التنبؤ بمعدل التبخر والنتح (Evapotranspiration) باستخدام الذكاء الاصطناعي والبيانات المناخية من قابس

هذا المشروع (Projet IA) يركز على بناء نظام ذكاء اصطناعي للتنبؤ بمعدل التبخر والنتح (Ev0: Evapo-transpiration) باستخدام بيانات مناخية من محطة قابس (Gabes STATION AVFA – AgriDATA). النظام يستخدم 5 معلمات دخل للتنبؤ بـ Ev0 كمخرج.

المعلمات الدخل:

- T: درجة حرارة الهواء [°C].

-P: كمية الأمطار [mm].

- HR: الرطوبة النسبية [%].

- VV: سرعة الرياح [m/s].

- RS: الإشعاع الشمسي [W/m²].

الخطوات الرئيسية (Steps):

1. معالجة البيانات الأولية (Data pre-processing):

- تعبئة القيم المفقودة بالاستيفاء (interpolation).

- تطبيع البيانات (normalization) لإزالة تأثير الأبعاد بين العوامل المناخية، مما يسرع خوارزمية التدريب ويحسن الدقة.

2.التدريب (Training):

- إدخال البيانات المعالجة إلى شبكة النموذج (model network) مع تهيئة عشوائية للمعلمات.

- تحديد طول خطوة التنبؤ، تدريب بالدفعات (batching)، مقارنة القيم المتوقعة بالقيم الحقيقية.

- الاستمرار حتى ينخفض الخطأ إلى درجة معينة أو يصل عدد التكرارات المحدد.

3. التطبيق على البيانات الاختبارية:

- استخدام العينة التدريبية لتشغيل النموذج، ثم إدخال عينة الاختبار إلى النموذج المدرب جيدًا.

4. رسم المنحنيات:

- رسم منحنيات تغير المتغيرات الدخل.

5. حساب المقاييس:

- حساب جذر متوسط مربع الانحراف (RMSE) للمعلم Ev0 المتوقع.

6. تقييم النموذج:

- تقييم المصنف المدرب بناءً على مجموعة الاختبار.

- رسم منحنيات تغير دالة الخسارة (loss function).

مقياس التقييم الرئيسي:

- RMSE (Root-Mean-Square Error): مقياس شائع لقياس الفرق بين القيم المتوقعة والقيم المرصودة. يُحسب كجذر مربع متوسط مربعات الفروقات.

- الصيغة: rmse = math.sqrt(mean_squared_error(y_test, pred)).

- يُستخدم لتقييم دقة النموذج في التنبؤات.

وصف البيانات:

-ملف التدريب: "train_data.npy" (البيانات).

- علامات التدريب: "train_labels.csv".

- ملف الاختبار: "test_data.npy".

- علامات الاختبار: "test_labels.csv".

تنسيق التقديم (Submission Format):

- يجب أن يحتوي الملف على عمودين: Id (الفهرس من مجموعة الاختبار) و EVo[mm] (القيم المتوقعة).

هذا المشروع يهدف إلى تطبيق تقنيات الذكاء الاصطناعي (ربما شبكات عصبية) للتنبؤ المناخي، مع التركيز على معالجة البيانات والتقييم الدقيق. مناسب لمجالات الزراعة والمناخ.