З'єднання інформації часових рядів з джерел з декількома просторовими дозволами / масштабами

У мене є багато супутникових растрових зображень, доступних від різних датчиків. З них грубіші мають дуже рясну часову роздільну здатність. Растри середньої роздільної здатності, як правило, мають менші дати придбання, але все ще доступна деяка ступінь інформації. Більш точна роздільна здатність має дуже низький часовий дозвіл, який охоплює від 2 до 6 спостережуваних дат у віці менше двох років. Мені було цікаво, чи знає хтось із будь-яких зусиль щодо вивчення цього типу багатомасштабних часових рядів? Мені було б цікаво передбачити майбутні значення на більш тонких масштабах, використовуючи інформацію, доступну з більш грубих. Для мене є сенс, що дані повинні бути пов'язані (так, зображення охоплюють ті самі регіони), але я не маю уявлення, як почати з'єднання цієї інформації в прогностичній моделі.

Просторовий домен:

Мені це здається більше подібним до проблеми обробки зображень. Методи кластеризації можуть допомогти, але яка метрика (відстань, дисперсія, невідповідність ...) та який алгоритм (k-засоби, середній зсув, ЕМ ...) найкраще підходить у вашому випадку, визначається вашою топологією зображення та особливостями, якими ви є збирається використовувати. Ви можете реалізовувати зображення в форматі binning на середніх та точних растрах. Потім спробуйте різні методи кластеризації, щоб побачити, яка з них дає вам загальну найкращу точність сегментації порівняно з оригінальними растровими середніми / дрібними. Деякі стратегії попередньої обробки для визначення ієрархії простору масштабу можуть допомогти. Існує один алгоритм сегментації ієрархії, показаний у розділі 3 цього звіту, у якому ви

(1) Побудувати простір масштабу;

(2) Знайдіть крайнощі та сідла на кожному рівні масштабу;

(3) Зв’язати кожну критичну точку на певному рівні масштабу до її відповідного місця на наступному рівні масштабу та знайти критичні шляхи;

(4) Визначення ієрархії просторового простору на основі пошукової поверхні ізоінтенсивності.

Для методів кластеризації, необхідних для випадкової ініціалізації, таких як k-засоби, ви можете використовувати знайдену ієрархію як початкові кластери та центроїд для подальшої кластеризації. Крім того, залежно від символів зображення, ви також можете додати більше функцій (таких як зміна текстури, інша інформація про простір, ніж RGB-простір тощо) в алгоритми кластеризації.

Тимчасовий домен

Тепер у вас є зображення з різним масштабом часу, але з однаковою роздільною здатністю (сподіваємось). Якщо вашим завданням передбачення є оцінка руху деякого континенту, штормів чи опадів, ви можете спробувати оцінку руху за допомогою фільтра Калмана . Рух кожного пікселя можна зважувати всередині відповідної області (кластера) на основі його метрики порівняно з центроїдом області. Ви можете використовувати нейронну мережу для короткострокового прогнозування послідовності часу ( глава 3у цій тезі). А оскільки фільтр Кальмана - це просто метод реалізації правила Байєса, максимальна ймовірність може бути застосована для оцінки стану. Процедури державної оцінки можуть бути реалізовані рекурсивно. Задній з попереднього кроку часу проходить через динамічну модель і стає новим попереднім для поточного кроку часу. Тоді цей попередній може бути перетворений в новий задній, використовуючи поточне спостереження. Як результат, ітеративні процедури переоцінки параметрів, такі як EM, можуть бути використані для вивчення параметрів у фільтрі Калмана. Розділ 6 тієї ж тези, і дослідження згладжування Кальмана, включають більше деталей щодо параметрів навчання за допомогою ЕМ.

Вам слід заглянути в літературу для суперроздільної здатності. Ця область зазвичай вирішує проблему зйомки декількох зображень з великою грубою роздільною здатністю для створення одного зображення високої роздільної здатності шляхом ефективного запозичення сили на декількох зображеннях.

Я перерахував деяку відповідну літературу, яка повинна стати гарною відправною точкою.

Мій улюблений підхід тут використовує нелокальні засоби. Це включає розділення всіх зображень на патчі розміром або пікселів, створення кращих оцінок пікселів на зображенні з більш тонкою роздільною здатністю за допомогою зваженої комбінації пікселів на більш грубих зображеннях.$5x5$$7x7$

Список літератури

Елад, Майкл та Ар'є Фейєр. "Відновлення одного зображення надроздільної здатності з декількох розмитих, галасливих і недоаналізованих вимірюваних зображень." Обробка зображень, транзакції IEEE 6.12 (1997): 1646-1658.

Парк, Сун Чеол, Парк Мінь Кю і Мун Гі Канг. "Реконструкція зображень над роздільною здатністю: технічний огляд." Журнал обробки сигналів, IEEE 20.3 (2003): 21-36.

Protter, Matan та ін. "Узагальнення нелокального - означає реконструкцію над роздільною здатністю". Обробка зображень, транзакції IEEE 18.1 (2009 р.): 36-51.