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

全球野火的发生、规模和频率对生态系统服务和人类生计构成重大威胁。为了有效量化和归因于野火的先决条件，对地球系统动力学的彻底理解是必需的。为此，我们介绍了 SeasFire 数据立方体，这是一个经过精心策划的时空数据集，可用于通过地球观测进行全球亚季节到季节性野火建模。SeasFire 数据立方体包括 59 个变量，涵盖气候、植被、海洋指数和人类因素，在时间上具有 8 天的分辨率，在空间上具有 0.25 度的分辨率，时段为 2001 年至 2021 年。我们展示了 SeasFire 在探索野火驱动因素的变异性和季节性、建模海洋 - 气候相互关系与野火之间的因果关系以及使用深度学习模型预测多个时间尺度下的亚季节性野火模式的多功能性。我们公开发布了 SeasFire 数据立方体，并呼吁地球系统科学家和机器学习实践者使用该数据立方体来改善对野火的理解和预测。

Dec, 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

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

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

本文提出了一种基于遥感桥连远程影响视觉编码器（TeleViT）的方法，用于预测全球大火的模式，并证明了在长达四个月的预测窗口中，它在准确预测全球烧毁区域模式方面的优越性。

Jun, 2023

通过一种新颖的建模框架，我们可以有效地编码季节性气候预测，为供应链功能提供强大而可靠的时间序列预测。这种编码框架通过模块化神经网络架构实现了对潜在表示的有效学习，从而使得在多个实际数据集上，相对于现有需求预测方法，将季节性气候预测结果建模的误差降低了大约 13％至 17％。

Sep, 2023

本文研究了基于深度学习的时空预测问题，并探索使用物理知识来改进深度预测方法的两个主要研究方向：一是使用训练损失函数来改进模型的性能，包括确定性情况和概率情况；另一个是通过深度数据驱动网络来增强不完备的物理模型，以实现准确的预测。

May, 2022

利用深度学习方法进行下一天火灾预测，通过将问题从二元分类转化为图像的语义分割任务，每个像素对应一天的区域快照，从而实现了最先进的结果。

Mar, 2024

本研究提出了一种基于机器学习的、利用遥感数据预测印度尼西亚森林火灾的新方法，其对近年来由森林砍伐和气候变化导致的森林火灾有着显著的影响并提出了可靠且高效的预测方案。

Jan, 2021