运用人工智能和机器学习技术，本文聚焦于不同的 AI 驱动监测方法及其提高大象保护效果的潜力。

Jun, 2023

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

通过行为分析和挖掘新能源汽车的使用模式，可以识别出特定模式。对于行为指标如过载电池、低电量操作和高速驾驶对电池性能的不良影响，提出了一种环境计算建模方法来评估这些行为对城市生态的影响。通过 LSTM 模型和贝叶斯优化器对时间序列数据进行模拟扩展，揭示了不良驾驶行为对环境的负面效应。

Jun, 2024

研究文本中描述的运动是有挑战性的，由于空间 term，语言构造以及时间参照等多因素影响。研究通过实验，发现人们用来区分不同运动描述的特征，为基于文本的运动计算分析提出了建议。

Jan, 2022

通过手动标注、众包及机器学习相结合的方式，本文创新性地建立了基于地理运动描述文本的语料库，以推动地理数据的计算处理和空间认知能力的探索。

Jan, 2022

本文结合目标部位定位、CNN 特征和支持向量机分类，建立了一个系统，通过少量的图片来识别大量的大象。系统在含有 2078 张 276 只大象的数据集上测试，最高测试准确率达到 56％和 80％，采用多张图片技术后测试准确率为 74％和 88％。

Dec, 2018

通过社交媒体共享的地标数据收集，利用社区检测方法模拟了人类移动行为在不同地理分区下的自然刻度，发现了自然刻度的相变及其相关行为，并画出了离散的多重地理边界，为流行病学或文化传播等领域提供了关键的空间研究洞见。

Apr, 2017

本研究旨在解决单一动物活动识别的问题，同时探究动物集体行为识别，通过两种深度学习网络结构可以使羊群的集体活动被有效地识别跟踪。

Nov, 2018

本研究提出了一种基于序列分析方法对野生动物数据进行行为注释，特别是对社会群体的集体行为进行分类的方法，并在真实数据集上进行了评估，显示出相比基线方法显著的准确度提高。

Jul, 2019

通过自动提取文本信息来感知运动现象具有挑战性。本文介绍了 GeoMovement，该系统基于结合机器学习和基于规则的运动相关信息抽取，并使用先进的可视化技术。GeoMovement 提供了一种集成框架，可以同时提取运动和缺乏运动，为人们提供了有意义的地理运动信息。

Mar, 2022