Spatially-resolved hyperlocal weather prediction and anomaly detection using IoT sensor networks and machine learning techniques
Dự đoán thời tiết siêu địa phương được giải quyết theo không gian và phát hiện bất thường bằng cách sử dụng mạng cảm biến IoT và kỹ thuật học máy
Author: Anita B. Agarwal, Rohit Rajesh, Nitin Arul | Year: 2023
Keywords: Machine Learning
Abstract / Summary
Accurate and timely hyperlocal weather predictions are essential for various applications, ranging from agriculture to disaster management. In this paper, we propose a novel approach that combines hyperlocal weather prediction and anomaly detection using IoT sensor networks and advanced machine learning techniques. Our approach leverages data from multiple spatially-distributed yet relatively close locations and IoT sensors to create high-resolution weather models capable of predicting short-term, localized weather conditions such as temperature, pressure, and humidity. By monitoring changes in weather parameters across these locations, our system is able to enhance the spatial resolution of predictions and effectively detect anomalies in real-time. Additionally, our system employs unsupervised learning algorithms to identify unusual weather patterns, providing timely alerts. Our findings indicate that this system has the potential to enhance decision-making.
Bản dịch tiếng Việt:
Dự đoán thời tiết địa phương chính xác và kịp thời là điều cần thiết cho nhiều ứng dụng khác nhau, từ nông nghiệp đến quản lý thiên tai. Trong bài báo này, chúng tôi đề xuất một phương pháp mới kết hợp dự đoán thời tiết siêu địa phương và phát hiện sự bất thường bằng cách sử dụng mạng cảm biến IoT và các kỹ thuật học máy tiên tiến. Cách tiếp cận của chúng tôi tận dụng dữ liệu từ nhiều vị trí và cảm biến IoT được phân bổ theo không gian nhưng tương đối gần nhau để tạo ra các mô hình thời tiết có độ phân giải cao có khả năng dự đoán các điều kiện thời tiết cục bộ, ngắn hạn như nhiệt độ, áp suất và độ ẩm. Bằng cách theo dõi những thay đổi về thông số thời tiết trên các địa điểm này, hệ thống của chúng tôi có thể nâng cao độ phân giải không gian của các dự đoán và phát hiện hiệu quả các điểm bất thường trong thời gian thực. Ngoài ra, hệ thống của chúng tôi sử dụng thuật toán học tập không giám sát để xác định các kiểu thời tiết bất thường, đưa ra cảnh báo kịp thời. Phát hiện của chúng tôi chỉ ra rằng hệ thống này có tiềm năng nâng cao khả năng ra quyết định.
Full Document
Open in new tabDocument Ready
Click below to load the full PDF document natively.