تحلیل و پیش بینی دمای هوا با شبکه عصبی پیشخور در متلب

تحلیل و پیش بینی دمای هوا با شبکه عصبی پیشخور (FNN) در MATLAB

در این بخش پروژه تحلیل و پیش بینی دمای هوا با شبکه عصبی پیشخور (FNN) در نرم افزار MATLAB به همراه کامنت گذاری کدهای آماده کرده ایم که در ادامه توضیحاتی از معرفی پروژه ارائه شده و فیلم و تصاویر خروجی پروژه در محیط متلب قرار داده شده است.

معرفی پروژه

این پروژه به تحلیل داده های دما در یک منطقه جغرافیایی فرضی می‌پردازد که هدف آن شبیه سازی و پیش بینی تغییرات دما در طول یک بازه زمانی خاص است. این داده ها برای 30 روز شبیه سازی شده‌اند و به بررسی نحوه تغییرات دما در سطح منطقه و تحلیل آن‌ها از جنبه‌های مختلف می‌پردازد. منطقه مورد بررسی شامل عرض‌های جغرافیایی از -10 تا 10 درجه و طول‌های جغرافیایی از 20 تا 50 درجه است. این پروژه با هدف فهم بهتر تغییرات دما در مناطق مختلف و بررسی الگوهای موجود در داده ها و به‌طور خاص به مدل سازی و پیش بینی دما در این منطقه جغرافیایی تمرکز دارد.

مراحل اجرای پروژه

در ابتدا داده های دما به‌صورت مصنوعی شبیه سازی شدند. این داده ها شامل تغییرات دما در طول 30 روز برای نقاط مختلف جغرافیایی بودند. برای تولید داده ها از یک مدل سینوسی استفاده شد که تغییرات فصلی دما را شبیه سازی کرده و نویز به داده ‌ها افزوده شد تا دقت بیشتری در شبیه سازی شرایط واقعی حاصل شود. داده های مورد استفاده شامل دماهای مختلف برای هر نقطه از شبکه جغرافیایی (مختصات عرض و طول) در طول مدت زمانی خاص بودند.

یکی از مراحل اصلی در این پروژه، قسمت تحلیل میانگین دما در سطح منطقه می باشد. در این بخش میانگین دما در طول 30 روز برای هر نقطه جغرافیایی محاسبه شده و به‌صورت یک نقشه حرارتی (heatmap) نمایش داده شده است. این نمایش کمک کرده تا نواحی با دمای بالاتر و پایین‌تر در منطقه شناسایی شود. همچنین توزیع دما در منطقه به‌صورت هیستوگرام تحلیل شده تا الگوهای توزیع دما و نواحی با دماهای مشابه بهتر مشخص شوند.

در ادامه یک تحلیل دیگر برای بررسی تغییرات دمای هوا در یک نقطه خاص از منطقه انجام شده است. در این قسمت، نمودار خطی تغییرات دما در طول 30 روز برای یک نقطه مرکزی در منطقه ترسیم شد. این تحلیل به درک بهتر تغییرات روزانه دما کمک می‌کند و می‌تواند برای پیش بینی دمای هوا در بازه های زمانی کوتاه‌تر استفاده شود. تغییرات دما در طول زمان می‌تواند تحت تأثیر عواملی مانند باد، رطوبت، و تابش خورشید قرار گیرد که در این پروژه به‌صورت ساده‌شده مدلسازی شده است.

آخرین بخش از پروژه به پیش بینی دمای هوا با استفاده از شبکه عصبی پیش‌خور (Feedforward Neural Network) می‌پردازد. در این بخش از تحلیل، یک مدل شبکه عصبی با دو لایه پنهان برای پیش بینی دما براساس مختصات جغرافیایی (عرض و طول) آموزش داده شد. شبکه عصبی قادر بود با استفاده از این داده ‌ها، پیش بینی هایی برای دما در نقاط مختلف منطقه انجام دهد. این بخش از پروژه اهمیت مدل سازی پیچیده‌تر را نشان می‌دهد و همچنین نشان می‌دهد که چگونه می‌توان از روش‌های پیشرفته مانند شبکه های عصبی برای پیش بینی شرایط آب و هوایی استفاده کرد.

جزئیات و مراحل تحلیل

توضیحات دیتاست

• مجموعه داده شامل اجزای زیر است:
• Latitude (Lat): شبکه‌ای از مختصات عرض جغرافیایی
• Longitude (Lon): شبکه‌ای از مختصات طول جغرافیایی
• Days: داده‌های زمانی برای 30 روز
• Temperature: داده‌های شبیه سازی‌شده دما با نوسانات سینوسی و نویز

مراحل تحلیل

تحلیل به شرح زیر است:

• محاسبه و نمایش دمای میانگین در سطح منطقه
• تحلیل تغییرات دما در یک نقطه خاص
• پیش‌بینی دما با استفاده از یک شبکه عصبی پیش‌خور (FNN)

مرحله اول: دماین میانگین

در این مرحله، دمای میانگین در سراسر منطقه محاسبه شد. این کار با محاسبه میانگین داده‌های دما در طول 30 روز انجام شد. سپس نتایج به‌صورت یک نقشه حرارتی نمایش داده شد.

این گراف نقشه حرارتی میانگین دما در سراسر منطقه را نمایش می‌دهد.

مرحله دوم: تغییر دما در یک نقطه خاص

در این مرحله تغییرات دما در یک نقطه خاص از منطقه (مثلاً نقطه مرکزی) تحلیل شد. برای این کار از یک نمودار خطی استفاده شد که تغییرات دما را در طول 30 روز نشان می‌دهد.

این گراف نمودار خطی تغییرات دما در یک نقطه خاص را نشان می‌دهد.

مرحله سوم: توزیع دما

در این مرحله توزیع دما در سطح منطقه به‌صورت یک هیستوگرام نمایش داده شده تا مشخص شود دما چگونه در کل منطقه پخش می شود.

این گراف هیستوگرام توزیع دما در سطح منطقه را نشان می‌دهد.

مرحله چهارم: استفاده از شبکه عصبی FNN

در این مرحله یک شبکه عصبی پیش‌خور (Feedforward Neural Network) با دو لایه پنهان (هرکدام شامل 10 نورون) برای پیش بینی دما براساس مختصات جغرافیایی (عرض و طول) استفاده شده. خروجی شبکه عصبی به‌صورت یک نقشه پیش بینی شده دما نمایش داده شد.

این گراف نقشه پیش بینی شده دما براساس مدل شبکه عصبی است.

مرحله پنجم: پیکربندی شبکه عصبی

شبکه عصبی از نوع Feedforward Neural Network است که در آن پارامتر های زیر تنظیم شده است:

• لایه ورودی: مختصات جغرافیایی (عرض و طول).
• لایه‌های پنهان: دو لایه پنهان با 10 نورون در هر لایه.
• لایه خروجی: پیش‌بینی دما.

توابع فعال سازی:

• لایه‌های پنهان: استفاده از تابع فعال‌سازی logsig
• لایه خروجی: استفاده از تابع فعال‌سازی purelin

روش بهینه‌سازی:

Levenberg-Marquardt (trainlm) برای آموزش شبکه عصبی.

---

---

تصاویری از خروجی