野外工作者和户外探险者的活动环境往往离居住区较远，当地气象信息相对较为缺乏，在这种环境下，对于天气的评估只能凭借人为观察和经验来判定，但对突发的危险天气缺乏一定的预测能力。而且偏远地区的公共通信基站数量少，手机信号覆盖不足，因此，当意外发生时，野外工作者几乎很难发出有效的求救信号。
　　本论文设计和实现了一种可穿戴式的局部危险天气预警系统，该系统能测量当前环境温度、湿度、气压以及闪电发生的次数和距离，并使用局部危险天气预测模型作出判定。危险时，系统能报警并发出无线呼救信号，可以提升野外工作者的安全系数。
　　选择了接口类型丰富、计算性能强大的单板计算机Raspberry Pi Zero作为系统的主板，制作了一块同样宽高尺寸的硬件扩展板，板上集成了传感器，执行器，数据传输等电路模块。呼救电路采用LoRa技术，功耗低，通信距离长，无需借助公共通信基站，适合于野外的无线传输。闪电检测模块通过电磁场信息来衡量闪电次数和距离，结果具有一定的参考价值。
　　局部危险天气预测模型使用机器学习相关算法构建。从在线气象服务商Weather Underground上获取了2015～2017三年的上海市松江区历史气象数据，将下雨、下雪、大雾划分为危险天气，其他天气状况为不危险，经过数据清洗得到49331条有效数据作为数据集对模型进行训练和测试，数据集的输入标记是温度、湿度、气压三种天气属性，输出标记是危险状况。比较了逻辑回归模型、K近邻算法和决策树三种机器学习分类算法的测试精度和泛化性能，参数优化后的K近邻算法具有较高的测试精度和较好的泛化性能，同时它具有训练时间短，支持离散数据等特点，适合于对大量气象数据的训练，最终选择了K近邻算法作为局部危险天气预测模型。模型运行在嵌入式系统上进行连续三天的实测，得到的危险天气预测精度为74.4%。
　　本文还从功耗和隔热两个角度对系统进行了优化。通过关闭不必要的硬件接口和系统服务，优化相关程序代码，对CPU降频等方法优化了系统功耗，使得系统的电流消耗， CPU占用率以及温度都有了一定程度的下降。在CPU所在板层与环境传感器所在板层之间加入隔热层，有效阻隔了热量的影响，使温度和湿度的测量更准确。
　　基于RPi Zero的穿戴式野外危险天气实时预警系统能在无公共通信网络的环境下监控环境参数，预测危险天气和发送呼救信号，为野外工作者提升了安全保障。