Use of Machine Learning In Weather Forecasting : Application to Surface Wind / By Moetasm Hashem ElTaweel; Under Supervision of Prof. Mohamed Magdy Abdel Wahab, Prof.ElSayed Mohamed AbdelHamed Robaa, Prof. Stéphane Alfaro, Dr.Guillaume Siour

By:

Moetasm Hashem ElTaweel [preparation.]

Contributor(s):

Material type: Text

TextLanguage: English Summary language: English, Arabic Producer: 2024Description: 83 pages : illustrations ; 25 cm. + CDContent type:

text

Media type:

Unmediated

Carrier type:

volume

Other title:

استخدام التعلم الآلي في التنبؤ بالطقس: تطبيق علي الرياح السطحية [Added title page title]

Subject(s):

DDC classification:

500.5

Available additional physical forms:

Issued also as CD

Dissertation note: Thesis (Ph.D)-Cairo University, 2024. Summary: Accurate surface wind forecasts are crucial for sectors like energy production, yet traditional models face growing limitations. This thesis explores hybrid learning techniques, focusing on XGBoost (XGB) for machine learning and Long Short-Term Memory (LSTM) for deep learning, both tailored for time series prediction. Stage one uses the ERA5 database to evaluate tree-based algorithms for predicting wind speed and direction in Cairo, with XGBoost achieving an RMSE of 0.59 m/s and R² of 0.84. Stage two forecasts short-term wind speed evolution, showing excellent 1-hour predictions with an RMSE of 0.35 m/s and R² of 0.98, though accuracy declines over longer horizons. Stage three utilizes LSTM for wind speed and direction prediction, achieving an RMSE of 0.30 and an R² of 0.98. These findings highlight the potential of hybrid models to revolutionize surface wind prediction and forecasting applications. Summary: التنبؤات الدقيقة بسرعة الرياح السطحية ضرورية لقطاعات مثل إنتاج الطاقة، إلا أن النماذج التقليدية تواجه قيودًا متزايدة. تستكشف هذه الأطروحة تقنيات التعلم الهجين، مع التركيز على XGBoost (XGB) لتعلم الآلة و Long Short-Term Memory (LSTM) للتعلم العميق، وكلاهما مخصص لتنبؤ السلاسل الزمنية. تستخدم المرحلة الأولى قاعدة بيانات ERA5 لتقييم الخوارزميات القائمة على الأشجار لتنبؤ سرعة واتجاه الرياح في القاهرة، حيث حقق XGBoost RMSE بقيمة 0.59 م/ث و R² بقيمة 0.84. في المرحلة الثانية، يتم التنبؤ بتطور سرعة الرياح على المدى القصير، مما يظهر توقعات ممتازة لساعة واحدة مع RMSE بقيمة 0.35 م/ث و R² بقيمة 0.98، رغم أن الدقة تنخفض مع الفترات الزمنية الأطول. في المرحلة الثالثة، يتم استخدام LSTM لتنبؤ سرعة واتجاه الرياح، حيث حقق RMSE بقيمة 0.30 و R² بقيمة 0.98. تسلط هذه النتائج الضوء على إمكانيات النماذج الهجينة في إحداث ثورة في تطبيقات التنبؤ والتوقع بسرعات الرياح السطحية.

Tags from this library: No tags from this library for this title. Log in to add tags.

Average rating: 0.0 (0 votes)

Holdings
Item type	Current library	Home library	Call number	Status	Barcode
Thesis	قاعة الرسائل الجامعية - الدور الاول	المكتبة المركزبة الجديدة - جامعة القاهرة	Cai01.12.01.Ph.D.2024.Mo.U. (Browse shelf(Opens below))	Not for loan	01010110091101000

Thesis (Ph.D)-Cairo University, 2024.

Bibliography: pages 60-80.

Accurate surface wind forecasts are crucial for sectors like energy production,
yet traditional models face growing limitations. This thesis explores hybrid
learning techniques, focusing on XGBoost (XGB) for machine learning and
Long Short-Term Memory (LSTM) for deep learning, both tailored for time
series prediction. Stage one uses the ERA5 database to evaluate tree-based
algorithms for predicting wind speed and direction in Cairo, with XGBoost
achieving an RMSE of 0.59 m/s and R² of 0.84. Stage two forecasts short-term
wind speed evolution, showing excellent 1-hour predictions with an RMSE of
0.35 m/s and R² of 0.98, though accuracy declines over longer horizons. Stage
three utilizes LSTM for wind speed and direction prediction, achieving an RMSE
of 0.30 and an R² of 0.98. These findings highlight the potential of hybrid
models to revolutionize surface wind prediction and forecasting applications.

التنبؤات الدقيقة بسرعة الرياح السطحية ضرورية لقطاعات مثل إنتاج الطاقة، إلا أن النماذج التقليدية تواجه قيودًا متزايدة. تستكشف هذه الأطروحة تقنيات التعلم الهجين، مع التركيز على XGBoost (XGB) لتعلم الآلة و Long Short-Term Memory (LSTM) للتعلم العميق، وكلاهما مخصص لتنبؤ السلاسل الزمنية. تستخدم المرحلة الأولى قاعدة بيانات ERA5 لتقييم الخوارزميات القائمة على الأشجار لتنبؤ سرعة واتجاه الرياح في القاهرة، حيث حقق XGBoost RMSE بقيمة 0.59 م/ث و R² بقيمة 0.84. في المرحلة الثانية، يتم التنبؤ بتطور سرعة الرياح على المدى القصير، مما يظهر توقعات ممتازة لساعة واحدة مع RMSE بقيمة 0.35 م/ث و R² بقيمة 0.98، رغم أن الدقة تنخفض مع الفترات الزمنية الأطول. في المرحلة الثالثة، يتم استخدام LSTM لتنبؤ سرعة واتجاه الرياح، حيث حقق RMSE بقيمة 0.30 و R² بقيمة 0.98. تسلط هذه النتائج الضوء على إمكانيات النماذج الهجينة في إحداث ثورة في تطبيقات التنبؤ والتوقع بسرعات الرياح السطحية.

Issued also as CD

Text in English and abstract in Arabic & English.

There are no comments on this title.

to post a comment.