TensorFlow 驱动的物联网气象站：精准预测降雨强度

元件与材料

工具与软件

• 热熔胶枪（户外防水封装）
• Arduino IDE、TensorFlow/Keras、Python 数据科学栈
• Visual Studio 2017（可选，调试 PHP）

项目动机

2020 年以来，我所在地区频发短时强降水，导致温室作物严重减产。研究表明，暴雨对作物产量的损害可媲美极端干旱（最高 34% 减产）。现有预警系统缺乏**微尺度、实时、长周期**的本地气象数据支撑。本项目旨在构建低成本、可远程部署的气象站，结合深度学习预测降雨强度，为农业决策提供数据支撑。

系统架构

1. 数据采集端：双模通信（Wi-Fi / GPRS）气象站，每 5 分钟上报一次 8 维气象要素
2. 云端聚合：Raspberry Pi 运行 PHP 应用，通过 Google Sheets API 追加存储，形成长期数据集
3. 建模预测：Python + TensorFlow/Keras 训练 ANN 分类模型，输出 5 级降雨强度（无/小/中/大/暴雨）

气象站数据格式

c000s000g000t086r000p000h53b10020
// 解析：
c000: 风向(°)    s000: 平均风速(0.1 mph)
g000: 最大风速    t086: 温度(℉)
r000: 1小时雨量   p000: 24小时雨量
h53: 湿度(%)     b10020: 气压(0.1 hPa)

关键实施步骤

1. Google Sheets API 授权

• Google Cloud Console 创建项目 → 启用 Sheets API → 创建服务账号 + OAuth 客户端 ID
• 下载 credentials.json，首次运行 PHP 生成 token.json

2. PHP Web 服务（部署于 Pi）

接收 HTTP GET 请求（参数：wd, a_ws, m_ws, 1_rf, 24_rf, tem, hum, b_pr），验证后追加至指定 Spreadsheet。核心流程：getClient() → append($spreadsheetId, 'A1:H1', $values)。

3. NodeMCU (ESP8266) 采集上报

• SoftwareSerial(D6, D5) 读取气象站串口
• 解析 37 字节帧，单位换算（mph→m/s, ℉→℃, in→mm, hPa）
• 每 300 秒 HTTP GET 至 Pi 服务

4. SIM808 (Arduino Uno) 远程上报

• AT 指令初始化 SIM808，DHCP 接入 cmnet APN
• 建立 TCP 连接至 Pi:80，发送原始 HTTP/1.0 GET 请求
• 同上传感器解析逻辑，仅通信层差异

5. 数据集构建（3 个月+，32k+ 样本）

导出 CSV，字段：风向、平均/最大风速、1h/24h 雨量、温度、湿度、气压。

6. 特征工程与建模 (TensorFlow/Keras)

# 风向向量化
wd_rad = WD * pi/180
WX = Av_WS * cos(wd_rad);  WY = Av_WS * sin(wd_rad)
maxWX = Mx_WS * cos(wd_rad); maxWY = Mx_WS * sin(wd_rad)

# 其余归一化
scaled_Tem = Tem/25; scaled_Hum = Hum/70; scaled_bPR = b_PR/1013; scaled_24h_RF = 24h_RF/24

# 标签：按近似降雨率分 5 类
approx_rate = (1h_RF + scaled_24h_RF) * 100
0: 0mm/h      1: <2.5      2: 2.5-7.6      3: 7.6-50      4: >50

# 模型
Input(7) → Dense(16, relu) → Dense(32, relu) → Dense(64, relu) → Dense(128, relu) → Dense(5, softmax)
optimizer=adam, loss=sparse_categorical_crossentropy, epochs=19

实验结果

• 训练集准确率：0.83~0.85
• 测试集准确率：0.72~0.73（受限于样本量与过拟合）
• 实测预测示例：[0,0,0.32,0.32,0.70,0.81,0.99] → 无雨；[0,0,0.45,0,0.88,0.96,1.00] → 暴雨

接线参考

结论与展望

• 已稳定运行 3 个月+，数据持续积累中，模型精度将随样本增长提升
• 可部署多节点形成“气象站群”，协同提升局地预报精度
• 未来接入风速/风向、土壤湿度、作物生长模型，面向精准农业决策
• 完整代码、数据集、训练脚本开源于 GitHub