Stacja pogodowa z predykcją AI – prognoza pogody DIY

🔧 Poziom trudności:

Średnio zaawansowany – Zaawansowany (z AI)

⏱️ Czas realizacji:

2–4 godziny (+ czas na zbieranie danych do AI)

🎯 Co zbudujesz?

Zrobisz kompaktową stację pogodową, która:

mierzy temperaturę, wilgotność, ciśnienie i inne parametry,
pokazuje aktualne dane na ekranie OLED,
uczy się prognozować pogodę na podstawie trendów,
działa offline, lokalnie – ale można ją też podłączyć do Wi-Fi.

🔩 Lista komponentów

Komponent	Opis	Koszt orientacyjny
ESP32	Mikrokontroler z Wi-Fi	20–30 zł
Czujnik BME280 lub DHT22	Pomiar temperatury, wilgotności, ciśnienia	10–20 zł
Ekran OLED (I2C)	Do wyświetlania danych	10–15 zł
Opcjonalnie: karta SD	Logowanie danych do pliku	10 zł
Obudowa / stelaż	Ochrona i estetyka	0–15 zł
Zasilanie 5V	Ładowarka USB / powerbank	10–20 zł

🧠 Jak działa?

Stacja mierzy dane co określony czas (np. co 10 minut),
Dane są zapisywane i analizowane przez algorytm (lub AI model),
Wyświetlany jest:
- aktualny pomiar,
- prognoza pogody na najbliższe godziny.

W wersji z AI – predykcja może uwzględniać lokalne warunki i uczyć się z historii.

📐 Schemat działania

Pomiar (temp + wilgotność + ciśnienie)
Analiza trendów – czy ciśnienie rośnie/spada, jak szybko zmienia się temp
Wniosek: czy będzie padać, ociepla się, ochładza itp.
AI może nauczyć się powiązań typu:
- spadek ciśnienia → deszcz
- gwałtowny wzrost temp + wilgotność → burza

🔌 Schemat połączeń

BME280 (I2C)
- VCC → 3.3V
- GND → GND
- SDA → GPIO 21
- SCL → GPIO 22
OLED (I2C) – te same piny (można łączyć I2C)

📟 Kod (Arduino IDE – odczyt danych + wyświetlenie)

Przykład użycia BME280 + OLED:

#include <Wire.h>
#include <Adafruit_SSD1306.h>
#include <Adafruit_BME280.h>

Adafruit_BME280 bme;
Adafruit_SSD1306 oled(128, 64, &Wire, -1);

void setup() {
  Wire.begin();
  bme.begin(0x76); // adres BME280
  oled.begin(SSD1306_SWITCHCAPVCC, 0x3C);
  oled.clearDisplay();
  oled.setTextSize(1);
  oled.setTextColor(SSD1306_WHITE);
}

void loop() {
  float temp = bme.readTemperature();
  float hum = bme.readHumidity();
  float pres = bme.readPressure() / 100.0F;

  oled.clearDisplay();
  oled.setCursor(0, 0);
  oled.print("Temp: "); oled.print(temp); oled.println(" C");
  oled.print("Wilg: "); oled.print(hum); oled.println(" %");
  oled.print("Cisn: "); oled.print(pres); oled.println(" hPa");
  oled.display();

  delay(60000); // co minutę
}

🧠 AI – prognoza lokalna

Zbieraj dane przez kilka dni (min. 3–5 dni, co 15 min)
Dodaj etykiety – „słonecznie”, „deszczowo”, „burza”, „chłodno”
Trenuj model w Edge Impulse lub Roboflow
Eksportuj do .tflite i uruchom lokalnie na ESP32 (lub Raspberry Pi)

AI uczy się wzorców i może powiedzieć np.:

„Deszcz w ciągu 2h”
„Burza nadchodzi”
„Uwaga: gwałtowne ochłodzenie”

📲 Opcje rozszerzone

Wysyłanie danych na e-mail lub Google Sheets
Wyświetlanie na aplikacji (np. Blynk, MQTT, Home Assistant)
Alarm pogodowy z buzzerem lub diodą RGB
System porównawczy z pogodą online (np. z OpenWeather)

🧰 Montaż

Płytkę z czujnikami zamontuj w przewiewnym miejscu, ale osłoniętym od deszczu
Obudowa z otworami wentylacyjnymi lub daszkiem
Zasilanie z powerbanku lub panelu słonecznego 🌞

✅ Efekt końcowy

Lokalna stacja pogodowa
Czytelny ekran z aktualnymi danymi
Prognoza oparta na trendach lub modelu AI
Możliwość rozbudowy o logi, integrację z domem, automatyczne alerty