The object of research, development or design (in Russian) : IoT-система для мониторинга параметров окружающей среды и нейронная сеть, предназначенная для прогнозирования типа облаков, уровня облачности и интенсивности солнечной радиации.

The object of research, development or design (in Kazakh) : Қоршаған ортаның параметрлерін бақылауға арналған IoT жүйесі және бұлт түрін, бұлттылық деңгейін және күн сәулеленуінің қарқындылығын болжауға арналған нейрондық желі.

Aim of work (in Russian) : Целью работы является внедрение IoT-системы для мониторинга окружающей среды с использованием сенсоров и нейронных сетей для распознавания облачности и индекса ясного неба, а также краткосрочного и долгосрочного прогнозирования солнечной радиации.

Aim of work (in Kazakh) : Жұмыстың мақсаты – сенсорлар мен нейрондық желілерді пайдалана отырып, бұлттылықты және таза аспан индексін тануға, сондай-ақ күн сәулеленуін қысқа және ұзақ мерзімге болжауға арналған қоршаған ортаны бақылау IoT жүйесін енгізу.

Методы исследования (на русском) : Сбор и обработка данных с помощью беспроводной IoT-системы, построенной на базе Raspberry Pi 4, обеспечивающей поминутную регистрацию метеорологических параметров и изображений неба. Для анализа и прогнозирования использовались методы глубокого обучения: сверточные нейронные сети (DenseNet-121, MobileNetV2, ResNet-50) для классификации облачности и рекуррентная нейронная сеть Bi-LSTM для краткосрочного прогноза солнечной радиации. Тонкая настройка моделей проводилась с использованием новых экспериментальных данных для повышения точности прогнозирования.

Методы исследования (на казахском) : Деректерді жинау және өңдеу Raspberry Pi 4 негізіндегі сымсыз IoT жүйесі арқылы жүзеге асырылып, метеорологиялық параметрлер мен аспан бейнелерін минут сайын тіркеуді қамтамасыз етеді. Талдау және болжау үшін терең оқыту әдістері қолданылды: бұлттылықты классификациялау үшін сверточты нейрондық желілер (DenseNet-121, MobileNetV2, ResNet-50), ал күн сәулеленуін қысқа мерзімге болжау үшін Bi-LSTM рекурренттік нейрондық желісі пайдаланылды. Модельдерді дәлдікті арттыру мақсатында жаңа эксперименттік деректер негізінде икемдеу жүргізілді.

Obtained results and novelty (in Russian) : Разработана программная часть беспроводной IoT-системы на базе Raspberry Pi 4 для автоматизированного поминутного сбора данных с датчиков и камер с целью обучения нейронной сети прогнозированию метеопараметров. Метеостанция круглосуточно собирает данные о солнечном излучении, облачности и погодных параметрах, формируя около 720 снимков в день (~500 МБ) и передавая до 5 ГБ данных в неделю в облачное хранилище. Получены зависимости точности прогнозирования солнечного излучения от архитектуры нейронной сети, параметров обучения и гиперпараметров. • Использование сверточных нейронных сетей DenseNet-121, MobileNetV2 и ResNet-50 обеспечило высокую точность распознавания облачности, типов облаков и индекса ясного неба, достигающую 0.8884, 0.8783 и 0.8080 соответственно. • Применение рекуррентной нейронной сети Bi-LSTM позволило достичь высокой точности краткосрочного прогнозирования солнечной радиации, с точностью 0.922, 0.908, 0.884, 0.871 и 0.855 для горизонтов 10, 15, 30 минут, 1 и 2 часов соответственно. • После тонкой настройки нейронных сетей на новых данных средняя абсолютная ошибка прогнозирования составила 51.58, 51.44, 64.49, 76.23 и 124.99 Вт/м² для указанных горизонтов, что подтверждает повышение точности моделей.

