Łączenie informacji o szeregach czasowych ze źródeł o wielu rozdzielczościach / skalach przestrzennych

Mam wiele satelitarnych obrazów rastrowych dostępnych z różnych czujników. Z nich grubsze mają bardzo dużą rozdzielczość czasową. Rastry o średniej rozdzielczości mają zwykle mniej dat akwizycji, ale nadal dostępny jest pewien stopień informacji. Te o lepszej rozdzielczości mają bardzo niską rozdzielczość czasową, obejmującą od 2 do 6 dat zaobserwowanych w ciągu dwóch lat. Zastanawiałem się, czy ktoś wie o jakimkolwiek wysiłku, aby w jakikolwiek sposób zbadać tego rodzaju wieloskalowe szeregi czasowe? Byłbym zainteresowany prognozowaniem przyszłych wartości w dokładniejszych skalach przy użyciu informacji dostępnych z grubszych. Ma to dla mnie sens, że dane muszą być powiązane (tak, obrazy obejmują te same regiony), ale nie mam pojęcia, jak zacząć łączyć te informacje w modelu predykcyjnym.

Domena przestrzenna:

Wydaje mi się, że to bardziej problem z przetwarzaniem obrazu. Metody grupowania mogą pomóc, ale która metryka (odległość, wariancja, nieciągłość ...) i który algorytm (k-średnie, średnie przesunięcie, EM ...) najlepiej pasuje do twojego przypadku, zależy od topologii obrazu i funkcji, którymi jesteś zamierzam użyć. Możesz zaimplementować binowanie obrazów na średnich i dokładnych rastrach. Następnie wypróbuj różne techniki grupowania, aby sprawdzić, która z nich zapewnia najlepszą najlepszą dokładność segmentacji w porównaniu z oryginalnymi średnimi / dokładnymi rastrami. Pomocne mogą być niektóre strategie przetwarzania wstępnego w celu znalezienia hierarchii przestrzeni skali. Jest jedna hierarchia algorytm segmentacji przedstawiono w rozdziale 3 niniejszego raportu , w którym

(1) Zbuduj przestrzeń skali;

(2) Znajdź ekstrema i siodła na każdym poziomie skali;

(3) Połącz każdy punkt krytyczny na pewnym poziomie skali z odpowiednią lokalizacją na następnym poziomie skali i znajdź ścieżki krytyczne;

(4) Skalowanie hierarchii przestrzeni w oparciu o wyszukiwanie powierzchni o intensywności izo-intensywności.

W przypadku metod grupowania wymagających losowej inicjalizacji, takich jak k-średnie, można użyć znalezionej hierarchii jako początkowych klastrów i środka ciężkości w celu dalszego grupowania. Poza tym, w zależności od znaków na obrazie, możesz również chcieć dodać więcej funkcji (takich jak zmiany tekstur, inne informacje o przestrzeni niż przestrzeń RGB itp.) W algorytmach klastrowania.

Domena czasowa

Teraz masz obrazy w innej skali czasowej, ale o tej samej rozdzielczości (miejmy nadzieję). Jeśli Twoim zadaniem w zakresie przewidywania jest oszacowanie ruchu niektórych kontynentów, burz lub opadów, możesz spróbować oszacowania ruchu z filtrem Kalmana . Ruch każdego piksela może być ważony wewnątrz odpowiedniego regionu (klastra) na podstawie jego metryki w porównaniu z centroidem regionu. Możesz użyć sieci neuronowej do krótkoterminowego prognozowania sekwencji czasowej ( rozdział 3w tej pracy). Ponieważ filtr Kalmana jest po prostu metodą implementacji reguły Bayesa, do oszacowania stanu można zastosować maksymalne prawdopodobieństwo. Procedury szacowania stanu można wdrażać rekurencyjnie. Tylny z poprzedniego kroku czasowego przechodzi przez model dynamiki i staje się nowym wcześniejszym dla bieżącego kroku czasowego. Następnie ten przeor można przekształcić w nowy tylny przy użyciu bieżącej obserwacji. W rezultacie iteracyjne procedury ponownej estymacji parametrów, takie jak EM, mogą być wykorzystane do nauki parametrów w filtrze Kalmana. Zarówno rozdział 6 tej samej pracy, jak i badanie wygładzania Kalmana zawierają więcej szczegółów na temat uczenia się parametrów za pomocą EM.

Powinieneś zajrzeć do literatury na temat super-rozdzielczości. Obszar ten zazwyczaj rozwiązuje problem pobierania wielu obrazów o zgrubnej rozdzielczości w celu utworzenia jednego obrazu o wysokiej rozdzielczości poprzez efektywne zaciągnięcie siły na wielu obrazach.

Wymieniłem stosowną literaturę, która powinna być dobrym punktem wyjścia.

Moje ulubione podejście tutaj wykorzystuje środki nielokalne. Wiąże się to dzielenie wszystkich obrazów aż do łaty lub pikseli, tworząc lepsze szacunki pikseli w rozdzielczości drobniejsze obrazu z wykorzystaniem ważonej kombinacji pikseli w obrazach grubszych.$5x5$$7x7$

Bibliografia

Elad, Michael i Arie Feuer. „Przywrócenie pojedynczego obrazu o wysokiej rozdzielczości z kilku rozmytych, hałaśliwych i niedopróbowanych obrazów mierzonych”. Przetwarzanie obrazu, transakcje IEEE 6.12 (1997): 1646-1658.

Park, Sung Cheol, Min Kyu Park i Moon Gi Kang. „Rekonstrukcja obrazu w super rozdzielczości: przegląd techniczny”. Magazyn przetwarzania sygnałów, IEEE 20.3 (2003): 21–36.

Protter, Matan i in. „Uogólnienie środków nielokalnych na rekonstrukcję w super rozdzielczości”. Przetwarzanie obrazu, transakcje IEEE w dniu 18.1 (2009): 36-51.