Dominio espacial:
Me parece más un problema de procesamiento de imágenes. Los métodos de agrupamiento podrían ayudar, pero qué métrica (distancia, varianza, discontiguidad ...) y qué algoritmo (k-means, mean-shift, EM ...) se ajusta mejor en su caso está determinado por la topología de imagen y las características que usted es va a usar Puede implementar el agrupamiento de imágenes en rásteres medios y finos. Luego, pruebe diferentes técnicas de agrupación para ver cuál le brinda la mejor precisión de segmentación en general en comparación con sus rásteres medios / finos originales. Algunas estrategias de preprocesamiento para encontrar la jerarquía del espacio de escala podrían ayudar. Hay un algoritmo de segmentación de jerarquía que se muestra en el Capítulo 3 de este informe en el que
(1) Construir un espacio a escala;
(2) Encuentra los extremos y las sillas de montar en cada nivel de escala;
(3) Enlace cada punto crítico en un cierto nivel de escala a su ubicación correspondiente en el siguiente nivel de escala, y encuentre las rutas críticas;
(4) Determinación de la jerarquía del espacio de escala basada en la búsqueda de superficie de intensidad iso.
Para los métodos de agrupación que requieren la inicialización aleatoria, como k-means, puede utilizar la jerarquía encontrada como los grupos iniciales y el centroide para la agrupación adicional. Además, dependiendo de los caracteres de su imagen, es posible que también desee agregar más funciones (como cambios de textura, otra información de espacio que no sea el espacio RGB, etc.) en algoritmos de agrupamiento.
Dominio temporal
Ahora tiene las imágenes con una escala de tiempo diferente pero la misma resolución (con suerte). Si su trabajo de predicción es estimar el movimiento de algunos continentes, tormentas o precipitaciones, puede intentar la estimación de movimiento con el filtro Kalman . El movimiento para cada píxel se puede ponderar dentro de la región correspondiente (grupo) en función de su métrica en comparación con el centroide de la región. Puede usar la red neuronal para el pronóstico de secuencia de tiempo a corto plazo ( capítulo 3en esta tesis) Y dado que el filtro Kalman es simplemente un método para implementar la regla de Bayes, la máxima probabilidad se puede aplicar para la estimación del estado. Los procedimientos de estimación de estado se pueden implementar de forma recursiva. El paso posterior del tiempo anterior se ejecuta a través del modelo de dinámica y se convierte en el nuevo paso anterior para el paso de tiempo actual. Entonces este prior puede convertirse en un nuevo posterior utilizando la observación actual. Como resultado, se pueden usar procedimientos iterativos de reestimación de parámetros, como EM, para aprender los parámetros en el filtro de Kalman. El capítulo 6 de la misma tesis y el estudio sobre el suavizado de Kalman incluyen más detalles sobre los parámetros de aprendizaje con EM.
