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

应用自然语言处理和基于 Transformers 的双向编码器表示 (BERT) 进行转移学习，fine-tuning 模型对新闻类干旱影响报告 (DIR) 的数据，并将其应用于基于美国过滤的推特数据中识别七种干旱影响。

Dec, 2022

我们提出了一种基于各种时空神经网络的端到端解决方案来预测特定地区干旱概率，特别是用于长期决策，同时利用气候模型的内在因素和见解来增强干旱预测，通过比较评估结果表明，卷积 LSTM 和 Transformer 模型在预测干旱强度方面优于基线模型，ROC AUC 分数从 0.90 到 0.70，推荐根据预测时间跨度选择合适的模型进行长期干旱预测。

Sep, 2023

通过使用深度卷积神经网络和其他技术，将低分辨率的降水数据降尺度为高分辨率的数据，以追踪降水并提高气候下缩放模型的预测准确性。

Mar, 2024

我们提出了一种基于深度学习的降水后处理方法来提高数值天气预报模型的降水预报能力，通过自监督预训练和迁移学习，在区域天气预报中得到了比其他方法更好的结果。

Oct, 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

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

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

发展基于语义的数据集成中间件，将当地土著知识和传感器数据的异构数据模型融合，以实现准确的旱灾预测系统。土著知识通过中间件的自动推理生成模块转化为规则，与传感器数据结合进行推理，确定旱灾的发生。语义中间件包括分布式架构、实时流处理引擎、基于规则的推理模块和本体模块用于语义表示知识库。

May, 2024

利用多源空间和时间信息的方法，借助卫星数据和天气数据，可以有效地估测关键山区的积雪深度，其可取代高昂、稀少、偏向已开发区域的多次 LiDAR 测量或就地漫长实地调查。

Aug, 2022