Domínio espacial:
Parece mais um problema de processamento de imagem para mim. Os métodos de cluster podem ajudar, mas qual métrica (distância, variação, discontigüidade ...) e qual algoritmo (k-mean, shift médio, EM ...) é o mais adequado para o seu caso, é determinado pela topologia da imagem e pelos recursos que você possui vai usar. Você pode implementar a classificação de imagens em rasters médios e finos. Em seguida, tente diferentes técnicas de agrupamento para ver qual delas oferece a melhor precisão geral de segmentação em comparação com os raspadores médios / finos originais. Algumas estratégias de pré-processamento para encontrar a hierarquia do espaço de escala podem ajudar. Existe um algoritmo de segmentação de hierarquia mostrado no Capítulo 3 deste relatório no qual você
(1) Construa um espaço de escala;
(2) Encontre os extremos e selas em todos os níveis de escala;
(3) Vincule cada ponto crítico em um determinado nível de escala à sua localização correspondente no próximo nível de escala e encontre os caminhos críticos;
(4) Determinação da hierarquia de espaço da escala com base na pesquisa de superfície iso-intensidade.
Para os métodos de armazenamento em cluster em que a inicialização aleatória é necessária, como k-means, você pode usar a hierarquia encontrada como os clusters iniciais e o centróide para mais armazenamento em cluster. Além disso, dependendo dos caracteres da sua imagem, você também pode adicionar mais recursos (como alterações de textura, outras informações de espaço que não o espaço RGB, etc.) nos algoritmos de agrupamento.
Domínio Temporal
Agora você tem imagens com escala de tempo diferente, mas com a mesma resolução (espero). Se o seu trabalho de previsão for estimar o movimento de alguns continentes, tempestades ou precipitação, tente a estimativa de movimento com o filtro Kalman . O movimento de cada pixel pode ser ponderado dentro da região correspondente (cluster) com base em sua métrica em comparação com o centróide da região. Você pode usar a rede neural para previsão de seqüência temporal a curto prazo ( capítulo 3nesta tese). E como o filtro de Kalman é simplesmente um método para implementar a regra de Bayes, a probabilidade máxima pode ser aplicada para a estimativa de estado. Os procedimentos de estimativa de estado podem ser implementados recursivamente. O posterior da etapa anterior é executado no modelo de dinâmica e se torna o novo anterior para a etapa atual. Então esse prior pode ser convertido em um novo posterior usando a observação atual. Como resultado, procedimentos iterativos de reavaliação de parâmetros como EM podem ser usados para aprender os parâmetros no filtro Kalman. O capítulo 6 da mesma tese e o estudo sobre suavização de Kalman incluem mais detalhes sobre os parâmetros de aprendizado com o EM.
