提出了一种利用多个信息源提高自动卫星基热点检测系统准确性的野火识别解决方案，并使用 European Forest Fire Information System 数据库与 Moderate-resolution Imaging Spectroradiometer 和 Visible Infrared Imaging Radiometer Suite 的热异常进行交叉引用，构建了一个用于欧洲相关野火研究的大规模热点数据集。然后，提出了一种新颖的多模态监督机器学习方法，用于区分野火和其他事件的热点检测。实验结果表明我们的方法在野火识别任务中的有效性。

Jul, 2023

使用自监督学习的热点检测方法结合集成分类器和精确热点隔离技术，在热成像中能够准确识别和定位热点，并在多个领域中应用。

Aug, 2023

为了促进卫星上的能耗高效预处理算法和人工智能模型的研究，该论文提出了 THRawS，这是第一个包含整个地球的 Sentinel-2 卫星的原始温度热点数据集，包括野火和火山喷发等热点事件，还比较了核心配准技术和超级胶神经网络方法在场景中的时间和空间配准误差。

May, 2023

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

通过该基于人工智能技术的野火预防、检测和控制系统（WPDSS）的四个步骤，该系统能够高效预测热点区域和检测野火，并使用无人机进行喷洒防火剂，从而减少对气候的影响。

Dec, 2023

本文调查了不同的公开神经网络模型，这些模型使用安装于山顶或森林瞭望塔上的常规可见光相机来检测野火。在 ImageNet-1K 上预训练并在自定义野火数据集上微调后，评估了这些模型在不同野火图像上的性能，并提供了有关使用迁移学习进行野火检测的有用信息。Swin Transformer-tiny 具有最高的 AUC 值，但 ConvNext-tiny 在我们的数据集中检测到了所有的野火事件，并具有最低的误报率。

Jun, 2023

基于半监督领域自适应的野火检测新协议，利用具有教师 - 学生基础框架的定位感知物体检测实现翻译方差特征提取，性能明显优于现有基准测试集 HPWREN 的源模型基线平均精度 3.8%。

Apr, 2024

利用机器学习进行深度学习模型的季节性火灾预报，研究发现在全球范围内，考虑更长时间序列和整合空间信息可以提高火灾预测性能，并建议在更长的预测时限内考虑更大的空间范围以提高预报准确性。

Apr, 2024

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

为了更好地监测和控制日益增多的全球各地的林火，这项研究提出了一种新的名为 Operational U-Nets 的方法。基于卫星图像的监测和检测已经成为处理森林和公共土地的活性火灾的至关重要的手段。

Apr, 2023