空间领域：

对我来说，这似乎更像是一个图像处理问题。聚类方法可能会有所帮助，但哪种度量（距离、方差、不连续性...）和哪种算法（k-means、mean-shift、EM ...）最适合您的情况取决于您的图像拓扑和特征打算用。您可以在中等和精细栅格上实现图像分箱。然后尝试不同的聚类技术，看看与原始中/精细栅格相比，哪一种可以为您提供最佳的整体分割精度。为了找到尺度空间层次的一些预处理策略可能会有所帮助。本报告的第 3 章显示了一种层次结构分割算法，您可以在其中

（1）构建尺度空间；

(2) 找出每个尺度级别的极值和鞍点；

(3) 将某一尺度级别的每个关键点链接到其在下一个尺度级别的对应位置，找到关键路径；

(4)基于等强度面搜索的尺度空间层次确定。

对于需要随机初始化的聚类方法，例如k-means，可以将找到的层次结构作为初始聚类和质心进行进一步聚类。此外，根据图像的特征，您可能还希望在聚类算法中添加更多特征（例如纹理变化、RGB 空间以外的其他空间信息等）。

时域

现在你有了不同时间尺度但分辨率相同的图像（希望如此）。如果您的预测工作是估计某些大陆、风暴或降水的运动，您可以尝试使用卡尔曼滤波器进行运动估计。每个像素的运动可以根据其与区域质心相比的度量在相应区域（簇）内加权。您可以使用神经网络进行短期时间序列预测（第 3 章在本论文中）。并且由于卡尔曼滤波器只是一种实现贝叶斯规则的方法，最大似然可以用于状态估计。状态估计程序可以递归执行。前一个时间步的后验通过动力学模型运行并成为当前时间步的新先验。然后可以通过使用当前观察将这个先验转换为新的后验。因此，可以使用迭代参数重新估计程序（例如 EM）来学习卡尔曼滤波器中的参数。同一篇论文的第 6 章和卡尔曼平滑的研究都包含了更多关于 EM 参数学习的细节。

您应该查看有关超分辨率的文献。该区域通常通过有效地借用多个图像的强度来解决摄取多个粗分辨率图像以创建一个高分辨率图像的问题。

我列出了一些相关的文献，它们应该是一个很好的起点。

我最喜欢的方法在这里使用非本地方法。这涉及将所有图像拆分为$5x5$或者$7x7$像素，使用较粗图像中像素的加权组合创建更精细分辨率图像中像素的更好估计。

参考

埃拉德、迈克尔和阿里·费尔。“从几个模糊、嘈杂和采样不足的测量图像中恢复单个超分辨率图像。” 图像处理，IEEE Transactions on 6.12 (1997): 1646-1658。

Park、Sung Cheol、Min Kyu Park 和 Moon Gi Kang。“超分辨率图像重建：技术概述。” 信号处理杂志，IEEE 20.3 (2003)：21-36。

普罗特、马坦等人。“将非局部方法推广到超分辨率重建。” 图像处理，IEEE Transactions on 18.1 (2009): 36-51。