通过在滑雪板表面安装应变传感器和惯性测量单元来估算积雪表层特征，在滑雪过程中实现了雪的分类，使用数据驱动的线性模型、降维和朴素贝叶斯分类器对滑雪板 - 雪交互进行分类， 可能可以实时地绘制雪的分布图以及基于雪类型的智能弹性调整，适用于后乡地带的公民科学项目。

Apr, 2023

全球范围树冠高度估计的框架，基于卫星数据，利用先进的数据预处理技术，采用一种针对地面真实高度测量中固有的地理定位误差的新型损失函数，并利用来自航天飞机雷达测绘任务的数据，有效地过滤掉山区错误标签，提高了在那些区域的预测可靠性。与实际高度标签的比较显示整体 MAE / RMSE 为 2.43 / 4.73（米），而对大于五米的树木为 4.45 / 6.72（米），相较于现有的全球规模图表有了明显的改善。所得的高度图以及潜在的框架将促进和提升全球尺度的生态分析，包括但不限于大规模森林和生物量监测。

Jun, 2024

通过使用注意机制，针对 Snow Water-Equivalent（SWE）进行预测，本研究证明了基于注意机制的模型在空间和时间上优于其他机器学习方法，并提供了生成空间完整性 SWE 地图的部署路线图。

Nov, 2023

使用卷积神经网络估计无人机遥感获取影像的水域表面高程，并进行了改进，使用线性回归进一步提高准确度，将结果与现有方法进行了比较，得出了具有竞争力的结果。

Jun, 2023

利用深度学习模型中的时序卷积网络（TCN），在喜马拉雅山流域的喜马拉雅区进行雪融驱动的径流建模，结果表明 TCN 模型优于传统机器学习方法，适用于雪融驱动的流量预测及类似水文应用。

Apr, 2024

通过将雷达数据与现有的多光谱数据相结合，生成了一种新颖的多源多时期数据集，用于拓展 SEN2DWATER 数据集的能力以进行水资源监测，取得了有希望的结果，并探讨了未来可能的发展和应用。

Jan, 2024

这项研究通过遥感分析在两个热带季风国家 —— 越南和斯里兰卡的降雨模式和水库水域范围之间的关系，揭示了降雨格局与水库水域范围动态变化之间的明确关联，对深入了解降雨变异性如何影响热带季风地区的水资源，提供了支持水资源管理策略和决策流程的初步发现。

Oct, 2023

基于融合时空信息与机器学习的方法，将点尺度的土壤湿度（SM）测量从 28 个点位上采样到 100 米的分辨率，实现了较为公平和统计学上更可靠的比较评估，并在交叉验证的基础上验证了该方法对未覆盖点位的区域的湿度空间变化的映射能力。

Apr, 2024

使用 3D U-Nets 和 EarthFormers 基于多波段卫星图像对未来 8 小时的降雨进行了概率预测，并通过多模型协商和阈值优化获得了最终结果，最佳的卫星波段预测雨情的表征是云顶相位和云顶高度波段，是一项优化的模型方法。

Dec, 2022

使用深度学习和卫星遥感生成植被高度图，以提高瑞士国家森林清查的时间分辨率和有效性。

Sep, 2023