Obtained results and novelty (in Kazakh) : Жүргізілген эксперименттік зерттеулер нәтижесінде Raspberry Pi 4 негізіндегі сымсыз IoT жүйесінің бағдарламалық бөлігі әзірленіп, тексерілді. Бұл жүйе нейрондық желілерді метеорологиялық параметрлерді болжауға оқыту үшін датчиктер мен камералардан минут сайын автоматтандырылған деректер жинауды қамтамасыз етеді. Қос ағынды архитектураның енгізілуі деректерді нақты уақытта беру тиімділігін және сенімділігін арттырды. Сондай-ақ, күн сәулеленуін болжау дәлдігінің нейрондық желінің архитектурасы, оқыту параметрлері және гиперпараметрлерге тәуелділігі анықталды. • DenseNet-121, MobileNetV2 және ResNet-50 сверточтық нейрондық желілерін қолдану бұлттылықты, бұлт түрлерін және таза аспан индексін жоғары дәлдікпен тануға мүмкіндік беріп, сәйкесінше 0.8884, 0.8783 және 0.8080 нәтижесін көрсетті. • Bi-LSTM рекурренттік нейрондық желісін пайдалану қысқа мерзімді күн сәулеленуін болжауда жоғары дәлдікке қол жеткізді: 10, 15, 30 минут, 1 және 2 сағаттық интервалдар үшін дәлдік сәйкесінше 0.922, 0.908, 0.884, 0.871 және 0.855 болды. • Нейрондық желілерді жаңа деректерге икемдегеннен кейін орташа абсолюттік қате 10, 15, 30 минут, 1 және 2 сағаттық интервалдар үшін сәйкесінше 51.58, 51.44, 64.49, 76.23 және 124.99 Вт/м² құрап, модельдердің дәлдігінің артқанын көрсетті.

The main constructive and technical economic indicators (in Russian) : В ходе работы определены основные конструктивные и технико-экономические показатели системы, среди которых высокая эффективность сбора данных с помощью IoT-устройств, стабильная двухпоточная передача информации с минимальными задержками, высокая точность распознавания облачности, типов облаков и индекса ясного неба с применением нейронных сетей, а также высокая производительность при краткосрочном и долгосрочном прогнозировании солнечного излучения при низких вычислительных затратах.

The main constructive and technical economic indicators (in Kazakh) : Жұмыстың барысында жүйенің негізгі конструктивтік және технико-экономикалық көрсеткіштері анықталды, олардың ішінде IoT құрылғылары арқылы деректерді жинаудың жоғары тиімділігі, минималды кешігулермен тұрақты қос ағынды ақпарат тасымалы, нейрондық желілерді қолдана отырып бұлттылықты, бұлт түрлерін және таза аспан индексін жоғары дәлдікпен тану, сондай-ақ қысқа және ұзақ мерзімді күн сәулеленуін болжауда төмен есептеу шығындарымен жоғары өнімділік көрсеткіштері бар.

Level of implementation (in Russian) : Внедрение результатов проекта не предусмотрены.

Level of implementation (in Kazakh) : Жобаның нәтижелерін енгізу қарастырылмаған.

Efficiency (in Russian) : Система реализует автоматизированный и оптимизированный сбор данных с сенсоров с их эффективной передачей, снижая энергопотребление и повышая надёжность IoT-инфраструктуры. Кроме того, она позволяет с высокой точностью распознавать облачность, определять типы облаков и индекс ясного неба, а также выполнять краткосрочное и долгосрочное прогнозирование солнечного излучения.

Efficiency (in Kazakh) : Жүйе сенсорлардан деректерді автоматтандырылған және оңтайландырылған түрде жинап, оларды тиімді түрде беруді қамтамасыз етеді, бұл энергия тұтынуды азайтып, IoT инфрақұрылымының сенімділігін арттырады. Сонымен қатар, жүйе бұлттылықты жоғары дәлдікпен тануға, бұлт түрлерін және ашық аспан индексін анықтауға, сондай-ақ күн сәулеленуін қысқа және ұзақ мерзімді болжауға мүмкіндік береді.

Field of application (in Russian) : Результаты работы могут быть использованы для совершенствования нейронных сетей, применяемых в задачах прогнозирования и обработки данных в реальном времени, разработки эффективных IoT-систем мониторинга окружающей среды, а также для повышения точности прогнозирования метеорологических параметров и солнечного излучения.

Field of application (in Kazakh) : Жұмыстың нәтижелері нақты уақыттағы деректерді өңдеу және болжау тапсырмаларында қолданылатын нейрондық желілерді жетілдіруге, қоршаған ортаны бақылауға арналған тиімді IoT жүйелерін жасауға, сондай-ақ метеорологиялық параметрлер мен күн сәулеленуін болжаудың дәлдігін арттыруға қолданылуы мүмкін.