城市化对经济增长有促进作用，但也通过环境恶化对环境造成危害。机器学习已成为一个有很大潜力的工具，通过识别关键的预测特征来跟踪环境恶化。最近的研究专注于利用污染物水平和颗粒物作为环境状态指标来开发预测模型，以勾勒出所面临的挑战。机器学习被用来识别与环境恶化相关的模式。该研究旨在帮助政府识别干预点，改进规划和保护工作，并最终促进可持续发展。

Aug, 2023

预测未监测站点中的动态环境变量是水资源科学领域长期存在的挑战，使用机器学习方法对水文时间序列进行预测能够从大量多样的数据集中提取信息，并提出了几个开放问题，包括如何将动态输入和站点特征、机制性理解和空间背景以及可解释的人工智能技术融入现代机器学习框架中。

Aug, 2023

洪水事件中准确检测淹没范围对紧急响应决策和恢复工作至关重要。卫星遥感数据提供了一个全球框架，可以检测洪水范围。具体来说，哨兵 - 1 C 波段合成孔径雷达（SAR）图像已被证明对于检测水体非常有用，因为水体在同极化和交叉极化 SAR 图像中的反射较低。然而，在某些洪水区域，如基础设施和树木的存在，会观察到反射增加，从而使像素强度阈值和时间序列差异等简单方法无法胜任任务。机器学习技术已被利用来精确捕捉具有反射增加的洪水区域的洪水范围，但需要大量标记数据以达到理想的效果。因此，我们创建了一个包含美国本土和孟加拉国境内约 36,000 平方公里地区在已知洪水事件中水体范围和淹没区域范围的标记数据集。此外，我们还通过开源数据集并基于该数据集举办了一个开放竞赛，以便利用社区生成的模型快速原型化洪水范围检测。在本文中，我们介绍了该数据集的信息，数据处理流程，一个基线模型以及竞赛的细节，并讨论了获胜方法。我们相信该数据集将增添已有的基于 Sentinel-1C SAR 数据的数据集，并推动洪水范围检测的研究。

Nov, 2023

网络技术在自然保护区和国家公园中的应用越来越普遍，用于支持保护工作。通过自动照片陷阱网络对濒危物种如欧亚山猫（Lynx lynx）进行监测，但该方法产生了大量需要准备、分析和解释的数据。因此，研究人员在这个领域越来越需要处理来自这些数据的支持。一种机会是寻求来自志愿公众科学家的支持，他们可以帮助标记数据，然而，保留他们的兴趣是具有挑战性的。另一种方法是使用卷积神经网络进行图像识别自动化处理。在本研究中，我们将讨论与自然研究和保护相关的考虑事项，以及利用公众科学和机器学习加快数据准备、标注和分析过程的机会。

Mar, 2024

将公民科学和众包与人工智能、物联网和云策略的巧妙整合，可以在多个领域加速联邦政府的优先事项。

Mar, 2021

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

本文通过使用机器学习技术预测海岸环境变量，提供了即将到来的与先进技术相关的环境的实证证据，同时从后人类主义的角度探讨了设计师在这种环境中的角色和伦理。

May, 2023

本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法，总结了这些方法的应用领域，并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法，提出了现有技术的分类方法，揭示了知识漏洞和不同学科间方法的潜在交叉点，可用作未来研究的思路。

Mar, 2020

随着气候变化加剧，准确的全球规模灾害预测变得迫切。本研究提出了一种新颖的多模态灾害预测框架，结合了天气统计数据、卫星图像和文本洞察。我们特别关注 “洪水” 和 “滑坡” 的预测，因为它们与气象和地形因素相关。该模型基于现有数据精心设计，并实施策略来解决类别不平衡问题。虽然我们的研究结果表明，整合多种数据来源可以提升模型性能，但增强程度因每种灾害的特性和其独特的根本原因而有所不同。

Sep, 2023

本研究利用地球观测数据、机器学习和大数据方法开发应用程序，致力于监测共同农业政策（CAP）、食品安全及智能耐荒农业等领域，在解决机器学习模型训练的注释数据不足以及推导的价值落实到实际决策之间的差距等问题上取得了一定的方法创新和研究进展。具体来说，通过数据立方体、分布式学习和数据语义化等技术，不仅实现了农作物类型和生长状态估计的预测，也为应对实际农业问题提供了因果解释等机器学习技术支撑。

Nov, 2022