000			04391namaa22004451i 4500
003			OSt
005			20250506121305.0
008			250505s2024 ua a|||fr|m|| 000 0 eng d
040			_aEG-GICUC _beng _cEG-GICUC _dEG-GICUC _erda
041	0		_aeng _beng _bara
049			_aDeposit
082	0	4	_a500.5
092			_a500.5 _221
097			_aPh.D
099			_aCai01.12.01.Ph.D.2024.Mo.U.
100	0		_aMoetasm Hashem ElTaweel, _epreparation.
245	1	0	_aUse of Machine Learning In Weather Forecasting : _bApplication to Surface Wind / _cBy Moetasm Hashem ElTaweel; Under Supervision of Prof. Mohamed Magdy Abdel Wahab, Prof.ElSayed Mohamed AbdelHamed Robaa, Prof. Stéphane Alfaro, Dr.Guillaume Siour
246	1	5	_aاستخدام التعلم الآلي في التنبؤ بالطقس: _bتطبيق علي الرياح السطحية /
264		0	_c2024.
300			_a83 pages : _billustrations ; _c25 cm. + _eCD.
336			_atext _2rda content
337			_aUnmediated _2rdamedia
338			_avolume _2rdacarrier
502			_aThesis (Ph.D)-Cairo University, 2024.
504			_aBibliography: pages 60-80.
520			_aAccurate 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.
520			_aالتنبؤات 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.
530			_aIssued also as CD
546			_aText in English and abstract in Arabic & English.
650		7	_aSpace Science _2qrmak
653		0	_aSurface wind forecasts _aHybrid learning techniques _aLong Short-Term Memory (LSTM) _aTime series prediction
700	0		_aMohamed Magdy AbdelWahab _ethesis advisor.
700	0		_aElSayed Mohamed AbdelHamed Robaa _ethesis advisor.
700	0		_aStéphane Alfaro _ethesis advisor.
700	0		_aGuillaume Siour _ethesis advisor.
900			_b01-01-2024 _cMohamed Magdy AbdelWahab _cElSayed Mohamed AbdelHamed Robaa _cStéphane Alfaro _cGuillaume Siour _UCairo University _FFaculty of Science _DDepartment of Astronomy, Space Science and Meteorology
905			_aNourhan _eEman Ghareb
942			_2ddc _cTH _e21 _n0
999			_c171902