本研究提出了一种基于机器学习的、利用遥感数据预测印度尼西亚森林火灾的新方法，其对近年来由森林砍伐和气候变化导致的森林火灾有着显著的影响并提出了可靠且高效的预测方案。

Jan, 2021

利用机器学习进行深度学习模型的季节性火灾预报，研究发现在全球范围内，考虑更长时间序列和整合空间信息可以提高火灾预测性能，并建议在更长的预测时限内考虑更大的空间范围以提高预报准确性。

Apr, 2024

通过利用合成孔径雷达（SAR）多时相数据来监测巴西雨林中的森林砍伐，并提出了三种增强森林砍伐检测准确性的深度学习模型，其中 RRCNN-1 具有最高准确性和最短处理时间。

Oct, 2023

利用深度卷积神经网络和多模卫星图像对亚马逊森林的砍伐估测和火灾检测问题进行了研究，并提出了一种新的数据集和处理技术。

Jul, 2023

为了在非线性和高度不确定性的气候影响模型驱动参数中提出一种可接受的代替模型，考虑深度学习 BLSTM 网络和随机森林 RFQR 模型替代 R0 预测，这些模型基于气候预测即温度和降雨量的季节性集合，建立合理的模型进行不确定性预测。

Apr, 2022

本文提出一种新的方法，通过衡量时间序列的趋势和季节性成分的独特影响来对时间序列进行分组，以提高零售销售预测的准确性。并将该方法应用于沃尔玛销售数据中，取得了较好的预测结果。

May, 2023

通过多视角学习策略、最新的深度神经网络模型和多模态数据集，采用全面的数据增强和多样化网络方法，能够有效而准确地预测亚马逊雨林地区的森林砍伐情况。

Jun, 2023

使用 Dynamic Mode Decomposition (DMD) 和 Long Short-Term Memory (LSTM) 这两种数据驱动的方法，研究了印度东北地区 118 年来的日降雨数据，并进行了降雨预测的相对效果比较分析，结果显示 LSTM 在准确性方面优于 DMD，展现了 LSTM 捕捉数据中复杂非线性关系的能力，从而成为降雨预测的强大工具，并提出数据驱动方法和深度学习方法可以显著提高印度东北地区的降雨预测准确性，帮助减轻极端天气事件的影响并增强该地区对气候变化的适应能力。

Sep, 2023

该论文提出了一种使用 Adaptive Robust Optimization 构建具有适应性权重的线性回归集成的新方法，以提高时间序列预测模型的准确性和鲁棒性，并演示了其在空气污染管理，能源消耗预测以及热带气旋强度预测等实际应用中优于其他竞争性集成技术的性能。

Apr, 2023

我们提出了一个实用的多模式集成天气预报系统，该系统使用混合数据驱动的天气预测模型与欧洲中期天气预报中心（ECMWF）海洋模型相结合，在 4 周的前期预测全球天气，分辨率为 1 度。对于 2 米温度的预测，我们的集成模型相比于原始的 ECMWF 扩展范围集成模型，在平均性能上提高了 4-17％（根据预测提前期而定）。然而，在应用统计偏差修正之后，ECMWF 集成模型在 4 周时相比较好，优势约为 3％。对于其他地表参数，我们的集成模型与 ECMWF 集成模型的性能差距也在几个百分点以内。我们证明了使用基于数据驱动的天气预测模型的多模式集成方法可以实现接近最新技术水平的次季节到季节性天气预报。

Mar, 2024