0

私は実際に、多くの小さなサブ領域（私の場合はピクセル）で構成される非常に大きな領域の時系列の特性を検出しようとしています。私はこれについてあまり知らないので、私が思いつくことができる唯一の方法は、地域全体の平均化された時系列ですが、これは平均化によって多くの機能を確実に隠すことになると思います。

時系列のスイートの一般的な機能を検出できる、広く使用されている手法があるかどうか疑問に思っていますか？パターン認識や時系列分類のように？

どんなアイデア/提案も大歓迎です！

ありがとう！

いくつかの追加の説明：私は7日のタイムステップで数年のリモートセンシング画像を扱っています。したがって、各ピクセルには、異なる日付にこのピクセルから抽出された値に関連付けられた時系列があります。したがって、多くのピクセルで構成される領域を定義する場合、すべてまたはほとんどの特徴を示すいくつかの共通の特徴を検出または抽出する方法があります。この領域内のピクセルの時系列？時系列の形や、値が明らかに増加している日付などですか？

4

1 に答える 1

0

ピクセルの相関行列を計算できます。これは単純に次のようになります。

corr = np.zeros((npix,npix))
for i in range(npix):
    for j in range(npix):
        corr(i,j) = sum(data(i,:)*data(j,:))/sqrt(sum(data(i,:)**2)*sum(data(j,:)**2))

より多くの情報が必要な場合は、これを時間の関数として計算できます。つまり、時系列をブロック（たとえば分）に分割し、それぞれの相関を計算できます。次に、相関関係が時間の経過とともにどのように変化するかを確認できます。

相関が大きく変化する場合は、ピクセルのクロスパワースペクトルに関心があるかもしれません。これは次のように定義されます

cpow(i,j,:) = (fft(data(i,:))*conj(fft(data(j,:)))

これにより、さまざまな時間スケールでどのくらいのピクセルが一緒iに変化する傾向があるかがわかります。jたとえば、1秒（1 Hz）のタイムスケールで一致して移動している可能性がありますが、互いに相関していない、たとえば10秒のタイムスケールの変化もあります。

それは本当にあなたが必要とするものに依存します。

于 2012-11-02T21:14:41.393 に答える