Kopplung von Zeitreiheninformationen aus Quellen mit mehreren räumlichen Auflösungen / Skalen

9

Ich habe viele Satelliten-Rasterbilder von verschiedenen Sensoren zur Verfügung. Von diesen haben die gröberen eine sehr reichliche zeitliche Auflösung. Die Raster mit mittlerer Auflösung haben tendenziell weniger Erwerbsdaten, es sind jedoch noch einige Informationen verfügbar. Die feineren Auflösungen haben eine sehr niedrige zeitliche Auflösung und umfassen 2 bis 6 beobachtete Daten in weniger als zwei Jahren. Ich habe mich gefragt, ob jemand irgendwelche Bemühungen kennt, diese Art von mehrskaligen Zeitreihen in irgendeiner Weise zu studieren. Ich wäre daran interessiert, zukünftige Werte auf den feineren Skalen anhand der Informationen aus den gröberen vorherzusagen. Für mich ist es sinnvoll, dass die Daten in Beziehung gesetzt werden müssen (ja, die Bilder decken dieselben Regionen ab), aber ich habe keine Ahnung, wie ich diese Informationen in einem Vorhersagemodell koppeln soll.

JEquihua
quelle

Antworten:

4

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.

lennon310
quelle
2

Sie sollten in der Literatur nach Superauflösung suchen. Dieser Bereich löst normalerweise das Problem der Aufnahme mehrerer Bilder mit grober Auflösung, um ein Bild mit hoher Auflösung zu erstellen, indem die Stärke über mehrere Bilder hinweg effektiv ausgeliehen wird.

Ich habe einige relevante Literatur aufgelistet, die ein guter Ausgangspunkt sein sollte.

5x57x7

Verweise

Elad, Michael und Arie Feuer. "Wiederherstellung eines einzelnen Superauflösungsbildes aus mehreren unscharfen, verrauschten und unterabgetasteten gemessenen Bildern." Bildverarbeitung, IEEE-Transaktionen am 6.12 (1997): 1646-1658.

Park, Sung Cheol, Min Kyu Park und Moon Gi Kang. "Superauflösende Bildrekonstruktion: ein technischer Überblick." Signal Processing Magazine, IEEE 20.3 (2003): 21-36.

Protter, Matan et al. "Verallgemeinerung der nichtlokalen Mittel zur hochauflösenden Rekonstruktion." Bildverarbeitung, IEEE-Transaktionen am 18.1 (2009): 36-51.

user3303
quelle