mireabulletinRussian Technological JournalRussian Technological Journal2782-32102500-316XRTU MIREA10.32362/2500-316X-2025-13-6-116-126LAVZANmireabulletin-1299Research ArticleМАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕMATHEMATICAL MODELINGО мониторинге и прогнозировании динамики развития структуры тропических циклонов на основе почти периодического анализа спутниковых изображенийOn monitoring and forecasting the dynamics of the development of the structure of tropical cyclones based on almost periodic analysis of satellite imageshttps://orcid.org/0000-0002-8504-2108ПарамоновА. А.ParamonovA. A.

Парамонов Александр Александрович, аспирант, старший преподаватель, кафедра прикладной математики, Институт информационных технологий 

119454, Москва, пр-т Вернадского, д. 78 

Alexander A. Paramonov, Postgraduate Student, Senior Lecturer, Department of Applied Mathematics, Institute of Information Technologies 

78, Vernadskogo pr., Moscow, 119454 

paramonov_a_a99@mail.ruКалачА. В.KalachA. V.

Калач Андрей Владимирович, д.х.н., профессор, кафедра прикладной математики, Институт информационных технологий 

119454, Москва, пр-т Вернадского, д. 78 

Scopus Author ID 57201667604 

Andrew V. Kalach, Dr. Sci. (Chem.), Professor, Department of Applied Mathematics, Institute of Information Technologies 

78, Vernadskogo pr., Moscow, 119454 

Scopus Author ID 57201667604 

a_kalach@mail.ruhttps://orcid.org/0000-0003-4810-8734СаратоваТ. Е.SaratovaT. E.

Саратова Татьяна Евгеньевна, д.т.н., заведующий кафедрой прикладной математики, Институт информационных технологий 

119454, Москва, пр-т Вернадского, д. 78 

Scopus Author ID 57201668525 

Tatiana E. Saratova, Dr. Sci. (Eng.), Head of the Department of Applied Mathematics, Institute of Information Technologies 

78, Vernadskogo pr., Moscow, 119454 

Scopus Author ID 57201668525 

smolenceva@mirea.ruМИРЭА – Российский технологический университетРоссияMIREA – Russian Technological UniversityRussian Federation202505122025136116126Copyright © Парамонов А.А., Калач А.В., Саратова Т.Е., 20252025Парамонов А.А., Калач А.В., Саратова Т.Е.Paramonov A.A., Kalach A.V., Saratova T.E.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.rtj-mirea.ru/jour/article/view/1299Цели

Цели. Статья посвящена проблеме идентификации характеристик тропических циклонов с использованием почти периодического анализа изображений облачной динамики ураганов и прогнозирования структуры циклона на основе полученных значений почти периодов. Цель статьи заключается в применении почти периодического анализа с использованием модифицированного математического аппарата вычислений при обработке и анализе изображений структуры тропического циклона с возможностью осуществления прогнозных оценок.

Методы

Методы. Основным инструментом обработки и анализа изображений структуры тропического циклона является почти периодический анализ – анализ данных с упорядоченным аргументом по выявлению зависимостей, близких к периодическим. Использование аппарата почти периодического анализа позволяет проводить выявление критических рубежей изменения тенденций исследуемых данных вне зависимости от априорных предположений. В ходе проведения такого анализа определяется информационный параметр – почти период, соответствующий значениям, наиболее близким к периодам. Предложена модификация известного математического аппарата почти периодического анализа, позволяющая обрабатывать большие и многомерные данные.

Результаты

Результаты. В ходе исследования на примере анализа кадров динамики тропического циклона Милтон, действующего с 5 по 10 октября 2024 г., выявлены характерные почти периодические значения структурных зон в момент начала формирования динамики развития циклона. На основе выявленных значений составлены прогнозные оценки развития структуры тропического циклона, точность которых составила 95%.

Выводы

Выводы. Полученные результаты совместно с результатами исследований, опубликованными ранее, позволяют сделать вывод о возможности применения почти периодического анализа к выявлению характерных паттернов структур тропических циклонов и составлению качественных прогнозных оценок динамики развития чрезвычайных ситуаций, вызванных тропическими циклонами. 

