通过从卫星图像预测物种遇到率将鸟类物种与其栖息地进行地图绘制，SatBird 提供了美国地区的卫星数据集，并考虑了夏季（繁殖）和冬季，同时提供了肯尼亚代表性的低数据区域数据集。
Nov, 2023
评估一种基于深度学习的物种分布模型的方法，检验其在 IUCN 物种评估中的分类效果，发现威胁物种的比例在全球范围内呈增加趋势，尤其在非洲、亚洲和南美洲，而在两个热带地区、赤道、低地和海拔 800-1,500 米处，受威胁物种的比例预计将达到峰值。
Jan, 2024
为了解决生物多样性和气候危机之间的相互联系，我们需要了解物种的分布情况以及这些模式的变化。本研究介绍了使用卫星图像和其他物种的已知数据来预测物种分布模式的问题，并提出了 R-Tran 模型，该模型能够利用局部的观测数据进行预测。研究发现，R-Tran 模型在预测物种遭遇率方面表现优于其他方法，无论是在同一类群（鸟类）内还是跨类群（鸟类和蝴蝶）中。该方法为通过对物种丰富数据进行建模，将洞察力转化到稀缺数据的其他物种中，打开了新的视角。
Mar, 2024
通过开发新的计算机视觉工具，利用社交媒体中的野生动物图像作为信息来源，提供野生动物种群规模估计，解决社交媒体偏见带来的传统种群估计方法的障碍。
Aug, 2019
利用摄像头监控野生动物的数量，使用自动物种分类技术与公民科学数据和遥感数据拓展摄像头在不同地理位置的应用，为此我们提出了一种挑战性分类问题。
Apr, 2020
通过建立鸟鸣音的生成模型和采用新颖性检测技术，可以在全球范围内使用廉价的无人值守记录站或使用移动设备上的录音和物种识别进行大规模众包，可靠地识别动物物种的能力受到限制。
May, 2015
本文研究了如何处理在应用深度学习技术识别危机管理时，数据高度不平衡的情况，探讨了多种技术并提出了一套综合方法，旨在提高少数类别分类的性能和模型可靠性。
通过多模态数据和数据增强方法，利用卫星遥感技术实现全球范围内的森林监测，以保护和恢复森林生态系统，对生物多样性保护和碳封存至关重要。
May, 2024
利用机器学习技术，结合生态领域知识，可以提升动物生态学家们对现代传感器技术产生的大量数据的理解和对物种保护的监测能力，最终将生态模型作为机器学习模型的约束条件，从而可靠地估计种群数量、研究动物行为和减缓人类 / 野生动物冲突。
Oct, 2021
本文探讨了高分辨率遥感技术和人工智能在森林监测中的应用，并提出标准化数据集的需求，以加速该领域的发展。作者列举了一些大规模数据集作为基准，并呼吁开展一个代表性的基准项目来促进该领域的进步。
Dec, 2022