(44-5) 14 * << * >> * Русский * English * Содержание * Все выпуски

Алгоритм на основе сэмплирования аэрозольных неоднородностей в задаче измерения скорости ветра
П.А. Филимонов 1, М.Л. Белов 1, С.Е. Иванов 1, В.А. Городничев 1, Ю.В. Федотов 1

МГТУ им. Баумана, Москва, Россия

 PDF, 1415 kB

DOI: 10.18287/2412-6179-CO-708

Страницы: 791-796.

Аннотация:
Разработан алгоритм на основе сэмплирования аэрозольных неоднородностей для обработки изображений в задаче лидарного измерения скорости ветра в атмосфере. Проверка разработанного алгоритма производилась с использованием синтезированных лидарных сигналов и на данных натурных измерений. Алгоритм обработки аэрозольных полей в координатах «дальность – время» позволяет существенно уменьшить погрешности лидарного времяпролётного метода измерения скорости ветра по сравнению с корреляционными методами измерения.

Ключевые слова:
цифровая обработка оптических сигналов, цифровая обработка изображений, лидар, алгоритмы.

Цитирование:
Филимонов, П.А. Алгоритм на основе сэмплирования аэрозольных неоднородностей в задаче измерения скорости ветра / П.А. Филимонов, М.Л. Белов, С.Е. Иванов, В.А. Городничев, Ю.В. Федотов // Компьютерная оптика. – 2020. – Т. 44, № 5. – С. 791-796. – DOI: 10.18287/2412-6179-CO-708.

Citation:
Filimonov PA, Belov ML, Ivanov SE, Gorodnichev VA, Fedotov YV. An algorithm for measuring wind speed based on sampling aerosol inhomogeneities. Computer Optics 2020; 44(5): 791-796. DOI: 10.18287/2412-6179-CO-708.

Литература:

