在本研究中，我们提出了一种多任务学习框架，通过构建一个特定数据集和引入地表覆盖分类作为辅助任务，以提高烧毁区域分割模型的鲁棒性和性能。与标准的二进制分割方法相比，我们的方法在性能上表现出了更好的效果。

Sep, 2023

利用远程感知技术与人工智能方法，以提高实时、高分辨率的火灾监测为目标，本研究探讨了两种基于 U-Net 模型的自动化烧毁区域绘图方法，分别为 128 和 AllSizes (AS) 模型，在智利两个容易发生火灾的地区利用 Landsat 影像和时间序列数据进行训练与应用，实验证明 AS 模型在增加数据集平衡性方面能够取得更好的性能。

Nov, 2023

利用卫星图像进行野火监测在实际应用中具有重要的潜力。为了推动机器学习算法在这一领域的发展，本研究引入了 Sen2Fire 数据集，这是一个专门用于野火监测的具有挑战性的卫星遥感数据集。通过选择特定的波段组合，采用标准化烧伤比（NBR）和标准化植被指数（NDVI）等光谱指数的组合，优化了野火的检测效果。另外，本研究强调了集成 Sentinel-5 气溶胶数据对野火监测的积极影响。

Mar, 2024

利用深度卷积神经网络和多模卫星图像对亚马逊森林的砍伐估测和火灾检测问题进行了研究，并提出了一种新的数据集和处理技术。

Jul, 2023

过去十年，全球范围内野火的发生频率和强度不断增加，对人类和动物生命、生态系统和社会经济稳定性构成重大威胁。为了评估火灾的规模、确定受影响的资产、并有效地优先分配资源以恢复受损地区，结合富有高分辨率卫星图像的强大机器学习方法可以提供准确和及时的受影响区域分布图。本研究创建并引入了一个名为 FLOGA（希腊地区森林火灾观察）的机器学习数据集，该数据集独特之处在于它包含野火事件之前和之后获取的卫星图像，并包含具有可变空间和光谱分辨率的 Sentinel-2 和 MODIS 模态的信息，且大量事件都由领域专家注释了对应的烧毁区域地面真实情况。FLOGA 覆盖了希腊的更大区域，该区域的地理特点是地中海景观和气候条件。我们使用 FLOGA 对多种机器学习和深度学习算法进行了全面对比，以自动提取烧毁区域，将其视作一项变化检测任务。我们还将结果与使用标准专用光谱指数进行烧毁区域制图的结果进行了比较。最后，我们提出了一种名为 BAM-CD 的新型深度学习模型。基准测试结果表明，所提出的技术在自动提取烧毁区域方面具有高效性，其准确性和鲁棒性优于所有其他方法。我们的数据集和代码公开可用于：此 https URL。

Nov, 2023

通过使用机器学习模型和可解释的机器学习工具，基于野外火灾事件之前获取的遥感数据，准确预测火灾后的烧毁严重程度，并确定严重烧毁的主要驱动因素，为社区制定干预措施提供行动洞察，以最大限度地减少加利福尼亚州人员、财产、资源和生态系统的损失。

Nov, 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

利用卫星图像进行野火检测是遥感领域中广泛研究的任务，最近，深度学习方法已成为自动化此任务的可扩展解决方案，尤其是在无监督学习领域，其中没有训练数据可用。本文以矢量量化变分自动编码器 (VQ-VAE) 作为框架，通过离散潜在空间执行无监督的烧伤区域提取，并将其与专用的植被、水和亮度指数进行深度融合，实验结果显示了该技术在未来无监督烧伤区域提取研究中具有很高的潜力。

Aug, 2023

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

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