Dominio spaziale:
Mi sembra più un problema di elaborazione delle immagini. I metodi di clustering potrebbero aiutare, ma quale metrica (distanza, varianza, discontiguità ...) e quale algoritmo (k-medie, spostamento medio, EM ...) è più adatto nel tuo caso è determinato dalla topologia delle immagini e dalle caratteristiche che sei andando a usare. È possibile implementare il binning dell'immagine su raster medio e fine. Quindi prova diverse tecniche di clustering per vedere quale ti offre la migliore precisione di segmentazione complessiva rispetto ai tuoi raster medio / fini originali. Alcune strategie di pre-elaborazione al fine di trovare la gerarchia dello spazio di scala potrebbero essere d'aiuto. C'è un algoritmo di segmentazione gerarchica mostrato nel capitolo 3 di questo rapporto in cui tu
(1) Costruisci uno spazio in scala;
(2) Trova gli estremi e le selle ad ogni livello di scala;
(3) Collegare ciascun punto critico a un determinato livello di scala alla posizione corrispondente al livello di scala successivo e trovare i percorsi critici;
(4) Scala la determinazione della gerarchia dello spazio basata sulla ricerca della superficie iso-intensità.
Per i metodi di clustering necessari per l'inizializzazione casuale, come k-medie, è possibile utilizzare la gerarchia trovata come cluster iniziali e centroide per un ulteriore clustering. Inoltre, a seconda dei caratteri della tua immagine, potresti anche voler aggiungere più funzioni (come cambi di trama, informazioni sullo spazio diverse dallo spazio RGB, ecc.) Negli algoritmi di clustering.
Dominio temporale
Ora hai le immagini con una scala temporale diversa ma la stessa risoluzione (si spera). Se il tuo lavoro di previsione è stimare il movimento di alcuni continenti, tempeste o precipitazioni, puoi provare la stima del movimento con il filtro Kalman . Il movimento per ciascun pixel può essere ponderato all'interno della regione corrispondente (cluster) in base alla sua metrica rispetto al centroide della regione. È possibile utilizzare la rete neurale per la previsione di sequenze temporali a breve termine ( capitolo 3in questa tesi). E poiché il filtro Kalman è semplicemente un metodo per implementare la regola di Bayes, la massima probabilità può essere applicata per la stima dello stato. Le procedure di stima statale possono essere implementate in modo ricorsivo. Il posteriore del passaggio temporale precedente viene eseguito attraverso il modello dinamico e diventa il nuovo precedente per il passaggio temporale corrente. Quindi questo precedente può essere convertito in un nuovo posteriore usando l'osservazione corrente. Di conseguenza, le procedure iterative di rivalutazione dei parametri come EM possono essere utilizzate per apprendere i parametri nel filtro Kalman. Il capitolo 6 della stessa tesi e lo studio sul livellamento di Kalman includono entrambi maggiori dettagli sui parametri di apprendimento con EM.