AtmosAI · Main

Station météo

Aix-les-Bains · 45.69°N 5.92°E · 250m

--:--:--

Température

--.-°C

— dernière mesure

Humidité

--.-%

— dernière mesure

Pression

---.-hPa

— dernière mesure

Prédiction H+1

🌡️

—

Confiance : —

—

Temp. °C

—

Pres. hPa

Features STM32 — temps réel calculées identiquement à la carte

—

ΔT 1h (°C)

—

ΔT 3h (°C)

—

ΔP 1h (hPa)

—

ΔP 3h (hPa)

—

ΔH 1h (%)

—

ΔH 3h (%)

—

T−Td (°C)

—

Td (°C)

—

Heure locale

—

Mois

Mesures récentes

Heure	Device	Temp.	Humidité	Pression	H+1 STM32	Conf. H+1
Chargement...

Mesures récentes — aperçu

Température

Humidité

Pression

Statistiques

Total mesures—

Temp. moy.—

Humidité moy.—

Pression moy.—

Première mesure—

Dernière mesure—

Actualisation dans 15s

···

STM32 H+1

Prédiction Edge AI — STM32 NUCLEO-N657X0 · MLP embarqué

Vue station avancée

📡

En attente de la carte STM32…
Aucune prédiction H+1 reçue

Modèle embarqué

ArchitectureMLP 13→32→32→16→3

BatchNormFusionné Dense0

Accuracy87.5 %

Taille~8 Ko (float32)

InférenceC pur, sans NPU

Features (13)

Capteurstemp · rhum · pres

Deltas tempΔ1h · Δ3h

Deltas presΔ1h · Δ3h

Delta rhumΔ1h · Δ3h

Temporellesheure · mois (sin/cos)

Dérivéetemp − dewpoint

Mesures temps réel — STM32

—

Température (°C)

—

Humidité (%)

—

Pression (hPa)

Télémétrie STM32

—

CPU load (%)

—

Inférence (µs)

—

Puissance (mW)

—

Cycle (ms)

—

Uptime (min)

—

POST status

—

POST ok

—

POST fail

—

ΔT 1h (°C)

—

ΔT 3h (°C)

—

ΔP 1h (hPa)

—

ΔP 3h (hPa)

—

ΔH 1h (%)

—

ΔH 3h (%)

—

Td (°C)

—

T−Td (°C)

—

Heure locale

—

Mois

Historique des prédictions

En attente…

Confiance au fil du temps

Prévision

Aix-les-Bains · Modèle IA VPS · J+1 / J+2 / J+3

Chargement…

Probabilité par classe — J+1 / J+2 / J+3

Modèle vs Réalité données Open-Meteo · 7 derniers jours

Date	Prédiction modèle	Météo réelle	Confiance moy.	Résultat
Chargement…

Historique

Fenetre affichee : -- — survole les courbes pour voir les valeurs

🌡️ Température (°C)

💧 Humidité (%)

🔵 Pression (hPa)

Modèle IA

Architecture & performances — ETRS606

À propos d'AtmosAI

AtmosAI est un système de classification météorologique embarqué développé dans le cadre du module ETRS606 (IA Embarquée) à l'Université Savoie Mont Blanc. Les données capteurs sont collectées via une carte STM32 NUCLEO-N657X0 équipée du shield X-NUCLEO-IKS01A3, transmises via HTTP POST à une API Flask hébergée sur VPS, puis classifiées en temps réel par un réseau de neurones.

L'approche se démarque du sujet original (ThingSpeak) en proposant une stack complète auto-hébergée : collecte, inférence, stockage et visualisation entièrement maîtrisés.

87.5%

Accuracy H+1

Features

2 modèles IA

STM32 + VPS

Architecture MLP

Deux modèles indépendants : H+1 embarqué sur STM32 (C float32, sans NPU) et J+1/J+2/J+3 sur VPS (Keras).

H+1 STM32 — C float32

Input(13) — StandardScaler

↓ Dense(32, ReLU) + BatchNorm ← fusionné

↓ Dense(32, ReLU)

↓ Dense(16, ReLU)

↓ Dense(3, Softmax) — Clair/Pluie/Brouillard

~8 Ko · inférence C pure · fallback CPU stable · 87.5% accuracy

J+1/J+2/J+3 VPS — Keras Sequential

Input(13) — StandardScaler

↓ Dense(64, ReLU) + BatchNorm

↓ Dense(64, ReLU)

↓ Dense(32, ReLU)

↓ Dense(3, Softmax) — Clair/Pluie/Neige

3 modèles indépendants · format .keras · VPS Python

H+1 STM32 — Classes & Recall

3 classes du modèle embarqué STM32 (capteurs temp/rhum/pres uniquement).

☀️ Clair

91%

🌧️ Pluie

57%

🌫️ Brouillard

68%

Classe	Signature
☀️ Clair	rhum↓ pres↑ temp stable
🌧️ Pluie	pres↓ rhum↑ temp↓
🌫️ Brouillard	rhum~100% pres stable temp↓

Features (13) — modèle H+1 embarqué

Uniquement des features calculables en temps réel depuis les capteurs embarqués (HTS221 + LPS22HH).

temp rhum pres temp_delta_1h temp_delta_3h pres_delta_1h pres_delta_3h rhum_delta_1h hour_sin hour_cos month_sin month_cos temp_dwpt_diff

Données d'entraînement

SourceOpen-Meteo Archive

LocalisationAix-les-Bains

Période2019 – 2023

Observations~43 821

Split80% / 20%

SMOTERééquilibrage classes

Déploiement STM32

FormatC float32

Taille poids~8 Ko

Ring buffer560 échantillons

NPUNon utilisé

Modèles VPS J+1/J+2/J+3

3 modèles Keras indépendants, entraînés directement sur le VPS. Mêmes 13 features que la carte. Classes : Clair / Pluie / Neige.

J+1 (24h)64.3% bal.

J+2 (48h)61.2% bal.

J+3 (72h)54.4% bal.

Architecture64→64(BN)→32→3

FormatKeras .keras

OptimiseurAdam lr=1e-3

InférenceGET /api/forecast

⚡ Edge AI vs ☁️ Cloud AI — Comparaison

Critère	STM32 H+1 (Edge)	VPS J+1/J+2/J+3 (Cloud)
Horizon	H+1	J+1 / J+2 / J+3
Architecture	MLP 13→32→32→16→3	MLP 13→128→128→64→32→3
Accuracy	87.5 %	80.9 %
Taille modèle	~8 Ko	~120 Ko (Keras)
Latence inférence	< 1 ms (local)	~50 ms (réseau)
Connexion requise	Non — autonome	Oui
Données externes	Non — capteurs seuls	Oui — Open-Meteo
Impact environnemental	Très faible (mW)	Datacenter (W)