利用深度表示学习和高斯过程，我们提出了一种用于单场景 AOD 重建的深度特征高斯过程（DFGP）方法，通过优化空间和特征域中观测和缺失 AOD 之间的相关性，在真实云图案的两个 AOD 数据集上，该方法的性能优于深度卷积神经网络和随机森林，相比深度卷积神经网络和随机森林，R$^2$ 分别提高了超过 0.35 和 0.06。

May, 2024

使用机器学习模型，特别是随机森林模型，在 2019 年对伊比利亚半岛的五种选择性污染物进行了浓度预测，并使用卫星测量、气象变量、土地利用分类、时间变量和空间变量作为模型特征进行评估。

Feb, 2024

提出了一种双重深度神经网络（D-DNet）预测与数据同化系统，能够高效整合实时观测，确保可靠的运营预测。D-DNet 在 PM2.5 和 AOD550 的全球运营预测方面表现优秀，在 2019 年整年内保持一致的准确性，并比 Copernicus Atmosphere Monitoring Service (CAMS) 4D-Var 运营预测系统具有显著的高效性，同时保持可比较的准确性。这种高效性有利于集合预测、不确定性分析和大规模任务。

Jun, 2024

通过数据驱动的监督机器学习框架填补空缺的时间和空间测量来生成全面的污染物数据集，为依赖室外空气污染数据进行下游评估的各方提供了具有 0.25 度细粒度和小时间隔的数据，同时为每个估计值提供了预测区间，从而支持更详细的研究。还通过检查模型在不同地理位置上的表现，为将来监测站的战略放置提供了见解和建议，以进一步提高模型的准确性。

Feb, 2024

通过机器学习填补缺失的空气污染浓度数据，我们提供了英国 2018 年每小时 1kmx1km 的全面数据集，对空气污染的浓度进行预测、估计和捕捉，使相关利益相关方能以更高分辨率进行研究。

Jan, 2024

利用开放的遥感数据，本研究提出了一种基于注意力机制的深度学习方法来估算森林地上生物量 (AGB)，其模型在生物量估算方面的准确性明显高于传统的随机森林算法。总体而言，该研究证实了利用卫星数据进行生物量估算的深度学习方法的可行性。

Nov, 2023

通过创新的三阶段深度集成机器学习框架 (DEML)，该研究预测了澳大利亚 24 个不同建筑物中室内细颗粒物 (PM2.5) 的小时浓度，并调查了其与室外 PM2.5 浓度之间的相关性。结果表明，DEML 模型在大部分传感器中的预测精度优于基准模型，实现了 R2 值在 0.63 到 0.99 之间，RMSE 值在 0.01 到 0.663 mg/m3 之间。这项研究强调了准确室内空气质量预测的重要性，对于开发特定位置的早期警报系统和制定有效干预措施至关重要，以提高公共健康结果。

May, 2024

DustNet 是一个快速而准确的模型，使用纳秒级训练和秒级预测，在粗糙的 1x1 度分辨率情况下，超过了基于物理模型的最先进模型的 95% 格点位置上的地面真实卫星数据，具有潜力改变我们对天气模式影响的理解。

Jun, 2024

该研究提出了一种基于深度学习的新型空气质量（主要是 PM2.5）预测模型，该模型能够通过卷积神经网络和双向 LSTM 混合框架学习空气质量相关时间序列数据的空间 - 时间相关性特征和多元相关性特征，并在两个实际数据集上进行了实验验证，表明该模型能够以较高的准确性进行 PM2.5 空气污染预测。

Dec, 2018

我们提出了一种名为多模态注意远程传感网络（MARSNet）的新型深度学习框架，通过将 GEDI、Sentinel-1、ALOS-2 PALSAR-2、Sentinel-2 和辅助数据进行融合，从而估计森林优势高度，提高了高分辨率优势高度的准确性。

Nov, 2023