使用三维向量量化变分自编码器提出了一个生成模型，用于生成给定生态区域中未见野火烧毁区域的时空序列，并利用这些数据训练了一个代理模型来预测野火的传播。

Aug, 2023

本研究开发了一种多模式野火预测和个性化早期警告系统，该系统基于先进的机器学习框架，使用来自环境保护局的传感器数据和 2012 年至 2018 年的历史野火数据，成功设计了新型的 U-Convolutional-LSTM 神经网络，能够提取与迫在眉睫的野火相关的关键时空特征。此外，地质数据被用于提供更好的野火风险评估。最终，为个有感官障碍或呼吸恶化症状的人提出了个性化早期警告系统，旨在为危险地区的居民提供更好的准备，从而挽救生命并减少经济损失。

Aug, 2022

用机器学习方法预测森林火灾持续时间，通过卫星提供的地貌特征地图和历史火灾数据训练模型，并基于已知火灾的地貌图像进行快速准确的未来预测。

Aug, 2023

在航空航天工程系统的高效设计探索中，使用嵌入仿真器的神经网络，并充分利用多样化数据源对多个模型实现进行训练，以评估由于训练样本不足而引起的认知建模不确定性，并在目标导向的自适应学习中提供关键信息。然而，由于集成模型的训练成本往往变得禁止并带来计算上的挑战，所以本研究提出使用快速神经网络范例的新型嵌入仿真器的神经网络，通过应用线性回归技术仅调整最后一层的连接权重，以在几乎即时训练的情况下保持预测准确性。该方法在多个分析实例和通用高超声速飞行器的航空参数研究中得到了验证。

Sep, 2023

该研究提出了一种使用卫星测量数据推断野火历史的方法，以初始化耦合大气 - 野火模型，在火灾预测方面取得了高准确性。

Sep, 2023

通过基于局部可观测马尔可夫决策过程的模型和数据驱动模型的方法，利用从卫星图像提取的协变量组合现有火灾数据库，建立数据集，模拟火灾蔓延，预测火灾，指导资源配置，实现有效的火灾应对。

Oct, 2020

将逐级网络架构转化为迭代网络架构是性能提升的众所周知方法，本文提出这样的网络架构不仅具有性能提升的好处，而且其输出的收敛速率与收敛值的精确度密切相关，因此我们可以将收敛速率作为一种有用的不确定性代理方法，通过这种方法可以以比集成技术更低的计算成本提供最先进的不确定性估计，并且无需对原始迭代模型进行任何修改。我们将其嵌入两个应用领域进行实际价值展示：航空影像中的道路检测和 2D 和 3D 形状的气动性能估计。

Mar, 2024

预测不确定性估计是一个具有挑战性的问题，阻碍了深度神经网络在安全关键应用中作为子系统的使用。我们通过将不确定性传播视为非线性优化问题，采用因子图的方法，观察到在大部分实验中（包括三个数据集和两种神经网络架构），相较于以前的工作，在性能方面取得了显著的提升。我们的实现平衡了采样和分析传播技术的好处，这在实现性能提升方面起到了关键作用。

Dec, 2023

本文介绍了一种新的机器学习（ML）框架，可以快速模拟预定火灾，解决了火灾模型中的物理不一致性、类别不平衡导致的偏见预测、火焰蔓延指标的偏差估计以及不同风况下的普适性问题。

Oct, 2023

使用深度学习分析环境变量，提前预测西班牙野火对经济和生态的影响，为危险地区的经理资源分配和决策制定提供帮助。

Jun, 2023