Domaine spatial:
Cela ressemble plus à un problème de traitement d'image pour moi. Les méthodes de clustering peuvent aider, mais la métrique (distance, variance, discontiguïté ...) et l'algorithme (k-means, mean-shift, EM ...) qui conviennent le mieux dans votre cas sont déterminés par la topologie de l'image et les fonctionnalités que vous êtes va utiliser. Vous pouvez implémenter le regroupement d'images sur des rasters moyens et fins. Essayez ensuite différentes techniques de clustering pour voir laquelle vous donne la meilleure précision de segmentation globale par rapport à vos rasters moyens / fins originaux. Certaines stratégies de prétraitement afin de trouver la hiérarchie de l'espace d'échelle pourraient être utiles. Il existe un algorithme de segmentation hiérarchique présenté au chapitre 3 de ce rapport dans lequel vous
(1) Construire un espace d'échelle;
(2) Trouver les extrema et les selles à chaque niveau d'échelle;
(3) Relier chaque point critique à un certain niveau d'échelle à son emplacement correspondant au niveau d'échelle suivant et trouver les chemins critiques;
(4) Détermination de la hiérarchie de l'espace d'échelle basée sur la recherche de surface d'iso-intensité.
Pour les méthodes de clustering nécessitant une initialisation aléatoire, telles que k-means, vous pouvez utiliser la hiérarchie trouvée comme cluster initial et centroïde pour un clustering ultérieur. En outre, selon les caractères de votre image, vous pouvez également vouloir ajouter plus de fonctionnalités (telles que les changements de texture, d'autres informations d'espace que l'espace RVB, etc.) dans les algorithmes de clustering.
Domaine temporel
Vous avez maintenant les images avec une échelle de temps différente mais la même résolution (espérons-le). Si votre travail de prédiction consiste à estimer le mouvement d'une partie du continent, les tempêtes ou les précipitations, vous pouvez essayer l'estimation du mouvement avec le filtre de Kalman . Le mouvement de chaque pixel peut être pondéré à l'intérieur de la région (grappe) correspondante en fonction de sa métrique par rapport au centre de gravité de la région. Vous pouvez utiliser le réseau de neurones pour la prévision de séquences temporelles à court terme ( chapitre 3dans cette thèse). Et comme le filtre de Kalman est simplement une méthode pour implémenter la règle de Bayes, le maximum de vraisemblance peut être appliqué pour l'estimation d'état. Les procédures d'estimation d'état peuvent être mises en œuvre de manière récursive. Le postérieur du pas de temps précédent parcourt le modèle dynamique et devient le nouveau prieur pour le pas de temps actuel. Ensuite, cet a priori peut être converti en un nouveau postérieur en utilisant l'observation actuelle. En conséquence, des procédures de réestimation de paramètres itératives telles que EM peuvent être utilisées pour apprendre les paramètres dans le filtre de Kalman. Le chapitre 6 de la même thèse et l' étude sur le lissage de Kalman contiennent tous deux plus de détails sur les paramètres d'apprentissage avec EM.