Peramalan Cuaca Menggunakan Lora dan Pembelajaran Mesin
Perkenalan
Peramalan cuaca menggunakan Lora adalah metode yang disederhanakan dan efektif untuk memprediksi cuaca. Kami akan menggunakannya untuk memprediksi kondisi cuaca waktu nyata di ketinggian tinggi.
Pernyataan masalah
Selesai menggunakan komunikasi satelit
- Mahal
- Cakupan terbatas
- Keterbatasan Kekuatan
- Latensi
- Degradasi sinyal
Komunikasi seluler (3G, 4G) tidak mungkin
Tujuan
- Untuk mengembangkan sistem komunikasi LORA untuk transmisi data cuaca waktu nyata.
- Untuk merancang dan mengimplementasikan sistem prototipe untuk peramalan cuaca waktu nyata.
- Untuk menyelidiki penggunaan algoritma pembelajaran mesin untuk prediksi cuaca.
Ulasan Sastra
- Pembelajaran mesin dapat berkinerja lebih baik daripada model matematika tradisional dalam ruang lingkup prediksi cuaca dari waktu ke waktu melalui penelitian ke dalam pekerjaan terkait ditambah dengan eksperimen kami. [5]
- Baru -baru ini, ada minat yang semakin besar dalam kemungkinan menggunakan jaringan saraf untuk peramalan cuaca dan generasi dataset iklim. [10]
- Lora dapat dianggap sebagai kandidat yang baik dalam memecahkan kompleksitas masalah dalam pengembangan IoT di masa depan. [2]
- Eksperimen dengan transmisi LORA telah menunjukkan bahwa teknologi LORA sangat cocok untuk sistem polusi udara terutama dalam transmisi jarak jauh dibandingkan dengan teknik transmisi nirkabel lainnya. [11]
Metodologi
Data cuaca dari sensor BMP 180 dan DHT 11 ditransmisikan dari pemancar ke bagian penerima menggunakan LORA. Arduino di Stasiun Penerima mengirimkan data sensor ke server node. Node Server menampilkan data cuaca langsung menggunakan chart.js. Server Node memanggil API ke server Flask untuk prediksi cuaca. Flask Server memanggil model pembelajaran mesin ketika pengguna memasukkan parameter input untuk prediksi cuaca.
Diagram blok sistem
Diagram aktivitas sistem
Diagram aktivitas simpul
Diagram Aktivitas Flask
Tata letak sirkuit
Pipa Pembelajaran Mesin
A. Pengumpulan data untuk pelatihan model.
B. Pemfilteran data
Teknik fitur
Mengubah data mentah menjadi format yang lebih cocok untuk algoritma pembelajaran mesin untuk mengekstraksi pola yang bermakna dan membuat prediksi yang akurat.
Gbr: Kelembaban
Gbr: Suhu
Gbr: Tekanan
Pemilihan model
Algoritma XGBoost digunakan untuk melatih model karena alasan berikut:
- Ini memiliki kinerja prediksi tinggi yang dirancang untuk menangani hubungan yang kompleks dan non-linear dalam data dan dapat menangkap pola halus yang mungkin terlewatkan oleh algoritma lain
- Ini dapat digunakan untuk tugas klasifikasi dan regresi.
- Ini memberikan wawasan yang berharga tentang kepentingan fitur. Ini menghitung skor kepentingan fitur berdasarkan berapa kali fitur digunakan untuk membagi data di semua pohon yang meningkatkan.
- Ini sangat dioptimalkan dan menawarkan kecepatan eksekusi yang cepat.
- XGBoost memiliki kemampuan bawaan untuk menangani data yang hilang. Ini dapat mempelajari cara menangani nilai-nilai yang hilang dengan membuat keputusan berdasarkan informasi selama proses pembangunan pohon.
- Model yang dipilih dilatih menggunakan data yang dikumpulkan. 80% dari data digunakan untuk pelatihan dan 20% data yang tersisa digunakan untuk pengujian.
