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

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

此研究利用 ConvLSTM 神经网络将天气雷达数据应用于短期降水预测，通过卷积神经网络层进行空间模式识别和 LSTM 网络层进行时间序列建模，构建了一个包含九层的自动编码器模型。结果表明，ConvLSTM 网络在气象预测中有着高准确性，尤其在天气复杂的地区具有显著潜力，为气象任务提供了一种更准确、数据驱动的方法。

Dec, 2023

该研究利用卷积神经网络（CNN）和迁移学习技术分析地理空间数据，特别是用于识别受野火影响的区域，并结合加拿大火险指数（FWI）评估湿度条件，通过建立一个 0 至 5 的火险级别量表与天气模式动态连接，实现了大规模烧毁区域的准确识别，为预测和减轻火灾提供了实时实用的方法。

Mar, 2024

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

通过使用卷积神经网络（CNN）和长短期记忆网络（LSTM），本文介绍了一种创新的方法来建立可靠的时间序列预测模型，用于电网频率。这些模型能够有效地捕捉电网频率数据中的时空复杂性，显著提高预测准确性并增强电网可靠性。

Oct, 2023

利用深度学习方法，结合免云的光学观测和天气无关的合成孔径雷达数据，采用组合卷积神经网络 (CNN) - 循环神经网络 (RNN) 架构生成连续的归一化植被指数 (NDVI) 时间序列，该方法在连续观测序列中对事件检测任务的准确性进行了改进，并有效滤除由云观测引起的突变和噪声。

Mar, 2024

本研究使用人工神经网络模型结合一组合成暴风模拟数据库，研究了该模型模拟风暴潮水平的能力；使用时间序列模型 Long short-term memory，和结合卷积神经网络的 ConvLSTM 模型捕捉数据的时空相关性；该模型的性能优于高斯过程实现多个合成风暴数据库的结果。

Apr, 2022

通过 ConvLSTM 技术，结合静态图像和时间动态变化，从多个患者研究中提取 3D 和时间维度信息来预测肿瘤体积，同时可实现肿瘤细胞密度和 CT 强度值的预测，并应用于 4D 医学图像分割任务。

Feb, 2019

本文研究使用 Recurrent Neural Networks 中的 Long-Short Term Memory（LSTM）模型来进行基于卫星图像时间序列的土地覆盖分类，并与传统方法进行了比较，结果表明 LSTM 模型在处理高度混合的图像分类问题方面表现更具竞争力。

Apr, 2017