Weather prediction

description
Projet mineur

Prévisions météorologiques à l'aide de Lora et d'apprentissage automatique

Introduction

Les prévisions météorologiques à l'aide de LORA sont une méthode simplifiée et rentable pour prédire les conditions météorologiques. Nous l'utiliserons pour prédire la condition météorologique en temps réel à haute altitude.

Déclaration de problème

Fait à l'aide de la communication par satellite

• Cher
• Couverture limitée
• Limitation du pouvoir
• Latence
• Dégradation du signal

Communication cellulaire (3G, 4G) pas possible

Objectifs

1. Pour développer le système de communication LORA pour la transmission des données météorologiques en temps réel.
2. Pour concevoir et mettre en œuvre un système de prototype pour les prévisions météorologiques en temps réel.
3. Pour étudier l'utilisation des algorithmes d'apprentissage automatique pour la prédiction météorologique.

Revue de littérature

• L'apprentissage automatique peut fonctionner mieux que les modèles mathématiques traditionnels dans le cadre de la prédiction météorologique au fil du temps grâce à la recherche sur un travail connexe couplé à notre expérimentation. [5]
• Récemment, il y a eu un intérêt croissant dans la possibilité d'utiliser des réseaux de neurones pour les prévisions météorologiques et la génération d'ensembles de données climatiques. [10]
• Lora peut être considérée comme un bon candidat pour résoudre la complexité des problèmes dans le développement de l'IoT dans le prochain avenir. [2]
• L'expérience avec la transmission LORA a montré que la technologie LORA est très adaptée au système de pollution atmosphérique, en particulier dans la transmission à longue portée par rapport aux autres techniques de transmission sans fil. [11]

Méthodologie

Les données météorologiques du capteur BMP 180 et DHT 11 sont transmises de l'émetteur à la section récepteur à l'aide de LORA. Arduino à la station de récepteur envoie les données du capteur au serveur de nœuds. Node Server affiche les données météorologiques en direct à l'aide de chart.js. Les serveurs de nœuds appellent l'API sur Flask Server pour la prédiction météorologique. Flask Server appelle le modèle d'apprentissage automatique lorsque l'utilisateur entre dans les paramètres d'entrée pour la prédiction météorologique.

Diagramme de blocs système

Diagramme d'activité du système

Diagramme d'activité de nœud

Diagramme d'activité du flacon

Disposition du circuit

Pipeline d'apprentissage automatique

un. Collecte de données pour la formation des modèles.

né Filtrage de données

Ingénierie de caractéristiques

Transformer les données brutes en un format plus adapté aux algorithmes d'apprentissage automatique pour extraire des modèles significatifs et faire des prédictions précises.

Fig: Humidité

Fig: température

Fig: pression

Sélection du modèle

L'algorithme XGBOost a été utilisé pour former le modèle pour des raisons suivantes:

1. Il a des performances de prédiction élevées conçues pour gérer des relations complexes et non linéaires dans les données et peut capturer des modèles subtils qui peuvent être manqués par d'autres algorithmes
2. Il peut être utilisé pour les tâches de classification et de régression.
3. Il fournit des informations précieuses sur l'importance des fonctionnalités. Il calcule les scores d'importance des fonctionnalités en fonction du nombre de fois où une fonctionnalité est utilisée pour diviser les données sur tous les arbres de boosting.
4. Il est hautement optimisé et offre une vitesse d'exécution rapide.
5. XGBOost a des capacités intégrées pour gérer les données manquantes. Il peut apprendre à gérer les valeurs manquantes en prenant des décisions éclairées pendant le processus de construction d'arbres.
6. Le modèle sélectionné est formé à l'aide des données collectées. 80% des données sont utilisées pour la formation et les 20% restants des données sont utilisés pour les tests.
7. Calcul d'erreur quadratique moyenne pour les paramètres suivants

Résultat

Rapport météo en direct

Prédiction météorologique

Amélioration future

• L'apprentissage automatique peut être amélioré à l'aide de plus de jeux de données et de meilleurs algorithmes.
• Les données de la LORA peuvent être collectées dans la base de données pour les utiliser comme ensemble de données de formation pour une prédiction météorologique plus précise.
• Le projet peut être élargi pour inclure plus de données atmosphériques pour prédire la pluie et les chances des avalanches sur un terrain montagneux.

Références

• [1] Singh, DK, Sobti, R., Jain, A., Malik, PK, LE, D.-N.: Surveillance intelligente des conditions des sols et météorologiques basée à Lora avec l'Internet des objets pour l'agriculture de précision dans les villes intelligentes. Iet commun. 16, 604– 618 (2022).
• [2] It Ali et RF Sari, «Research Opportunities of Lorawan for Internet of Things Implementation», 2018 2nd International Conference on Applied Electromagnétic Technology (AEMT), Lombok, Indonésie, 2018, pp. 61-66, DOI: 10.1109 / AEMT.2018.8572427.
• [3] Pozdnoukhov, A., Purves, R. et Kanevski, M. (2008). Appliquer des méthodes d'apprentissage automatique aux prévisions d'avalanche. Annales de glaciologie, 49, 107-113. doi: 10.3189 / 172756408787814870
• [4] Augustin, A., Yi, J., Clausen, T. et Townsley, WM 2016. Une étude de Lora: Long Range & amp; Réseaux de faible puissance pour l'Internet des objets. Capteurs. 16, 9 (sept. 2016), 1466. Doi: https: //doi.org/10.3390/s16091466.
• [5] B. Quinn et E. Abdelfattah, «Machine Learning Meteorologist peut prédire la pluie», 2019 IEEE 10e conférence annuelle de l'informatique omniprésente, électronique et de communication mobile (UEMCON), New York, NY, USA, 2019, pp. 0057-0062, DOI: 10.1109 / UEMCON47517.2019.8992997.
• [6] Goldoni, E., Prando, L., Vizziello, A., Savazzi, P. et Gamba, P. 2019. Analyse des ensembles de données expérimentales de la localisation intérieure et extérieure basée sur RSSI dans les réseaux de Lora. Lettres de technologie Internet. 2, 1 (janvier 2019), E75. Doi: https: //doi.org/10.1002/itl2.75.
• [7] Jitcha Shivang, SS Sridhar, «Prédiction météorologique pour l'emplacement indien utilisant l'apprentissage automatique», International Journal of Pure and Applied Mathematics Volume 118 No. 22 2018,1945-1949 ISSN: 1314-3395 (version en ligne).
• [8] TA Team, «Nano», Arduino Documentation, https://docs.arduino.cc/hardware.
• [9] D. Hudgeon et R. Nichol, «Machine Learning for Business: Utilisation d'Amazon Sagemaker et Jupyter», Amazon, https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost-howitworks.html.
• [10] S. Scher et G. Messori, «Prévision météorologique et climatique avec les réseaux de neurones: utilisant des modèles de circulation générale (GCM) avec une complexité différente comme terrain d'étude», Geoscientific Model Development, https://doi.org/10.5194/GMD-12-2797-2019.
• [11] Naa Husein, Aha Rahman et DP Dahnil, «Évaluation du système de surveillance de la pollution atmosphérique basée sur LORA», International Journal of Advanced Computer Science and Applications (IJACSA), http://dx.doi.org/10.14569/ijacsa.2019.0100753 (consulté May 21, 2023).

{% fichier src = ". GitBook / Assets / Minorpresentation.pdf"%} présentation {% endFile%}