| Sažetak | Predikcija vremenskih uvjeta važna je u mnogim područjima, od svakodnevnog planiranja do profesionalne meteorologije. Ovaj rad istražuje mogućnost primjene osobne meteorološke stanice s dubokim učenjem, kako bi se omogućila preciznija lokalna vremenska prognoza. Razvijen je sustav koji automatizirano prikuplja, obrađuje i analizira meteorološke podatke, a zatim koristi neuronske mreže za predikciju budućih vremenskih uvjeta. Podaci su prikupljeni pomoću Arduino senzora i OpenWeather API-ja, obuhvaćajući temperaturu, tlak, vlažnost, brzinu i smjer vjetra te oblačnost. Prije analize, podaci su očišćeni, interpolirani i normalizirani, kako bi se osigurala njihova konzistentnost. Implementirana je i konverzija smjera vjetra u vektorske komponente, što omogućuje točniju analizu vremenskih obrazaca. Za vremensku prognozu korištena je LSTM neuronska mreža, trenirana na podacima organiziranim u sekvence duljine 72 sata, pri čemu model uči iz prošlih vremenskih uvjeta kako bi predvidio 24 sata unaprijed. Evaluacija modela provedena je pomoću MAE, MSE i R² metrika, a rezultati pokazuju da model postiže visoku točnost u predikciji temperature i tlaka, dok su predikcije brzine i smjera vjetra bile manje precizne zbog veće oscilacije podataka. Testiranje na real-time podacima potvrdilo je sposobnost modela da generalizira i prepozna vremenske obrasce, no nije prošlo bez izazova, poput balansiranja podataka i optimizacije arhitekture modela. Daljnja poboljšanja mogla bi uključivati testiranje naprednijih neuronskih mreža (CNN-LSTM), povećanje raznolikosti skupa podataka, uključivanje dodatnih atmosferskih varijabli te optimizaciju vremenskih sekvenci. Zaključno, ovaj rad pokazuje kako se kombinacijom mikrokontrolera i dubokog učenja može postići učinkovita lokalna vremenska prognoza. Razvijeni sustav pruža temelje za daljnji razvoj, s mogućnostima primjene u područjima poput poljoprivrede, energetike, pametnih gradova i istraživanja klime. |
| Sažetak (engleski) | Weather prediction is crucial in many fields, ranging from daily planning to professional meteorology. This study explores the integration of a personal meteorological station with deep learning to enable more accurate local weather forecasting. A system has been developed that automatically collects, processes, and analyzes meteorological data and then employs neural networks to predict future weather conditions. The data was collected using Arduino sensors and the OpenWeather API, encompassing temperature, pressure, humidity, wind speed and direction, and cloud cover. Before analysis, the data underwent cleaning, interpolation, and normalization to ensure consistency. Additionally, wind direction was converted into vector components, improving the accuracy of weather pattern analysis. For weather forecasting, an LSTM neural network was trained on data organized into 72-hour sequences, allowing the model to learn from past weather conditions and predict the next 24 hours. The model's performance was evaluated using MAE, MSE, and R² metrics, demonstrating high accuracy in predicting temperature and pressure, while predictions of wind speed and direction were less precise due to greater data variability. Testing on real-time data confirmed the model’s ability to generalize and recognize weather patterns, although challenges remained, such as data balancing and model architecture optimization. Future improvements could include testing more advanced neural networks (CNN-LSTM), increasing dataset diversity, incorporating additional atmospheric variables, and optimizing time-series sequences. In conclusion, this study demonstrates that by combining microcontrollers and deep learning, an effective local weather prediction system can be achieved. The developed system provides a foundation for further advancements, with potential applications in agriculture, energy management, smart cities, and climate research. |
