhar, "Predicción del clima para la ubicación india usando el aprendizaje automático", International Journal of Pure and Applied Mathematics Volumen 118 No. 22 2018,1945-1949 ISSN: 1314-3395 (versión en línea).
• [8] Equipo de TA, "Nano", documentación de Arduino, https://docs.arduino.cc/hardware.
• [9] D. Hudgeon y R. Nichol, "Aprendizaje automático para negocios: Uso de Amazon Sagemaker y Jupyter", Amazon, https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost-howitworks.html.
• [10] S. Scher y G. Messori, "Pronóstico climático y climático con redes neuronales: Uso de modelos de circulación general (GCM) con diferente complejidad como terreno de estudio", Geoscientific Model Development, https://doi.org/10.5194/gmd-12-2797-2019.
• [11] Naa Husein, Aha Rahman y DP Dahnil, "Evaluación del sistema de monitoreo de contaminación del aire basado en Lora", International Journal of Advanced Computer Science and Aplications (IJACSA), http://dx.doi.org/10.14569/ijacsa.2019.0100753 (a la mano 21, 2023).

{ % File src = ". gitbook/assets/minorpresentation.pdf" %} presentación { % endfile %}