Objectives

Objectives. The article sets out to identify the characteristics of tropical cyclones using almost periodic analysis of images of cloud dynamics of hurricanes in order to forecast the cyclone structure. Almost periodic analysis is applied in the processing and analysis of tropical cyclone structure images based on the obtained almost period values using a modified mathematical computational apparatus.

Methods

Methods. The main tool for processing and analyzing images of the tropical cyclone structure is almost periodic analysis, i.e., analysis of data with an ordered argument to identify dependencies that are close to periodic. By this means critical boundaries of changes in the trends of the studied data can be identified regardless of a priori assumptions. In the course of analysis the almost period information parameter, corresponding to the values closest to the periods, is determined. A modification of the known mathematical apparatus of almost periodic analysis is proposed for processing large and multidimensional datasets.

Results

Results. In the course of the study, the characteristic almost periodic values of the structural zones at the moment of the beginning of the formation of the dynamics of the cyclone development were revealed on the example of the analysis of the frames of the dynamics of tropical cyclone Milton, operating from October 5, 2024 to October 10, 2024. Based on the identified values, forecast estimates of the tropical cyclone structure development were made to an accuracy of 95%.

Conclusions

Conclusions. Together with the results of studies published earlier, the results of this study support the conclusion that it is possible to apply almost periodic analysis to the identification of characteristic patterns of tropical cyclone structures and carry out qualitative forecast estimates of the dynamics of emergency situations caused by tropical cyclones. 

