TY  - BOOK
AU  - Moetasm Hashem ElTaweel, 
AU  - Mohamed Magdy AbdelWahab
AU  - ElSayed Mohamed AbdelHamed Robaa
AU  - Stéphane Alfaro 
AU  - Guillaume Siour 
TI  - Use of Machine Learning In Weather Forecasting :  : Application to Surface Wind 
U1  - 500.5 
PY  - 2024///
KW  - Space Science
KW  - qrmak
KW  - Surface wind forecasts
KW  - Hybrid learning techniques
KW  - Long Short-Term Memory (LSTM)
KW  - Time series prediction
N1  - Thesis (Ph.D)-Cairo University, 2024; Bibliography: pages 60-80.; Issued also as CD
N2  - 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
ER  -