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

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

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

本研究制作了一个散装的、大规模的、多变量的基于历史野火的遥感数据集，结合 2D 区域的地形、植被、气象、干旱指数和人口密度等多个自变量，借助机器学习解决了野火蔓延的问题。通过神经网络的预测表现，与逻辑斯蒂二元回归和随机森林算法的比较，展示了该数据集的实用性，成为基于遥感数据开发野火传播模型的标准参考。

Dec, 2021

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

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

通过利用卫星网络和先进的人工智能模型来自动检测火点（即活跃火灾引起的热异常），以实时构建野火监测系统，本研究提出了一个包含欧洲火灾相关的遥感数据时间序列和基于自我监督学习的模型，能够分析多时相数据并在潜在实时中识别火点。使用我们的数据集和包含几次火灾事件的 Thraws 数据集，训练和评估了我们模型的性能，得到了 63.58 的 F1 分数。

May, 2024

利用基于图神经网络（GNN）的混合模型，我们通过将全球气候和野火数据表示为图形，解决了传统模型中存在的空洞海洋数据位置和远程相关性的挑战，并且在未见过的 JULES-INFERNO 模拟数据集上展示出卓越的预测准确性。此外，通过社区检测和集成梯度分析，我们揭示了潜在的野火相关性聚类和特征重要性，强调了模型的可解释性。我们的研究不仅推动了野火预测方法领域的发展，还强调了模型透明度的重要性，并为野火管理的利益相关者提供了有价值的见解。

Feb, 2024

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

使用神经模型方法直接估算火灾传播的可能性，通过扰动输入天气预测来表征输入参数的不确定性，具有与传统火灾模拟平台相当的精度，但有着更高的计算效率。

May, 2023