- Root rata -rata perhitungan kesalahan kuadrat untuk parameter berikut
Hasil
Laporan cuaca langsung
Prediksi cuaca
Peningkatan di masa depan
- Pembelajaran mesin dapat ditingkatkan menggunakan lebih banyak kumpulan data dan algoritma yang lebih baik.
- Data LORA dapat dikumpulkan dalam database untuk menggunakannya sebagai dataset pelatihan untuk prediksi cuaca yang lebih akurat.
- Proyek ini dapat diperluas untuk memasukkan lebih banyak data atmosfer untuk memprediksi hujan dan peluang longsoran di medan pegunungan.
Referensi
- [1] Singh, DK, Sobti, R., Jain, A., Malik, PK, LE, D.-N.: Tanah Cerdas yang Berbasis Lora dan Kondisi Cuaca Pemantauan dengan Internet of Things for Precision Agriculture di kota-kota pintar. IET Commun. 16, 604– 618 (2022).
- [2] IT Ali dan RF Sari, "Peluang Penelitian Lorawan untuk Implementasi Internet of Things," Konferensi Internasional ke-2 2018 tentang Teknologi Elektromagnetik Terapan (AEMT), Lombok, Indonesia, 2018, hlm. 61-66, doi: 10.1109/AEMT.2018.8572427.
- [3] Pozdnoukhov, A., Purves, R., & Kanevski, M. (2008). Menerapkan metode pembelajaran mesin untuk peramalan longsoran. Annals of Glaciology, 49, 107-113. doi: 10.3189/172756408787814870
- [4] Augustin, A., Yi, J., Clausen, T. dan Townsley, WM 2016. Studi Lora: Long Range & amp; Jaringan Daya Rendah untuk Internet of Things. Sensor. 16, 9 (September 2016), 1466. doi: https: //doi.org/10.3390/s16091466.
- [5] B. Quinn dan E. Abdelfattah, "Meteorologi Pembelajaran Mesin Dapat Memprediksi Hujan," 2019 IEEE 10th Tahunan Komputasi Ubiquitous, Elektronik & Konferensi Komunikasi Seluler (UEMCON), New York, NY, USA, 2019, hlm. 0057-0092, doi: 10.1109/UEMCON47517.89999, DOI: 10.1109/UEMCON47517.89999.89, DOI: 10.1109/UEMCON47517.897.899, DOI: 10.1109/uemcon47517.0097.899, DOI: 10.1109/UEMCON47517.897.89
- [6] Goldoni, E., Prando, L., Vizziello, A., Savazzi, P. dan Gamba, P. 2019. Analisis kumpulan data eksperimental dari lokalisasi indoor dan outdoor berbasis RSSI di jaringan LORA. Surat Teknologi Internet. 2, 1 (Januari 2019), E75. Doi: https: //doi.org/10.1002/itl2.75.
- [7] Jitcha Shivang, SS Sridhar, “Prediksi cuaca untuk lokasi India menggunakan pembelajaran mesin”, Jurnal Internasional Volume Matematika Murni dan Terapan 118 No. 22 2018.1945-1949 ISSN: 1314-3395 (versi on-line).
- [8] TA Team, “Nano,” Dokumentasi Arduino, https://docs.arduino.cc/hardware.
- [9] D. Hudgeon dan R. Nichol, “Pembelajaran Mesin untuk Bisnis: Menggunakan Amazon Sagemaker dan Jupyter,” Amazon, https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost-howitworks.html.
- [10] S. Scher dan G. Messori, “Peramalan cuaca dan iklim dengan jaringan saraf: Menggunakan model sirkulasi umum (GCM) dengan kompleksitas yang berbeda sebagai landasan studi,” pengembangan model geoscientific, https://doi.org/10.5194/gmd-2797-2019.
- [11] Naa Husein, Aha Rahman, dan DP Dahnil, “Evaluasi Sistem Pemantauan Polusi Udara yang berbasis di LORA,” International Journal of Advanced Computer Science and Applications (IJACSA), http://dx.doi.org/10.14569/ijacsa.2019.0100753 (Access).
{ % file src = ". GitBook/Assets/MinorPresentation.pdf" %} presentasi { % endfile %}
