さまざまなセンサーから入手できる多くの衛星ラスター画像があります。これらから、より粗いものは非常に豊富な時間分解能を持っています。中解像度のラスターは取得日が少ない傾向がありますが、それでもある程度の情報は利用できます。より細かい解像度のものは、2年以内に観測された日付が2から6に及ぶ非常に低い時間解像度を持っています。誰かがこのタイプのマルチスケール時系列を何らかの方法で研究するための努力を知っているかどうか疑問に思っていましたか？より粗いものから得られる情報を使用して、より細かいスケールで将来の値を予測することに興味があります。データは関連している必要があります（画像が同じ領域をカバーしている）ことは私には理にかなっていますが、予測モデルでこの情報の結合を開始する方法がわかりません。
回答:
空間ドメイン：
私には画像処理の問題のように思えます。クラスタリング手法は役立つかもしれませんが、どのメトリック（距離、分散、不連続...）とどのアルゴリズム（k-means、mean-shift、EM ...）がケースに最も適しているかは、使用している画像トポロジと機能によって決まります使用するつもりです。ミディアムおよびファインラスターに画像ビニングを実装できます。次に、さまざまなクラスタリング手法を試して、元の中程度/細かいラスターと比較して、全体的に最高のセグメンテーション精度が得られる手法を確認します。スケールスペース階層を見つけるためのいくつかの前処理戦略が役立つ場合があります。このレポートの第3章に示されている階層セグメンテーションアルゴリズムは1つあります。
（1）スケールスペースを作成します。
（2）すべてのスケールレベルで極値とサドルを見つけます。
（3）特定のスケールレベルの各クリティカルポイントを次のスケールレベルの対応する場所にリンクし、クリティカルパスを見つけます。
（4）等強度サーフェス検索に基づくスケール空間階層の決定。
k-meansなど、ランダムな初期化が必要なクラスタリング手法では、見つかった階層を初期クラスタとして使用し、さらにクラスタリングするための重心を使用できます。さらに、画像の文字によっては、クラスタリングアルゴリズムに機能（テクスチャの変更、RGBスペース以外のスペース情報など）を追加することもできます。
時間的ドメイン
これで、タイムスケールは異なるが解像度が同じ（うまくいけば）の画像ができました。予測ジョブが一部の大陸、嵐、降水量の動きを推定する場合は、カルマンフィルターを使用した動き推定を試すことができます。各ピクセルの動きは、領域の重心と比較したメトリックに基づいて、対応する領域（クラスター）内で重み付けできます。ニューラルネットワークを使用して、短期的な時系列予測を行うことができます（第3章この論文で）。また、カルマンフィルターはベイズルールを実装する方法にすぎないため、最尤法を状態推定に適用できます。状態推定手順は再帰的に実装できます。前のタイムステップの事後はダイナミクスモデルを介して実行され、現在のタイムステップの新しい事前になります。次に、現在の観測を使用して、この事前分布を新しい事後分布に変換できます。その結果、EMなどの反復パラメーター再推定手順を使用して、カルマンフィルターのパラメーターを学習できます。同じ論文の第6章とカルマン平滑化の研究には、EMで学習するパラメーターの詳細が含まれています。
超解像については文献を調べてください。この領域は通常、複数の粗い解像度の画像を取り込んで1つの高解像度画像を作成するという問題を解決します。
出発点として適切ないくつかの関連文献を挙げました。
ここでの私のお気に入りのアプローチは、非ローカルな手段を使用しています。これには、すべての画像をまたはピクセルのパッチに分割し、粗い画像のピクセルの重み付けされた組み合わせを使用して、より細かい解像度の画像のピクセルをより正確に推定します。
参考文献
エラード、マイケル、アリー・フォイヤー。「いくつかのぼやけた、ノイズの多い、アンダーサンプリングされた測定画像からの単一の超解像画像の復元。」画像処理、IEEE Transactions on 6.12（1997）：1646-1658。
パク、ソンチョル、ミンギュパーク、ムンギカン。「超解像画像再構成：技術概要」信号処理マガジン、IEEE 20.3（2003）：21-36。
プロッター、マタン、他 「非ローカル手段を超解像再構成に一般化すること。」画像処理、IEEE Transactions on 18.1（2009）：36-51。