почти периодический анализобработка и анализ изображениймониторинг тропических циклоновпрогнозирование тропических циклоновтехносферная безопасностьтайфуныalmost periodic analysisimage processing and analysistropical cyclone monitoringtropical cyclone forecastingtechnosphere safetytyphoonsReferencesDonatelli R.E., Park J.A., Matthews S.M., Lee S.D. Time series analysis. Am. J. Orthod. Dentofacial Orthop. 2022;161(4): 605–608. https://doi.org/10.1016/j.ajodo.2021.07.013Donatelli R.E., Park J.A., Matthews S.M., Lee S.D. Time series analysis. Am. J. Orthod. Dentofacial Orthop. 2022;161(4): 605–608. https://doi.org/10.1016/j.ajodo.2021.07.013Seibert J., Gross Y., Schrott C. A systematic review of packages for time series analysis. Eng. Proc. 2021;5(1):22. https://doi.org/10.3390/engproc2021005022Seibert J., Gross Y., Schrott C. A systematic review of packages for time series analysis. Eng. Proc. 2021;5(1):22. https://doi.org/10.3390/engproc2021005022Choi K., Yi J., Park K., Yoon S. Deep learning for anomaly detection in time series data: A review, analysis, and guidelines. IEEE Access. 2021;9:120043–120065. https://doi.org/10.1109/ACCESS.2021.3107975Choi K., Yi J., Park K., Yoon S. Deep learning for anomaly detection in time series data: A review, analysis, and guidelines. IEEE Access. 2021;9:120043–120065. https://doi.org/10.1109/ACCESS.2021.3107975Kumar R., Kumar P., Kumar Y. Multi-step time series analysis and forecasting strategy using ARIMA and evolutionary algorithms. Int. J. Inf. Technol. 2022;14(1):359–373. https://doi.org/10.1007/s41870-021-00741-8Kumar R., Kumar P., Kumar Y. Multi-step time series analysis and forecasting strategy using ARIMA and evolutionary algorithms. Int. J. Inf. Technol. 2022;14(1):359–373. https://doi.org/10.1007/s41870-021-00741-8DubeyA.K., KumarA., Garcia-Diaz V., SharmaA.K., Kanhaiya K. Study and analysis SARIMA and LSTM in forecasting time series data. Sustainable Energy Technologies and Assessments. 2021;47:101474. https://doi.org/10.1016/j.seta.2021.101474Dubey A.K., Kumar A., Garcia-Diaz V., Sharma A.K., Kanhaiya K. Study and analysis SARIMA and LSTM in forecasting time series data. Sustainable Energy Technologies and Assessments. 2021;47:101474. https://doi.org/10.1016/j.seta.2021.101474Пашшоев Б., Петрусевич Д.А. Анализ нейросетевых моделей для прогнозирования временных рядов. Russ. Technol. J. 2024;12(4):106–116. https://doi.org/10.32362/2500-316X-2024-12-4-106-116Pashshoev B., Petrusevich D.A. Neural network analysis in time series forecasting. Russ. Technol. J. 2024;12(4):106–116. https://doi.org/10.32362/2500-316X-2024-12-4-106-116Мохнаткина У.С., Парфенов Д.В., Петрусевич Д.А. Анализ подходов к определению тренда в структуре временных рядов. Russ. Technol. J. 2024;12(3):93–103. https://doi.org/10.32362/2500-316X-2024-12-3-93-103Mokhnatkina U.S., Parfenov D.V., Petrusevich D.A. Analysis of approaches to identification of trend in the structure of the time series. Russ. Technol. J. 2024;12(3):93–103. https://doi.org/10.32362/2500-316X-2024-12-3-93-103Перова Ю.П., Леско С.А., Иванов А.А. Анализ и прогнозирование динамики настроений пользователей интернет-ресурсов на основе уравнения Фоккера – Планка. Russ. Technol. J. 2024;12(3):78–92. https://doi.org/10.32362/2500-316X-2024-12-3-78-92Perova J.P., Lesko S.A., Ivanov A.A. Analyzing and forecasting the dynamics of Internet resource user sentiments based on the Fokker–Planck equation. Russ. Technol. J. 2024;12(3):78–92. https://doi.org/10.32362/2500-316X-2024-12-3-78-92Грамович Ю.В., Мусатов Д.Ю., Петрусевич Д.А. Применение бэггинга в прогнозировании временных рядов. Russ. Technol. J. 2024;12(1):101–110. https://doi.org/10.32362/2500-316X-2024-12-1-101-110Gramovich I.V., Musatov D.Yu., Petrusevich D.A. Implementation of bagging in time series forecasting. Russ. Technol. J. 2024;12(1):101–110. https://doi.org/10.32362/2500-316X-2024-12-1-101-110Kracalik I., Mowla S., Katz L., Cumming M., Sapiano M.R., Basavaraju S.V. Impact of the early coronavirus disease 2019 pandemic on blood utilization in the United States: A time series analysis of data submitted to the National Healthcare Safety Network Hemovigilance Module. Transfusion. 2021;61(Suppl. 