使用Lora和機器學習的天氣預報
介紹
使用LORA的天氣預報是一種簡化且具有成本效益的方法，可預測天氣。我們將使用它來預測高海拔高度的實時天氣狀況。
問題陳述
使用衛星通信完成
蜂窩通信（3G，4G）
目標
- 開髮用於實時天氣數據傳輸的洛拉通信系統。
- 設計和實施原型系統，以實時天氣預報。
- 調查機器學習算法用於天氣預測的使用。
文獻綜述
- 通過研究相關工作以及我們的實驗，機器學習可以比隨時間推移的天氣預測範圍的傳統數學模型表現更好。 [5]
- 最近，人們對使用神經網絡進行天氣預測和氣候數據集的產生的可能性越來越興趣。 [10]
- 洛拉可以被認為是解決下一個未來物聯網發展中問題的複雜性的好候選人。 [2]
- 洛拉傳輸的實驗表明，洛拉技術非常適合空氣污染系統，尤其是與其他無線傳輸技術相比，在遠距離傳輸中。 [11]
方法論
來自BMP 180和DHT 11傳感器的天氣數據使用LORA從發射器傳輸到接收器部分。接收器站的Arduino將傳感器數據發送到節點服務器。節點服務器使用Chart.js顯示實時天氣數據。節點服務器將API調用到Blask Server進行天氣預測。當用戶輸入天氣預測的輸入參數時，Blask Server調用機器學習模型。
系統框圖
系統活動圖
節點活動圖
燒瓶活動圖
電路佈局
機器學習管道
一個。用於模型培訓的數據收集。
b。數據過濾
功能工程
將原始數據轉換為一種更適合機器學習算法的格式，以提取有意義的模式並進行準確的預測。
圖：濕度
圖：溫度
無花果：壓力
選擇模型
由於以下原因，使用XGBoost算法來訓練該模型：
- 它具有較高的預測性能，旨在處理數據中復雜的非線性關係，並且可以捕獲其他算法可能錯過的微妙模式
- 它可用於分類和回歸任務。
- 它為特徵重要性提供了寶貴的見解。它根據功能用於將數據分配到所有增強樹中的次數的次數來計算特徵的重要性得分。
- 它是高度優化的，並提供快速執行速度。
- XGBoost具有處理丟失數據的內置功能。它可以通過在樹木建造過程中做出明智的決策來學習如何處理丟失價值。
- 使用收集的數據訓練所選模型。 80％的數據用於培訓，其餘20％的數據用於測試。
- 均方根誤差計算以下參數
結果
現場天氣報告
天氣預測
未來的增強
- 可以使用更多數據集和更好的算法來改進機器學習。
- 可以在數據庫中收集Lora的數據，以將其用作培訓數據集，以進行更準確的天氣預測。
- 該項目可以擴展到包括更多大氣數據，以預測山區地形雪崩的機會。
參考
- [1] Singh，DK，Sobti，R.，Jain，A.，Malik，PK，LE，D.-N。 ：洛拉的智能土壤和天氣狀況監測，並使用物聯網的物聯網監測智能城市的精確農業。 IET社區。 16，604–618（2022）。
- [2] IT Ali和RF Sari，“勞拉萬進行實施的研究機會”，2018年第二屆國際應用電磁技術會議（AEMT），倫波克，印度尼西亞，2018年，2018年，第61-66頁，doi：10.1109/aemt.2018.85722427。
- [3] Pozdnoukhov，A.，Purves，R。 ，＆Kanevski，M。 （2008）。將機器學習方法應用於雪崩預測。冰川學年鑑，49，107-113。 doi：10.3189/172756408787814870
- [4] Augustin，A.，Yi，J。 ，Clausen，T。和Wm 2016。物聯網的低功率網絡。感應器. 16，9（2016年9月），1466。 DOI：https：//doi.org/10.3390/s16091466。
- [5] B. Quinn and E. Abdelfattah, "Machine Learning Meteorologist Can Predict Rain," 2019 IEEE 10th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), New York, NY, USA, 2019, pp. 0057-0062, doi: 10.1109/UEMCON47517.2019.8992997.
- [6]戈德尼（E.互聯網技術來信。 2，1（2019年1月），E75。 doi：https：//doi.org/10.1002/itl2.75。
- [7] Jitcha Shivang，SS Sridhar，“使用機器學習的印度位置的天氣預測”，《國際純和應用數學雜誌》第118號2018年第22號2018,1945-1949 ISSN：1314-3395（在線版本）。
- [8] TA團隊，“ Nano”，Arduino文檔，https://docs.arduino.cc/hardware。
- [9] D. Hudgeon和R. Nichol，“商業機器學習：使用Amazon Sagemaker和Jupyter”，Amazon，https：//docs.aws.amazon.com/sagemaker/latest/dg/xg/xgboost-howitworks.html。
- [10] S. Scher和G. Messori，“神經網絡的天氣和氣候預測：使用具有不同複雜性的一般循環模型（GCMS）作為研究理由”，《地球科學模型開發》，https://doi.org/10.5194/gmd-12-12-2797-2019。
- [11] Naa Husein，Aha Rahman和DP Dahnil，“基於洛拉的空氣污染監測系統的評估”，《國際高級計算機科學與應用雜誌》（IJACSA），http://dx.doi.org/10.14569/14569/ijacsa.2019.0100753（訪問21，2023）。
{％file src =“。gitbook/Assets/MinorPresentation.pdf“％} eSTRAINTION {％endFile％}
