数据集概述
本数据集围绕干旱气候下的太阳辐射预测展开，包含基于优化人工神经网络（ANN）模型的实验数据、训练代码、解释性分析结果及可视化文件，通过SHAP和LIME方法实现模型可解释性，覆盖沙特阿拉伯多个城市的气象数据处理与预测全流程。
文件详解
该数据集包含多种类型文件，具体说明如下：
- 数据文件（.csv格式）：
- 城市汇总数据：如alula_summary.csv、tabuk_summary.csv等，包含各城市太阳辐射及气象特征的统计信息（如均值、计数）
- 处理后数据：如alula_processed.csv，为模型训练准备的结构化数据
- 模型结果数据：如multi_city_metrics.csv（多城市模型评估指标）、multi_city_results.csv（预测结果）、abha_xai_importance.csv（特征重要性分析）
- 分布：共33个.csv文件，占比50.77%
- 代码文件（.ipynb及.py格式）：
- Jupyter Notebook文件：如Multi_City_Model_Training-checkpoint.ipynb（模型训练）、Multi_City_EDA-checkpoint.ipynb（探索性数据分析）、Multi_City_XAI_Explainer_Optimized-checkpoint.ipynb（可解释性分析），共14个
- Python脚本：如convert_nasa_power_to_csv.py（数据格式转换）、Inspect_structure.py（结构检查），共4个
- 配置与元数据文件（.json格式）：
- city_metadata.json：记录5个城市的地理信息（经纬度）
- 城市NASA POWER数据：如AlUla_nasa_power.json，存储原始气象数据
- 分布：共6个.json文件
- 可视化文件（.png格式）：
- 预测结果图：如riyadh_forecast.png、abha_forecast.png等，展示各城市太阳辐射预测曲线
- 分布：共5个.png文件
- 文档文件（.txt及.md格式）：
- README.md：项目说明文档，介绍框架功能及流程
- requirements.txt：环境依赖清单（如pandas、tensorflow、shap等）
- 分布：共3个文档文件
适用场景
- 可再生能源研究：分析干旱气候下太阳辐射预测模型的性能与优化方法
- 机器学习应用：探索人工神经网络在气象预测任务中的可解释性实现（SHAP/LIME方法）
- 气候数据分析：研究沙特阿拉伯多城市气象特征与太阳辐射的关联
- 模型工程实践：复现多城市太阳辐射预测的全流程（数据处理、特征工程、模型训练）
- 可解释AI研究：验证SHAP和LIME在优化神经网络模型中的解释效果