2):S36–S43. https://doi.org/10.1111/trf.16451Kracalik I., Mowla S., Katz L., Cumming M., Sapiano M.R., Basavaraju S.V. Impact of the early coronavirus disease 2019 pandemic on blood utilization in the United States: A time series analysis of data submitted to the National Healthcare Safety Network Hemovigilance Module. Transfusion. 2021;61(Suppl. 2):S36–S43. https://doi.org/10.1111/trf.16451Kumar R., Jain A., Tripathi A.K., Tyagi S. COVID-19 outbreak: An epidemic analysis using time series prediction model. In: 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence). 2021. IEEE. P. 1090–1094. https://doi.org/10.1109/Confluence51648.2021.9377075Kumar R., Jain A., Tripathi A.K., Tyagi S. COVID-19 outbreak: An epidemic analysis using time series prediction model. In: 11th International Conference on Cloud Computing, Data Science & Engineering (Confluence). 2021. IEEE. P. 1090–1094. https://doi.org/10.1109/Confluence51648.2021.9377075Balli S. Data analysis of COVID-19 pandemic and short-term cumulative case forecasting using machine learning time series methods. Chaos Solitons Fractals. 2021;142:110512. https://doi.org/10.1016/j.chaos.2020.110512Balli S. Data analysis of COVID-19 pandemic and short-term cumulative case forecasting using machine learning time series methods. Chaos Solitons Fractals. 2021;142:110512. https://doi.org/10.1016/j.chaos.2020.110512Chen X., Wang X., Zhang K., Fung K.M., Thai T.C., Moore K., Mannel R.S., Liu H., Zheng B., Qiu Y. Recent advances and clinical applications of deep learning in medical image analysis. Med. Image Anal. 2022;79:102444. https://doi.org/10.1016/j.media.2022.102444Chen X., Wang X., Zhang K., Fung K.M., Thai T.C., Moore K., Mannel R.S., Liu H., Zheng B., Qiu Y. Recent advances and clinical applications of deep learning in medical image analysis. Med. Image Anal. 2022;79:102444. https://doi.org/10.1016/j.media.2022.102444Suganyadevi S., Sithalakshmi V., Balasami K. A review on deep learning in medical image analysis. Int. J. Multimed. Info. Retr. 2022;11(1):19–38. https://doi.org/10.1007/s13735-021-00218-1Suganyadevi S., Sithalakshmi V., Balasami K. A review on deep learning in medical image analysis. Int. J. Multimed. Info. Retr. 2022;11(1):19–38. https://doi.org/10.1007/s13735-021-00218-1Van der Velden B.H., Kuijf H.J., Gilhuis K.G., Virgeever M.A. Explainable artificial intelligence (XAI) in deep learningbased medical image analysis. Med. Image Anal. 2022;79:102470. https://doi.org/10.1016/j.media.2022.102470Van der Velden B.H., Kuijf H.J., Gilhuis K.G., Virgeever M.A. Explainable artificial intelligence (XAI) in deep learningbased medical image analysis. Med. Image Anal. 2022;79:102470. https://doi.org/10.1016/j.media.2022.102470Meyer-Hein L., Reinke A., Godau P., et al. Metrics reloaded: Pitfalls and recommendations for image analysis validation. arXiv. 2022 Jul 7; arXiv:2206.01653. https://doi.org/10.48550/arXiv.2206.01653Meyer-Hein L., Reinke A., Godau P., et al. Metrics reloaded: Pitfalls and recommendations for image analysis validation. arXiv. 2022 Jul 7; arXiv:2206.01653. https://doi.org/10.48550/arXiv.2206.01653Fu Y., Zhu Z., Liu L., Zhan W., He T., Shen H., Zhao J., Liu Y., Zhang H., Liu Z., Xue Y. Remote sensing time series analysis: A review of data and applications. J. Remote Sens. 2024;4:0285. https://doi.org/10.34133/remotesensing.0285Fu Y., Zhu Z., Liu L., Zhan W., He T., Shen H., Zhao J., Liu Y., Zhang H., Liu Z., Xue Y. Remote sensing time series analysis: A review of data and applications. J. Remote Sens. 2024;4:0285. https://doi.org/10.34133/remotesensing.0285Richards J.A. Remote Sensing Digital Image Analysis. Berlin/Heidelberg, Germany: Springer; 2022. 567 p. https://doi.org/10.1007/978-3-030-82327-6Richards J.A. Remote Sensing Digital Image Analysis. Berlin/Heidelberg, Germany: Springer; 2022. 567 p. https://doi.org/10.1007/978-3-030-82327-6Крынецкий Б.А. Анализ моделей периодических структур пространственно-временных процессов. В сб.: Актуальные проблемы прикладной математики, информатики и механики: Труды Международной научной конференции. Воронеж; 2024. С. 497–501. https://elibrary.ru/vbsjnlKrynetskiy B.A. Analysis of models of periodic structures of spatiotemporal processes. In: Actual Problems of Applied Mathematics, Informatics, and Mechanics: Proceedings of the International Scientific Conference. Voronezh; 2024. P. 497–501 (in Russ.). https://elibrary.ru/vbsjnlКузьмин В.И., Гадзаов А.Ф. Математические методы анализа периодических компонент нелинейных процессов и прогнозирование на их основе динамики ограниченного роста. Вестник МГТУ МИРЭА. 