Resumen

Las imágenes del radar meteorológico precisas y de alta resolución que reflejan información detallada de la estructura del eco del radar son vitales para el análisis y pronóstico del clima extremo. Normalmente, esto se realiza utilizando esquemas de interpolación, que solo utilizan varios valores de datos vecinos para una aproximación computacional y obtener el valor estimado independientemente de la característica de contexto a gran escala de las imágenes del radar meteorológico. Inspirados en el rendimiento sobresaliente de la red neuronal convolucional (CNN) aplicada en la extracción de características y la auto-similitud no local de las imágenes del radar meteorológico, propusimos una red residual no local (NLRN) sobre la base de CNN. La red propuesta consiste principalmente en varios bloques residuales no locales (NLRB), que combinan una conexión de salto corta (SSC) y una operación no local para entrenar la red profunda y capturar información de contexto a gran escala. Además, la conexión de salto larga (LSC) añadida en la red evita el aprendizaje de información

• Materias:Internet de las cosas Algoritmo iterativo Algoritmo de evaluación Viga viscoelástica Lenguaje de programación
• Subjects:Internet of things Iterative algorithm Evaluation algorithm Viscoelastic beam Programming language
• Palabras claves:Imágenes de radar meteorológico precisas de alta resolución; Red neuronal convolucional; Red neuronal residual no local; Reconstrucción de súper resolución
• Keywords:Accurate; High-resolution; Weather radar images; Convolutional neural network; Nonlocal residual network; Super-resolution reconstruction