Räumliche Domäne:
Es scheint mir eher ein Bildverarbeitungsproblem zu sein. Clustering-Methoden können hilfreich sein, aber welche Metrik (Entfernung, Varianz, Diskontiguität ...) und welcher Algorithmus (k-Mittelwert, Mittelwertverschiebung, EM ...) in Ihrem Fall am besten geeignet ist, hängt von Ihrer Bildtopologie und Ihren Merkmalen ab werde verwenden. Sie können das Image-Binning auf mittleren und feinen Rastern implementieren. Probieren Sie dann verschiedene Clustering-Techniken aus, um herauszufinden, welche die beste Segmentierungsgenauigkeit im Vergleich zu Ihren ursprünglichen mittleren / feinen Rastern bietet. Einige Vorverarbeitungsstrategien zum Ermitteln der Skalierungsraumhierarchie könnten hilfreich sein. In Kapitel 3 dieses Berichts wird ein Hierarchiesegmentierungsalgorithmus gezeigt , in dem Sie
(1) Bauen Sie einen Skalenraum;
(2) Finden Sie die Extrema und Sättel auf jeder Skalenstufe;
(3) Verknüpfen Sie jeden kritischen Punkt auf einer bestimmten Skalenebene mit seiner entsprechenden Position auf der nächsten Skalenebene und suchen Sie die kritischen Pfade.
(4) Bestimmung der Skalenraumhierarchie basierend auf der Suche nach Isointensitätsoberflächen.
Für die Clustering-Methoden, für die die zufällige Initialisierung erforderlich ist, z. B. k-means, können Sie die gefundene Hierarchie als anfängliche Cluster und Schwerpunkt für das weitere Clustering verwenden. Abhängig von den Zeichen Ihres Bildes möchten Sie möglicherweise auch mehr Funktionen (wie Texturänderungen, andere Speicherplatzinformationen als RGB-Speicherplatz usw.) in Clustering-Algorithmen hinzufügen.
Zeitliche Domäne
Jetzt haben Sie die Bilder mit unterschiedlicher Zeitskala, aber derselben Auflösung (hoffentlich). Wenn Ihre Vorhersage darin besteht, die Bewegung eines Teils des Kontinents, Stürme oder Niederschläge zu schätzen, können Sie die Bewegungsschätzung mit dem Kalman-Filter versuchen . Die Bewegung für jedes Pixel kann innerhalb des entsprechenden Bereichs (Clusters) basierend auf seiner Metrik im Vergleich zum Schwerpunkt des Bereichs gewichtet werden. Sie können das neuronale Netzwerk für die kurzfristige Vorhersage von Zeitsequenzen verwenden ( Kapitel 3)in dieser Arbeit). Und da der Kalman-Filter lediglich eine Methode zur Implementierung der Bayes-Regel ist, kann die maximale Wahrscheinlichkeit für die Zustandsschätzung angewendet werden. Zustandsschätzungsverfahren können rekursiv implementiert werden. Der Posterior aus dem vorherigen Zeitschritt wird durch das Dynamikmodell geführt und wird zum neuen Prior für den aktuellen Zeitschritt. Dann kann dieser Prior unter Verwendung der aktuellen Beobachtung in einen neuen Seitenzahn umgewandelt werden. Infolgedessen können iterative Parameter-Neuschätzungsverfahren wie EM verwendet werden, um die Parameter im Kalman-Filter zu lernen. Kapitel 6 derselben Arbeit und die Studie zur Kalman-Glättung enthalten weitere Einzelheiten zu den Parametern, die mit EM lernen.