借助预训练的 Pangu 模型和基于电涡流的时间模块，我们的研究提出了一种电涡流通知变压器方法，能够改善未来天气状况的预测能力并提高输出的空间精度。此外，我们的方法还提供了利用现有基础模型进行多功能下游任务的资源高效途径。

Jan, 2024

利用机器学习进行深度学习模型的季节性火灾预报，研究发现在全球范围内，考虑更长时间序列和整合空间信息可以提高火灾预测性能，并建议在更长的预测时限内考虑更大的空间范围以提高预报准确性。

Apr, 2024

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

利用 Transformer-based 深度学习模型，我们在考虑气候变化的短期动态的同时，通过转移与大气状态有关的全球学习表示，仅依靠气象数据全球性地估计了 0.25° 分辨率的植被活动，并且证明了与从头学习的 NDVI 模型相比，利用预训练的天气模型可以提高 NDVI 估计结果。

Mar, 2024

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

通过考虑短期气象变化和长期气候变化对作物的影响，基于多模态时空视觉变换器（MMST-ViT）开发了一个基于深度学习的解决方案，用于预测美国各县的作物产量，并展示其在三个性能指标上优于同类产品。

Sep, 2023

本文提出了一种新的基于 Transformer Network 的 Hierarchical Spatial-Temporal Transformer Network（HSTTN）模型，利用空间和时间特征增强长期风力发电预测。实验结果表明，该模型性能优于现有解决方案。

May, 2023

GeoViT 是一种紧凑的视觉转换模型，熟练处理卫星图像以进行多模式分割、分类和回归任务，目标是 CO2 和 NO2 排放。利用 GeoViT，我们在估计发电率、燃料类型、CO2 的尾气覆盖率和高分辨率 NO2 浓度地图方面获得了卓越的准确性，超过了先前的最先进模型，同时显著减小了模型尺寸。GeoViT 表明了视觉转换器架构在利用卫星数据提升温室气体排放见解方面的功效，对全球气候变化监测和排放规章制度的推进具有关键作用。

Nov, 2023

HEAL-ViT 是一种新颖的架构，它在球面网格上使用 ViT 模型，从而同时享受基于图的模型的空间均匀性和变压器所利用的高效注意力机制，能够产生优于 ECMWF IFS 的天气预报结果。

Feb, 2024

全球野火的发生、规模和频率对生态系统服务和人类生计构成重大威胁。为了有效量化和归因于野火的先决条件，对地球系统动力学的彻底理解是必需的。为此，我们介绍了 SeasFire 数据立方体，这是一个经过精心策划的时空数据集，可用于通过地球观测进行全球亚季节到季节性野火建模。SeasFire 数据立方体包括 59 个变量，涵盖气候、植被、海洋指数和人类因素，在时间上具有 8 天的分辨率，在空间上具有 0.25 度的分辨率，时段为 2001 年至 2021 年。我们展示了 SeasFire 在探索野火驱动因素的变异性和季节性、建模海洋 - 气候相互关系与野火之间的因果关系以及使用深度学习模型预测多个时间尺度下的亚季节性野火模式的多功能性。我们公开发布了 SeasFire 数据立方体，并呼吁地球系统科学家和机器学习实践者使用该数据立方体来改善对野火的理解和预测。

Dec, 2023