这听起来像是一个很棒的项目，尽管这种精确的设置在一定程度上限制了您的选择。监督机器学习方法被有效地排除在外，因为您没有必要的训练数据来开发模型（即因变量：是否下雨）。您可以查看访问包含降水信息的类似数据（来源取决于您的地理位置），并尝试在此基础上训练模型，然后再将其应用于您自己的数据以“预测”当前状况。

如果您想要一个模型来确定是否下雨（而不是尝试定义降水的类型、速率或其他特征），那么您需要一个二元分类模型。如果您可以获得数据来训练监督模型，那么有很多这样的模型可用。选择哪一个取决于许多因素——足够多的因素使它既是一门艺术又是一门科学（通常最好的选择方法就是尝试几个并选择最好的一个）。XGBoost 是广泛的问题的流行选择，包括二进制分类。状态向量分类器（SVC，状态向量机的一个子类型，SVM）也很常见。当然也有神经网络。根据因变量与独立变量的相关性，您可能会发现更简单的模型更有效。

或者，您可以尝试一种无监督的方法，该方法通常采用聚类的形式。在这种情况下，您将尝试尝试聚类算法，例如 DBSCAN，以查看自变量是否自然形成组（聚类）以区分何时下雨。当然，您可以使用无监督模型对数据进行聚类，但您仍然需要将其与降雨量关联起来才能理解模型。

您可能需要克服许多挑战。例如，根据采样和存储数据的频率，您可能需要将其下采样到可管理的大小。大概您也有收集数据的时间。如果没有，您还需要使用亮度传感器来区分白天和黑夜，这可能会混淆或过度使用降雨带来的任何冷却效果。（您可以查看根据温度和亮度对数据进行聚类，以创建指示白天和黑夜的新功能。）

总而言之，您可以采取多种方法，所有这些方法在某些时候都需要有关是否下雨的数据才能训练模型。如果您有适当的本地化天气数据可用，您可以使用它来训练模型，通过时间和/或您将收集的其他数据同步。如前所述，问题是一个二元分类问题（与时间序列预测问题相反，例如天气预报）。因此，分别研究有监督和无监督机器学习的分类和聚类模型。 Scikit Learn for python 或Caret for R 是我所描述的模型类型的常用包。