  1. Annoni, J. Analysis of control-oriented wake modeling tools using lidar field results / J. Annoni, P. Fleming, A. Scholbrock, J. Roadman, S. Dana, C. Adcock, F. Porte-Agel, S. Raach, F. Haizmann, D. Schlipf // Wind Energy Science. – 2018. – Vol. 3, Issue 2. – P. 819-831. – DOI: 10.5194/wes-3-819-2018.
  2. Zhan, L. LiDAR measurements for an onshore wind farm: Wake variability for different incoming wind speeds and atmospheric stability regimes / L. Zhan, S. Letizia, G.V. Iungo // Wind Energy. – 2020. – Vol. 23, Issue 3. P. 501-527. – DOI: 10.1002/we.2430.
  3. Kim, M.-H. The CALIPSO version 4 automated aerosol classification and lidar ratio selection algorithm / M.-H. Kim, A.H. Omar, J.L. Tackett, M.A. Vaughan, D.M. Winker, C.R. Trepte, Y. Hu, Z. Liu, L.R. Poole, M.C. Pitts, J. Kar, B.E. Magill // Atmospheric Measurement Techniques. – 2018. – Vol. 11, Issue 11. – P. 6107-6135. – DOI: 10.5194/amt-11-6107-2018.
  4. Kovalev, V.A. Elastic lidar: Theory, practice, and analysis methods / V.A. Kovalev, W.E. Eichinger. – Hoboken, New Jersey: John Wiley & Sons, Inc., 2004. – 615 p. – ISBN: 0-471-20171-5.
  5. Prasad, N.S. Three-beam aerosol backscatter correlation lidar for wind profiling / N.S. Prasad, A.R. Mylapore // Optical Engineering. – 2017. – Vol. 56, Issue 3. – 031222. – DOI: 10.1117/1.OE.56.3.031222.
  6. Soifer, V.A. Vortex beams in turbulent media: review / V.A. Soifer, O. Korotkova, S.N. Khonina, E.A. Shchepakina // Computer Optics. – 2016. – Vol. 40(5). – P. 605-624. – DOI: 10.18287/2412-6179-2016-40-5-605-624.
  7. Suomi, I. Methodology for obtaining wind gusts using Doppler lidar / I. Suomi, S.-E. Gryning, E.J. O'Connor, T. Vihma // Quarterly Journal of the Royal Meteorological Society. – 2017. – Vol. 143. – P. 2061-2072. – DOI: 10.1002/qj.3059.
  8. Stull, R. Practical meteorology: An algebra-based survey of atmospheric science (version 1.02b) / R. Stull. – University of British Columbia, 2017. – 940 p. – ISBN: 978-0-88865-283-6.
  9. Корреляционные методы лазерно-локационных измерений скорости ветра / Г.Г. Матвиенко, Г.О. Заде, Э.С. Фердинандов, И.Н. Колев, Р.П. Аврамова. – Новосибирск: Наука, 1985. – 223 с.
  10. Кропотов, Ю.А. Метод прогнозирования изменений параметров временных рядов в цифровых информационно-управляющих системах / Ю.А. Кропотов, А.Ю. Проскуряков, А.А. Белов // Компьютерная оптика – 2018. – Т. 42, № 6. – С. 1093-1100. – DOI: 10.18287/2412-6179-2018-42-6-1093-1100.
  11. Dérian, P. Wavelet-based optical flow for two-component wind field estimation from single aerosol lidar data / P. Dérian, C.F. Mauzey, S.D. Mayor // Journal of Atmospheric and Oceanic Technology. – 2015. – Vol. 32, Issue 10. – P. 1759-1778. – DOI: 10.1175/JTECH-D-15-0010.1.
  12. Proakis, J.G. Digital signal processing / J.G. Proakis, D.K. Manolakis. – 4th ed. – Prentice Hall, 2006. – 1104 p. – ISBN: 978-0-13-187374-2.
  13. Bishop, C.M. Pattern recognition and machine learning / C.M. Bishop. – Singapore: Springer, 2006. – 738 p. – ISBN: 978-0-387-31073-2.
  14. Агафонова, Ю.Д. Эффективность алгоритмов машинного обучения и свёрточной нейронной сети для обнаружения патологических изменений на магнитно-резонансных томограммах головного мозга / Ю.Д. Агафонова, А.В. Гайдель, П.М. Зельтер, А.В. Капишников // Компьютерная оптика. – 2020. – Т. 44, № 2. – С. 266-273. – DOI: 10.18287/2412-6179-CO-671.
  15. Бакалов, В.П. Цифровое моделирование случайных процессов. – М.: Изд-во Сайнс-пресс. – 2002. – 88 с. – ISBN: 5-94818-006-9.
  16. Филимонов, П.А. Алгоритм сегментации аэрозольных неоднородностей / П.А. Филимонов, М.Л. Белов, Ю.В. Федотов, С.Е. Иванов, В.А. Городничев // Компьютерная оптика. – 2018. – Т. 42, № 6. – С. 1062-1067. – DOI: 10.18287/2412-6179-2018-42-6-1062-1067.
  17. Hastie, T. The elements of statistical learning / T. Hastie, R. Tibshirani, J. Friedman. – New York: Springer, 2001. – 745 p.
  18. Du, P. Improved peak detection in mass spectrum by incorporating continuous wavelet transform-based pattern matching / P. Du, W.A. Kibbe, S.M. Lin // Bioinformatics. – 2006(07). – Vol. 22, Issue 17. – P. 2059-2065. – DOI: 10.1093/bioinformatics/btl355.
  19. Белов, М.Л. Лазерный дистанционный метод измерения порывов атмосферного ветра / М.Л. Белов, С.Е. Иванов, В.А. Городничев, Б.В. Стрелков // Вестник МГТУ. Сер. «Приборостроение». – 2014. – № 2. – С. 40-52.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: ko@smr.ru ; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20