دانلود ترجمه مقاله تحلیل عملکرد و پیاده سازی سیستم پیش بینی آب و هوای زمان واقعی

1. مقدمه 2. معماری سیستم 3. الگوریتم های پیش بینی و طراحی نرم افزار 4. نتایج و بحث و بررسی 5. نتیجه گیری

اخیراً، چندین سیستم پیش بینی بلادرنگ آب و هوا براساس «اینترنت اشیاء» (IoT) برای فراهم کردن پیش بینی های بلادرنگ کوتاه مدت که به آن Nowcast گفته می شود، توسعه یافته است. چالش اصلی در این سیستم ها استفاده از الگوریتم های پیش بینی مناسب که پارامترهای آب و هوایی مختلف را با بالاترین دقت ممکن پیش بینی می کنند، می باشد. در این مقاله، یک سیستم پیش بینی آب و هوایی برپایه IoT برای فراهم کردن پیش بینی آب و هوایی کوتاه مدت در یک محیط دانشگاه در بازه های متغیر از 20 دقیقه تا 1 ساعت، پیاده سازی شده است. چندین الگوریتم پیش بینی وفقی براساس انواع مختلف روش «رگرسیون خطی چندگانه» مانند K نزدیکترین همسایه (K-NN) آزمایش شده اند. علاوه بر آن، سه ضابطه انتخاب وفقی برای انتخاب مناسب ترین الگوریتم پیش بینی برای یک Nowcast معین، توسعه و تست شدند. پارامترهای تحلیل شده عبارتند از: دما، رطوبت، فشار هوا، بارش باران، شدت نور، سرعت باد و جهت باد. بهترین طرح های وفقی، قادر به پیش بینی این پارامترها با یک درصد خطای کلی 58/6% در مقایسه با موارد غیروفقی که با یک خطای درصد بدترین حالت 59/13% پیش بین شده اند، می باشند. مقدمه: پیش بینی آب و هوا، همیشه یک فرآیند حیاتی برای تضمین اجرای هموار و آرام چندین فعالیت مهم بوده است [1]. اما، بخاطر تغییرات هنگفت اقلیمی، پیش بینی آب و هوا با استفاده فنون سنتی، غیرموثر شده است. بسیاری از کشورها امروزه در خطر سیلاب ناگهانی می باشند و پیش بینی چنین شرایط آب و هوایی با سیستم های پیش بینی متداول، غیرممکن است زیرا این سیستم ها پیش بینی هایی برای مناطق بزرگی در عرض چند ساعت فراهم می کنند. موریتانی، اخیراً شرایط آب و هوایی هنگفتی مانند سیلاب های ناگهانی تجربه کرده است که باعث آسیب مالی و جانبی فراوانی شده است. اما، امروزه، با ظهور اینرنت اشیاء، پیش بینی بلادرنگ یا نزدیک به بلادرنگ آب و هوایی، امکان پذیر شده است. چندین سیستم پیش بینی آب و هوا براساس حسگرهای محلی متصل به تاسیسات رایانش ابری وجود دارند که پیش بینی های کوتاه مدت برای مناطق کوچک فراهم می کنند. این سیستم های پیش بینی، از فنونی مانند شبکه های عصبی، منطق فازی، تحلیل سری زمانی و رگرسیون، استفاده می کنند.

Recently several real-time weather forecasting systems based on Internet of Things (IoT) have been developed to provide short-term real time forecasts also referred to as Nowcasts. The main challenge in these systems is to use appropriate prediction algorithms that can predict different weather parameters with the highest possible accuracy. In this work, an IoT based weather forecasting system has been implemented to provide short-term weather forecasts on a University campus at intervals ranging from 20 min to one hour. Several adaptive forecasting algorithms based on variants of the Multiple Linear Regression technique as well as K-Nearest Neighbors (K-NN) have been experimented. Moreover, three adaptive selection criteria for selecting the most appropriate prediction algorithm for a given Nowcast have been developed and tested. The parameters analysed are: temperature, humidity, atmospheric pressure, rainfall, luminosity, wind-speed, and wind direction. The best adaptive schemes are able to predict these parameters with an overall percentage error of 6.58% as compared to non-adaptive ones which predicted with a worst case percentage error of 13.59%. Introduction: Weather forecasting has always been a vital process to ensure the smooth running of several important activities [1] . However, due to drastic climatic changes, weather prediction using the traditional techniques is becoming ineffective. Many countries are at risk of flash flood nowadays and predicting such weather conditions with conventional forecasting systems is not possible because these systems provide predictions for large regions over hours. Mauritius has recently experienced drastic weather conditions such as flash-floods that caused major collateral damage and life loss. However, nowadays, with the emergence of Internet of Things, real time or near real time weather prediction is possible. There are several weather forecasting systems based on localized sensors connected to cloud computing facilities that can provide short-term forecasts for small regions. These forecasting systems make use of techniques such as neural networks, Fuzzy logic, time series and regression analysis.