О мониторинге и прогнозировании динамики развития структуры тропических циклонов на основе почти периодического анализа спутниковых изображений

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. 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. 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. 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. 

1. Donatelli 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.2021.07.013

2. Seibert 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/engproc2021005022

3. Choi 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.2021.3107975

4. Kumar 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/s41870-021-00741-8

5. DubeyA.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.2021.101474

6. Пашшоев 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-2024-12-4-106-116

7. Мохнаткина 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-2024-12-3-93-103

8. Перова 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-2024-12-3-78-92

9. Грамович 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-2024-12-1-101-110

10. Kracalik 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.16451

11. Kumar 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/Confluence51648.2021.9377075

12. Balli 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.2020.110512

13. Chen 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.2022.102444

14. Suganyadevi 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/s13735-021-00218-1

15. Van 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.2022.102470

16. Meyer-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.2206.01653

17. Fu 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.0285

18. Richards J.A. Remote Sensing Digital Image Analysis. Berlin/Heidelberg, Germany: Springer; 2022. 567 p. https://doi.org/10.1007/978-3-030-82327-6

19. Крынецкий 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/vbsjnl

20. Кузьмин 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/vhiyoz

21. Кузьмин В.И., Самохин А.Б. Почти периодические функции с трендом. Вестник МГТУ МИРЭА. 2015;4-2(9): 105–110. https://elibrary.ru/vhiypj

22. Парамонов А.А., Крынецкий Б.А. Асимптотический анализ алгоритма поиска почти-периодов в данных с упорядоченным аргументом. Защита информации. Инсайт. 2023;4(112):53–57.

23. 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.

24. Парамонов А.А. Выявление почти-периодических характеристик спутниковых изображений тайфунов в аспекте решения проблем техносферной безопасности. Техносферная безопасность. 2024;44(3):71–76.

25. 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/mmph240408

26. Калач 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/10.12737/2219-0767-2024-42-50

27. Фридзон 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/tbubqh

28. Wang 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