2015;4-2(9):94–104. https://elibrary.ru/vhiyozKuzmin V.I., Gadzaov A.F. Mathematical methods of analysis of periodic components of nonlinear processes and predict the dynamics of the limited growth based on them. Vestnik MGTU MIREA = Herald of MSTU MIREA (Russ. Technol. J.). 2015;4-2(9):94–104 (in Russ.). https://elibrary.ru/vhiyozКузьмин В.И., Самохин А.Б. Почти периодические функции с трендом. Вестник МГТУ МИРЭА. 2015;4-2(9): 105–110. https://elibrary.ru/vhiypjKuzmin V.I., Samokhin A.B. Almost periodic functions with trend. Vestnik MGTU MIREA = Herald of MSTU MIREA (Russ. Technol. J.). 2015;4-2(9):105–110 (in Russ.). https://elibrary.ru/vhiypjПарамонов А.А., Крынецкий Б.А. Асимптотический анализ алгоритма поиска почти-периодов в данных с упорядоченным аргументом. Защита информации. Инсайт. 2023;4(112):53–57.Paramonov A.A., Krynetskiy B.A. Asymptotic analysis of an algorithm for searching for almost-periods in data with an ordered argument. Zashchita informatsii. Insait. 2023;4(112):53–57 (in Russ.).Калач А.В., Парамонов А.А., Толстова И.С., Данилова В.А. Программа почти периодической обработки данных с возможностью выбора параллельных вычислений: Свидетельство о государственной регистрации программы для ЭВМ № 2024688438 РФ. Заявка № 2024686766; Заявл. 08.11.2024; опубл. 27.11.2024. Бюл. № 12.Kalach A.V., Paramonov A.A., Tolstova I.S., Danilova V.A. Program for Almost-Periodic Data Processing with Parallel Computing Option: Computer Program RU2024688438 RF. Publ. 13.02.2025 (in Russ.).Парамонов А.А. Выявление почти-периодических характеристик спутниковых изображений тайфунов в аспекте решения проблем техносферной безопасности. Техносферная безопасность. 2024;44(3):71–76.Paramonov A.A. Identification of almost-periodic characteristics of satellite images of typhoons in the aspect of solving problems of technosphere safety. Tekhnosfernaya bezopasnost’ = Technosphere Safety. 2024;44(3):71–76 (in Russ.).Парамонов А.А., Калач А.В. Моделирование чрезвычайных ситуаций с использованием почти-периодического анализа изображений структуры тайфунов. Вестник Южно-Уральского государственного университета. Серия: Математика. Механика. Физика. 2024;16(4):67–74. https://doi.org/10.14529/mmph240408Paramonov A.A., Kalach A.V. Simulation of emergencies using almost periodic analysis of images of typhoon structure. Vestnik Yuzhno-Ural’skogo gosudarstvennogo universiteta. Seriya: Matematika. Mekhanika. Fizika = Bulletin of the South Ural State University. Series: Mathematics. Mechanics. Physics. 2024;16(4):67–74 (in Russ.). http://doi.org/10.14529/10.14529/mmph240408Калач А.В., Парамонов А.А. О возможностях применения метода почти-периодического анализа для обработки изображений. Моделирование систем и процессов. 2024;17(3):44–52. https://doi.org/10.12737/2219-0767-2024-42-50Kalach A.V., Paramonov A.A. On the possibilities of using the method of near-periodic analysis method for image processing. Modelirovanie sistem i protsessov = Modeling of Systems and Processes. 2024;17(3):44–52 (in Russ.). http://doi.org/10.12737/2219-0767-2024-42-50Фридзон М.Б., Евтушенко О.А. О требованиях к точности метеорологической информации. Научный вестник Московского государственного технического университета гражданской авиации (Научный Вестник МГТУ ГА). 2014;210:142–144. https://elibrary.ru/tbubqhFridzon M.B., Evtushenko O.A. About requirements for exactness of meteo information. Nauchnyi vestnik Moskovskogo gosudarstvennogo tekhnicheskogo universiteta grazhdanskoi aviatsii (Nauchnyi Vestnik MGTU GA) = Civil Aviation High Technologies. 2014;210:142–144 (in Russ.). https://elibrary.ru/tbubqhWang X., Chen K., Liu L., Han T., Li B., Bai L. Global tropical cyclone intensity forecasting with multi-modal multiscale causal autoregressive model. In: ICASSP 2025-2025 IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE; 2025. P. 1–5. https://doi.org/10.1109/ICASSP49660.2025.10888556Wang X., Chen K., Liu L., Han T., Li B., Bai L. Global tropical cyclone intensity forecasting with multi-modal multiscale causal autoregressive model. In: ICASSP 2025–2025 IEEE International Conference on Acoustics, Speech and Signal Processing. IEEE; 2025. P. 1–5. https://doi.org/10.1109/ICASSP49660.2025.10888556

The authors declare that there are no conflicts of interest present.