А.А. Кузьмицкий, М.И. Труфанов, О.Б. Тарасова, Д.В. Федосенко

1–4 Федеральное государственное бюджетное учреждение науки Центр информационных технологий в проектировании РАН (г. Одинцово, Московская обл., Россия)

Постановка проблемы. В настоящее время актуально создание программного инструментария для раннего выявления тропических циклонов на основе общедоступных метеорологических данных. Необходимо разработать метод и алгоритмическое обеспечение для распознавания ранних признаков зарождения циклона, базирующиеся на обнаружении характерных турбулентностей, последующем построении движений турбулентностей и распознавании набора характерных признаков, вычисляемых посредством анализа изменения направлений и характера турбулентностей.

Цель. Разработать метод и алгоритмическое обеспечение для распознавания ранних признаков тропических тайфунов и накопления данных для развития физико-математической модели образования циклона посредством анализа спутниковых снимков и вспомогательной метеорологический информации, получаемых из общедоступных источников.

Результаты. Представлен алгоритм для обработки изображений, получаемых из общедоступных источников спутниковых снимков и данных о погоде, обеспечивающий детекцию признаков зарождения тайфуна с учетом динамики облачности. Проведены экспериментальные исследования на основе анализа видеозаписей спутниковых изображений зарождения и развития циклов за 2010-2020 годы. Отмечено, что отличительной новизной созданного подхода является использование различных по природе признаков, характеризующих развитие циклона, а также введение дополнительных уточняющих процедур распознавания циклона. 

Практическая значимость Разработан метод можно использовать для извлечения и накопления значительного количества объективных данных для построения физико-математической модели развития циклона, а также непосредственно для построения системы раннего обнаружения циклонов.

Кузьмицкий А.А., Труфанов М.И., Тарасова О.Б., Федосенко Д.В. Распознавание ранних признаков зарождения тайфуна на основе общедоступных источников спутниковых изображений // Системы высокой доступности. 2021. Т. 17. № 2. С. 58−66. DOI: https://doi.org/ 10.18127/j20729472-202102-05

1. Гридин В.Н., Смахтин А.П. Физическое моделирование магнитогидродинамических процессов развития мощных тропических циклонов / Труды МАИ. 2019. Вып. № 109. С. 7. DOI: 10.34759/trd-2019-109-7.
2. Chen S., Hong Y., Cao Q., Kirstetter P.-E., Yong B., Qi Y., Zhang J., Howard K., Hu J. Wang J. Performance evaluation of radar and satellite rainfalls for Typhoon Morakot over Taiwan: Are remote-sensing products ready for gauge denial scenario of extreme events? J. Hydrol. 2013. № 506. P. 4–13.
3. Ghorbani M.A., Kazempour R., Ahmadi M., Shamshirband S., Ghazvinei P.T. Forecasting pan evaporation with an integrated artificial neural network quantum-behaved particle swarm optimization model: A case study in Talesh, Northern Iran. Eng. Appl. Comput. Fluid Mech. 2018. № 12. P. 724–737.
4. Alpay B.A., Wanik D., Watson P., Cerrai D., Liang, G., Anagnostou E. Dynamic Modeling of Power Outages Caused by Thunderstorms. Forecasting. 2020. № 2. P. 151–162.
5. Lowe D.G. Distinctive image features from scale-invariant keypoints. Int. J. Comput. Vis. 2004. № 60. P. 91–110.
6. Shahid Karim, Ye Zhang, Muhammad Rizwan Asif, Saad Ali. Comparative analysis of feature extraction methods in satellite imagery, Journal of Applied Remote Sensing 11(4), 042618 (2017). https://doi.org/10.1117/1.JRS.11.042618.
7. Chang X., Du S., Li Y., Fang S. A Coarse-to-Fine Geometric Scale-Invariant Feature Transform for Large Size High Resolution Satellite Image Registration. Sensors 2018. № 18. P. 1360. https://doi.org/10.3390/s18051360.
8. Lin G.-F., Wang T.-C., Chen L.-H. A forecasting approach combining self-organizing map with support vector regression for reservoir inflow during typhoon periods. Advances in Meteorology. 2016. Article ID 7575126. doi:10.1155/2016/7575126.