本文提出了一种基于图神经网络的解决方案，学习时变图结构并在端到端框架中预测土壤湿度。该解决方案能够处理实践中常见的缺失地面真实土壤湿度的问题，并在真实世界的土壤湿度数据上展示了我们算法的优点。

Dec, 2020

TimeGPT 是时间序列的首个基础模型，能够生成准确的预测结果，我们通过评估其与统计学、机器学习和深度学习方法的性能对比发现，TimeGPT 在性能、效率和简洁性方面表现出色，研究结果显示了人工智能其他领域的洞见能够有效应用于时间序列分析，大规模时间序列模型为普遍获取精确预测和降低不确定性提供了激动人心的机会。

Oct, 2023

研究表明在历史电负荷数据有限的情况下，机器学习模型在负荷预测中的准确性受到限制。该论文探讨了大规模时间序列模型（TimeGPT）在历史数据有限的负荷预测中的潜力，并通过训练模型适应数据分布和特征，取得了在短期预测中超越其他机器学习模型和统计模型的成果。然而，由于负荷数据与训练数据之间的分布差异可能会影响 TimeGPT 的性能，因此在实际应用中需要使用验证集损失来确定是否选择 TimeGPT。

Apr, 2024

提出了一种物理 - 人工智能（AI）混合模型（即 WeatherGFT），将天气预报推广到超出训练数据集的更细时间尺度，并通过引入一个提前时间感知的训练框架来促进模型在不同提前时间上的推广，实验证明 WeatherGFT 在多个提前时间上达到了最先进的性能，并展现了 30 分钟预测的泛化能力。

May, 2024

GPT-4V 在地理学、农业和城市规划领域的绩效评估中展现出潜力，但在一些需要细粒度识别和精确计数的任务中存在局限性。

Dec, 2023

利用 Transformer 模型进行土壤温度预测的首次尝试，对比深度学习方法和文献研究，实验证明 Transformer 模型在该领域取得了显著成果，成为新的最先进技术。

Nov, 2023

本研究通过综合探索使用 State-of-the-Art (SOTA) 小麦作物监测模型进行跨地区和跨年份分布外泛化的可行性，旨在探讨 Parameter Efficient Fine Tuning (PEFT) 方法在作物监测中的应用。具体而言，我们致力于适应 SOTA TSViT 模型以解决冬小麦田地分割问题，这是作物监测和食品安全的关键任务。通过使用 PEFT 技术，我们只训练了 TSViT 架构的仅 0.7% 的参数，并实现了与完全微调方法相媲美的显著结果。我们拥有的 Beqaa-Lebanon 数据集包含了五年时间内总面积为 170 平方公里的小麦和非小麦类别的高质量标注多边形。利用 Sentinel-2 图像，我们的模型达到了 84% 的 F1 分数。我们计划公开发布黎巴嫩冬小麦数据集、代码库和模型权重。

Oct, 2023

GPTCast 是一种基于大型语言模型（LLMs）的生成式深度学习方法，用于雷达降水的集成预测，该方法使用 GPT 模型作为预测器，使用标记化的雷达图像学习时空降水动态，模型通过学习数据中的变化性并在推理时以模型暴露的形式生成集成，无需使用随机性，提供了具有准确不确定性估计的逼真集成预测，通过在意大利北部的 Emilia-Romagna 地区的 6 年雷达数据集上进行训练和测试，展示了与最先进的集成外推方法相比的卓越结果。

Jul, 2024

本研究针对遥感任务的基础模型研究进行了探讨，提出了一种包括六项分类任务和六项分割任务的基准测试以及可靠的评估方法，并报告了二十种基线模型的结果，旨在推动地球监测领域的模型进展。

Jun, 2023

本研究提出了一种名为 SkyGPT 的物理学指导下的随机视频预测模型，能够产生多个可能的未来图像，并且通过将其应用于太阳能预测中，能够实现更好的太阳能输出预测可靠性和锐度。

Jun, 2023