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

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

提出了一种利用多个信息源提高自动卫星基热点检测系统准确性的野火识别解决方案，并使用 European Forest Fire Information System 数据库与 Moderate-resolution Imaging Spectroradiometer 和 Visible Infrared Imaging Radiometer Suite 的热异常进行交叉引用，构建了一个用于欧洲相关野火研究的大规模热点数据集。然后，提出了一种新颖的多模态监督机器学习方法，用于区分野火和其他事件的热点检测。实验结果表明我们的方法在野火识别任务中的有效性。

Jul, 2023

通过使用机器学习模型和可解释的机器学习工具，基于野外火灾事件之前获取的遥感数据，准确预测火灾后的烧毁严重程度，并确定严重烧毁的主要驱动因素，为社区制定干预措施提供行动洞察，以最大限度地减少加利福尼亚州人员、财产、资源和生态系统的损失。

Nov, 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

本文介绍了如何使用分割深度学习模型预测全球火灾烧伤面积在亚季节时标下的出现情况，并提出了开放访问的全球分析数据立方体，以包含与季节性和亚季节性火灾驱动因素（气候、植被、海洋指数、人类相关变量）有关的各种变量，以及 2001-2021 年历史燃烧面积和野火排放。

Nov, 2022

野火对全球植被、野生动物和人类有重要影响，破坏植物群落和野生动物栖息地，并导致二氧化碳、氮氧化物、甲烷和其他污染物的排放增加。本技术综述描述了野火预测所依赖的独立变量的选择、数据处理技术、模型、独立变量的共线性和重要性估计方法以及模型性能评估指标。文章强调了对更有效的深度学习时间序列预测算法、三维数据（包括地面和树干燃料）的利用、提取更准确的历史火灾点数据和改进模型评估指标的需求。

May, 2024

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

利用远程感知技术与人工智能方法，以提高实时、高分辨率的火灾监测为目标，本研究探讨了两种基于 U-Net 模型的自动化烧毁区域绘图方法，分别为 128 和 AllSizes (AS) 模型，在智利两个容易发生火灾的地区利用 Landsat 影像和时间序列数据进行训练与应用，实验证明 AS 模型在增加数据集平衡性方面能够取得更好的性能。

Nov, 2023

使用多个数据源和方法，通过 Landsat-8 光学图像、Sentinel-1 合成孔径雷达（SAR）图像、PALSAR SAR 图像和地形特征，预测和映射火灾燃料类型和分布。

Mar, 2024