Санкт-Петербургский университет ГПС МЧС России (кафедра организации пожаротушения и проведения аварийно-спасательных работ, профессор)
Россия
Институт информационных технологий МИРЭА – Российского технологического университета (кафедра прикладной математики, профессор)
Россия
г. Москва и Московская область, Россия
УДК 004.932 Обработка изображений
Представлены результаты применения метода почти-периодического анализа на основе сдвиговой функции к обработке временного ряда, характеризующего индекс накопленной энергии циклонов в Атлантическом океане. Накопленная энергия циклонов представляет собой индекс, используемый для измерения активности сезона ураганов. Он сочетает в себе количество возникших ураганов за исследуемый период, как долго они существовали и насколько мощными были. Исследуемые данные представлены временным рядом наблюдений в период с 1851 по 2023 г. с частотой замеров в один год. В ходе исследования были получены результаты, показывающие, что наибольшая активность циклонов происходит с периодичностью в 15 лет и 62 года. Выявленные почти-периоды были подтверждены для тайфунов в западной части Тихого океана. Исследование показало возможности оценивания появления экстремальных годовых значений накопленной энергии тайфунов.
методы анализа данных, данные с упорядоченным аргументом, тренд, нелинейные колебания, почти-период, временной ряд, чрезвычайные ситуации, тайфуны
1. Divergent ecological responses to typhoon disturbance revealed via landscape‐scale acoustic monitoring / S.R.P.J. Ross [et al.] // Global Change Biology. 2024. Vol. 30. № 1. P. 17–67. DOI:https://doi.org/10.1111/gcb.17067.
2. Hokson J.A., Kanae S. The use of a long-track central pressure and movement speed in similar typhoon identification for rainfall prediction // Journal of JSCE. 2024. Vol. 12. № 2. P. 23–36. DOI:https://doi.org/10.2208/journalofjsce.23-16036.
3. Lyu Yu., Yuan H., Wang Yu. Economic vulnerability of aquaculture households of elderly people to typhoon disasters and the factors influencing it in the island regions of southeast China // International Journal of Disaster Risk Reduction. 2023. Vol. 85. P. 103–192. DOI:https://doi.org/10.1016/j.ijdrr.2022.103492.
4. Global population profile of tropical cyclone exposure from 2002 to 2019 / R. Jing [et al.] // Nature. 2024. Vol. 626. № 7999. P. 549–554. DOI:https://doi.org/10.1038/s41586-023-06963-z.
5. Парамонов А.А., Кузьмин В.И. Программный комплекс обработки сигналов, представленных нелинейными колебаниями с трендом // Оптические методы исследования потоков: труды XVII Междунар. науч.-техн. конф. 2023. С. 265–274.
6. Dzerjinsky R.I., Krynetsky B.A., Chernorizova N.V. The Changes Dynamics Analysis in the Japanese Stock Exchange Nikkei 225 Index in the Latest Time. In: Silhavy R., Silhavy P., Prokopova Z. (eds) Data Science and Intelligent Systems // Lecture Notes in Networks and Systems. 2021. Vol. 231. DOI:https://doi.org/10.1007/978-3-030-90321-3_11.
7. Парамонов А.А., Кузьмин В.И. Анализ динамики макроэкономических показателей России // Современная наука: актуальные проблемы теории и практики. Сер.: Естественные и технические науки. 2022. № 11/2. С. 123–128. DOI:https://doi.org/10.37882/2223-2966.2022.11-2.24.
8. Парамонов А.А., Смоленцева Т.Е., Калач А.В. Современные аспекты анализа больших данных с упорядоченным аргументом // Актуальные проблемы прикладной математики, информатики и механики: сб. трудов Междунар. науч. конф. Воронеж, 2024. С. 609–613.
9. Our World in Data. URL: https://ourworldindata.org/ (дата обращения: 15.07.2024).
10. National Centers for Environmental Information. URL: https://www.ncei.noaa.gov/ (дата обращения: 15.07.2024).
