Moetasm Hashem ElTaweel,  <br/><br/>
Use of Machine Learning In Weather Forecasting :    Application to Surface Wind / 
 استخدام التعلم الآلي في التنبؤ بالطقس:   تطبيق علي الرياح السطحية / 
By Moetasm Hashem ElTaweel; Under Supervision of Prof. Mohamed Magdy Abdel Wahab, Prof.ElSayed Mohamed AbdelHamed Robaa, Prof. Stéphane Alfaro, Dr.Guillaume Siour 
 - 83 pages :   illustrations ;   25 cm. +   CD. 
<br/><br/>Thesis (Ph.D)-Cairo University, 2024. 
<br/><br/>Bibliography: pages 60-80.  
<br/><br/> Accurate surface wind forecasts are crucial for sectors like energy production, <br/>yet traditional models face growing limitations. This thesis explores hybrid <br/>learning techniques, focusing on XGBoost (XGB) for machine learning and <br/>Long Short-Term Memory (LSTM) for deep learning, both tailored for time <br/>series prediction. Stage one uses the ERA5 database to evaluate tree-based <br/>algorithms for predicting wind speed and direction in Cairo, with XGBoost <br/>achieving an RMSE of 0.59 m/s and R² of 0.84. Stage two forecasts short-term <br/>wind speed evolution, showing excellent 1-hour predictions with an RMSE of <br/>0.35 m/s and R² of 0.98, though accuracy declines over longer horizons. Stage <br/>three utilizes LSTM for wind speed and direction prediction, achieving an RMSE <br/>of 0.30 and an R² of 0.98. These findings highlight the potential of hybrid <br/>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. 
<br/><br/>
<br/><br/><br/>Text in English and abstract in Arabic & English. 
<br/><br/><label>Subjects--Topical Terms: </label><br/>Space Science
<br/><br/><label>Subjects--Index Terms: </label>Surface wind forecasts  Hybrid learning techniques  Long Short-Term Memory (LSTM)  Time series prediction 
<br/><br/><label>Dewey Class. No.: </label>500.5