Spatial Clustering and Hyperspectral Unmixing of AVIRIS Cuprite data.

Statistical tools for spatial data objects is a topic that has yet to fully develop. Spatial data points are composed of multiple attributes and spatial coordinates. Clustering methods for this kind of data, called dual clustering methods, are needed for many applications, such as Financial, Human Mobility, Road Traffic, Points of Interest, Weather, Climate, and Housing. This work aims to be a literature review of dual clustering methods, that need to take into consideration both the characteristics of the attributes of the data object and their spatial location. Standard clustering methods are generally unsuitable for the cluster analysis of spatial data since they can’t take into account, simultaneously, both the spatial and attribute informations. In this work, two algorithms are extracted from the literature and used to analyze a specific case of spatial data. In particular, the application here suggested concerns the Hyperspectral Unmixing (HU) field, which aims to extract from an Hyperspectal image (HSI) the information about the mineral composition of a given geographic area of interest. In this work, the dual clustering methods will be applied to an HSI, the AVIRIS Cuprite scene, which is one of the most studied HSI in the Unmixing field, together with performance considerations about the proposed clustering algorithms.

Gli strumenti statistici per l’analisi di dati spaziali sono un argomento che non è ancora stato completamente sviluppato. I dati spaziali sono composti da più attributi e coordinate spaziali. I metodi di clustering per questo tipo di dati, chiamati dual clustering methods, sono necessari per molte applicazioni, come quelle finanziarie, di mobilità umana, di traffico stradale, di punti di interesse, meteorologiche, climatiche e abitative. Questo lavoro vuole essere una rassegna della letteratura sui metodi di clustering duale, che devono prendere in considerazione sia le caratteristiche degli attributi dei dati sia la loro posizione spaziale. In generale, i metodi di clustering standard non sono adatti all’analisi di cluster di dati spaziali, poiché non possono prendere in considerazione, simultaneamente, sia le informazioni spaziali che quelle relative agli attributi. In questo lavoro, due algoritmi sono stati estratti dalla letteratura e utilizzati per l’analisi di un caso specifico di dati spaziali. In particolare, l’applicazione qui proposta riguarda il campo dell’Hyperspectral Unmixing (HU), che mira ad estrarre da una Hyperspectal Image (HSI) le informazioni sulla composizione mineraria di una determinata area geografica di interesse. I metodi di clustering duale saranno qui testati e applicati a una specifica HSI, AVIRIS Cuprite, che è una delle HSI più studiate nel campo dell’Unmixing, e saranno fatte considerazioni sulle prestazioni degli algoritmi di clustering proposti.