以机器学习和遥感监测为基础，该研究致力于利用 Sentinel-1 SAR GRD 和 Sentinel-2 Harmonized MSI 等公开数据，对 47 个国家（大多数为最不发达国家）进行全球灾害风险评估，以推动减少全球气候和灾害风险的长期努力。

Apr, 2024

该研究分析历史航空照片中纳米比亚的目标物体检测，以识别长期环境变化，通过使用 1943 年和 1972 年的亚米尼亚次米级灰度航空图像，旨在识别纳米比亚 Oshikango 周围的关键对象，如 Waterholes，Omuti homesteads 和 Big trees。结果表明，在使用深度语义分割模型进行分析的历史航空图像的训练策略中，多种策略包括类别加权，伪标记和经验 p 值过滤被采用，以平衡地面真实数据中物体的倾斜和稀疏表示，1943 年和 1972 年图像的三个对象的平均 F1 值分别为 0.661 和 0.755。这项工作还发现了水坑和大树的平均大小增加，而 Omutis 的平均大小在 1943 年至 1972 年间减小，反映了二战后经济，农业，人口和环境变化的地方效果。该研究也强调了历史航空照片在了解纳米比亚以外长期环境变化方面的潜力，由于过去缺乏足够的卫星技术，存档的航空摄影是揭示几十年环境变化的绝佳替代方法。

Apr, 2024

过去几十年来，普遍的侵蚀现象引起了广泛的研究关注。在发展中国家，全球保护社区在地方、区域和大陆层面上发起了运动，以保护土壤资源，不仅要阻止或减轻人类对自然的影响，还要引入新的土壤栽培方法，改善农村地区的生活。本章的主要目标是综述不同类型和结构的侵蚀模型及其应用，同时讨论全球范围内和美国实施的一些利用地理信息系统的空间分析能力进行土壤侵蚀风险评估的方法，如通用土壤流失方程（USLE）、修订版通用土壤流失方程（RUSLE）和 MESALES 模型。此外，还介绍了更多实验模型和评估土壤侵蚀风险的方法，如人工智能、机器学习和深度学习等。最后，对未来土壤侵蚀风险评估的发展进行了展望。

Oct, 2023

为了更好地理解 “什么让自然 “野生”？” 这个问题，我们引入了机器学习应用于卫星图像的 “荒野制图” 任务，并发布了用于此任务的大规模基准数据集 MapInWild，其中包括各种地球观测传感器所获取的各种地理数据。

Dec, 2022

我们发展了一个多模态监督深度学习框架，利用卫星图像数据来预测地表的自然度，以增进我们对生态系统的环境保护的理解。

Jun, 2024

使用 UNESCO 的总结记录，基于创新的话题建模和紧张情况检测方法，我们开发了自动工具，可以提供有关上述两个列表的刻铭决策过程的有价值见解，我们的分析在识别紧张情况方面达到了令人称赞的 72% 的准确率，并开发了一个针对外交官、律师、政治科学家和国际关系研究人员量身定制的应用程序，以便有效搜索选择文档的段落和特定演讲者关于选择话题的陈述，这个应用程序是增进对国际遗产刻铭过程中复杂决策动态理解的宝贵资源。

Jul, 2023

我们开发了一种基于人工智能的模型，能够提前七天预测极端水文事件，该模型在全球各大洲、各种提前期和重现期下均优于现有的全球水文模型，特别适用于没有测量的流域，该研究的成果已被纳入全球超过 80 个国家的运行中的预警系统，提供免费的实时预测。

Jul, 2023

使用多个分割模型和不同的数据集，构建一个集成模型来提高山体滑坡地貌图的制作精度。集成模型使用 Sentinel-1 和 Sentinel-2 波段结合，以及通过植被指数 dNDVI 的变化来构建一个健全可靠的监测系统。

Sep, 2023

通过利用卫星数据和机器学习模型，本论文设计了专门针对合成孔径雷达（Sentinel-1）、光学影像（Sentinel-2）和夜间灯光（Suomi-NPP/NOAA-20）的计算机视觉模型，旨在实时监测海上活动，并为全球用户提供免费的实时海洋保护服务。

Dec, 2023

全球人口不断增长，对自然资源的需求也在增加。遗憾的是，人类活动占到了 23% 的温室气体排放。幸运的是，遥感技术已经成为管理我们的环境的有价值的工具。这些技术使我们能够监测土地利用，规划城市区域，并推动农业、气候变化缓解、灾难恢复和环境监测等领域的进展。通过利用迁移学习和细调 RGB 波段，我们在土地利用分析方面取得了令人印象深刻的 99.19% 准确度。这样的研究结果可以用来制定保护和城市规划政策。

Nov, 2023