Создать модель в GoogleCollab на языке Python
Ссылка на полное описание задания - здесь. Датасет - здесь.
ОПИСАНИЕ НА РУССКОМ
Проект будет основан на обычных лабораторных практических заданиях в MIB Data Analytics 1-2 и MIB Big Data and Machine Learning, но потребует включения множества решений и соображений, связанных с конвейерами данных. Как и в реальном проекте по науке о данных, вам нужно будет использовать инструменты, конвейеры, которые мы изучали на предыдущих курсах. От анализа через классические модели машинного обучения до моделей глубокого обучения, вам необходимо использовать эти инструменты для анализа и прогнозирования.
Моделирование влажности почвы
Задача: предсказать значения влажности почвы (переменная BF10) на 30 дней вперед.
Набор данных
Почвенные и погодные переменные в немецком городе Мюнстер
(Источник данных: DWD)
Переменные TT_TER и RF_TER измеряются три раза в день.
VGSL, TS05, BF10 рассчитываются один раз в день. Ежедневные значения заполняются в каждый час соответствующего дня в файле данных .csv.
Обязательно пройдите все этапы процесса моделирования, документируя и поддерживая предпринимаемые шаги.
Столбцы набора данных:
DATUM: столбец времени даты
STATIONS_ID Идентификатор метеостанции DWD
1766 = Мюнстер/Оснабрюк
QN_4: уровень качества столбцов TT_TER и RF_TER
1- только формальный контроль во время декодирования и импорта
2- контролируется с помощью индивидуально определенных критериев
3- регулярный контроль с помощью QUALIMET и QCSY
5- исторические, субъективные процедуры
7- НЕОБРАТИМЫЙ контроль, еще не исправленный
8- контроль качества за рамками ROUTINE
9- ПРАВИЛЬНЫЙ контроль, не все параметры исправлены
10- контроль ROUTINE завершен, соответствующие корректировки завершены
TT_TER: температура воздуха
RF_TER: относительная влажность
VGSL: реальная эвапотранспирация над гравием и супесью (мм)
TS05: среднесуточная температура почвы на глубине 5 см для непокрытой типичной почвы (°C)
BF10: влажность почвы под травой и супесью на глубине от 0 до 10 см в % полезной для растений воды (%nFK)
ОПИСАНИЕ НА АНГЛИЙСКОМ
The project will be based on the regular lab-like practice assignments in MIB Data Analytics 1-2 and MIB Big Data and Machine Learning, but will necessitate the incorporation of multiple solutions and considerations relating to data pipelines. Like in real life data science project, you need to use tools, pipelines which we interiorized previous courses. From analysing through classical machine learning models until deep learning models, you need to use these tools, for analysing and prediction.
Modeling soil moisture
Task: to predict soil moisture values (variable BF10) 30 days ahead.
Dataset
Soil and weather variables in the German city of Münster
(Data source: DWD)
TT_TER and RF_TER variables are measured three times a day.
VGSL, TS05, BF10 are calculated once a day. The daily values are filled into each hour of the relevant day in the .csv datafile.
Make sure to go through all the steps of a modelling process, documenting and supporting the steps you take.
Columns of the dataset:
DATUM: The datetime column
STATIONS_ID DWD weather station ID
1766 = Münster/Osnabrück
QN_4: quality level of TT_TER and RF_TER columns
1- only formal control during decoding and import
2- controlled with individually defined criteria
3- ROUTINE control with QUALIMET and QCSY
5- historic, subjective procedures
7- ROUTINE control, not yet corrected
8- quality control outside ROUTINE
9- ROUTINE control, not all parameters corrected
10- ROUTINE control finished, respective corrections finished
TT_TER: air temperature
RF_TER: relative humidty
VGSL: real evapotranspiration over gras and sandy loam (mm)
TS05: mean daily soil temperature in 5 cm depth for uncovered typical soil (°C)
BF10: soil moisture under grass and sandy loam between 0 and 10 cm depth in % plant useable water (%nFK)