使用深度学习检测人为云扰动
通过分析卫星图像，我们提供了一个数据集 CloudTracks，其中包含超过 12,000 个船舶路径实例注释，以开发自动定位船舶路径的方法。我们的最佳模型在定位船舶路径方面的性能明显优于之前的最新研究，但我们也发现最佳模型在准确定位和计数船舶路径方面仍存在困难，因此我们希望 CloudTracks 能够促进对卫星图像中细长、重叠的特征更好地检测的新型机器学习方法。
Jan, 2024
研究云对地球气候系统的影响，并提出通过 AI 辅助可视化分析的混合模型来设计和测试海上云增白技术以评估其对气候模式的影响。
May, 2023
利用湍流图像增强技术改善在大气湍流环境下热适应和基于深度学习的目标检测模型的准确性和鲁棒性，研究表明，通过在模型训练中使用湍流特定的增强方法，可以显著提高检测湍流图像的准确性和鲁棒性。
May, 2024
本文分析了大气湍流对红外热成像中的目标检测性能的影响，通过使用几何扰动模型模拟了不同严重程度的大气湍流对多规模热成像数据集的影响，应用热域自适应和数据增强策略提高了目标检测器的性能。
Apr, 2022
我们在实际环境中提出了一种大气湍流妥协模型，利用领域自适应框架将有监督的模拟大气湍流校正与无监督的实际大气湍流校正相结合，从而提高实际大气湍流场景的性能，改善图像质量和下游视觉任务。
Feb, 2024
本研究利用人工智能技术，提高先前繁琐的 CO2 排放估算方法，进行算法和模型比较，并利用机器学习、深度学习和集成学习方法预测全球温度上升，以此为基础制定政策，如采用电动汽车减少汽车排放。
Nov, 2022
研究探讨了气候因素对空气质量的影响，通过对比回归模型与 K-Means 聚类、层次聚类和随机森林技术来分析。我们使用基于物理学的深度学习 (Physics-based Deep Learning, PBDL) 和长短期记忆 (Long Short-Term Memory, LSTM) 方法来研究空气污染预测。分析使用了挪威三个主要城市 2009 年至 2018 年的每日交通、天气和空气污染数据。特征选择的结果显示，采暖度日增加与空气污染水平增加之间存在相关性，这表明挪威的采暖活动是空气质量恶化的一个因素。PBDL 方法在空气污染预测方面表现出较高的准确性，相较于 LSTM 方法更为优越。本文对于基于环境变量的 PBDL 方法进行更准确的空气污染预测的增长文献做出了贡献，有助于决策者制定有效的数据驱动型气候政策。
May, 2024