本研究提供了对 2019 年 1 月至 2023 年 2 月的欧洲国家（EU27＆英国，意大利，德国，西班牙）和印度的电力，工业，陆上交通，国内航空和国际航空等行业每日的二氧化碳排放的全面时间序列分析。研究聚焦于确定主要的贡献者，并利用 LSTM 模型进行准确的预测，为政策决策，缓解策略和应对气候变化提供洞察。

Jul, 2023

通过引入 CropNet 数据集，该研究提供了一个多模态数据集，用于在县级别上准确预测作物产量，考虑了短期和长期气候变化的影响，并验证了其在气候变化感知作物产量预测中的一般适用性和有效性。

Jun, 2024

我们提出了一种启发式算法，通过在低强度时期使用更大、更高精度的模型，在高强度时期使用更小、更低精度的模型，从而使 DNN 推理更加可持续，减少能源消耗和碳足迹。我们还引入了一个指标，即碳排放效率，以量化自适应模型选择在碳足迹方面的有效性。评估结果显示，所提出的方法可以将视觉识别服务的准确性在碳排放效率方面提高 80%。

Mar, 2024

本文提出了一个用于遥感数据的前沿技术 —— 共享和特定特征学习（S2FL）模型。该模型不仅可以将多模式遥感数据分解为模态共享和模态特定组件，更可以在陆地覆盖分类等多方面任务上发挥有效作用，达到其前沿性和先进性的地位。

May, 2021

SkySense 是目前最大的多模态遥感基础模型，通过多种模态的时空序列输入，采用 Multi-Granularity Contrastive Learning 和 Geo-Context Prototype Learning 进行预训练学习，能灵活结合或单独使用其模块以适应各种任务，并在 16 个数据集上的 7 个任务中表现出了卓越的泛化能力，超过了 18 个最新的遥感基础模型。

Dec, 2023

介绍了一个基于真实世界测量的混合多模式感知和通信数据的大规模数据集 ——DeepSense 6G 数据集。该数据集旨在推动在多模式感知、通信和定位交叉领域的深度学习研究，并提供了详细的数据集结构、测试床、数据采集和处理方法、部署场景和示例应用的概述，以促进多模式感知和通信数据集的采用和可重复性。

Nov, 2022

通过多视角无人机影像和 LiDAR 点云相结合的数据集，本研究提出了第一个多模态农作物生物量估计数据集，并通过评估现有方法的性能和探索新的潜在应用，如无人机图像下的 3D 农作物重建和新视角渲染，为农作物生物量量化的基准方法和视觉方法的发展提供了支持。

Apr, 2024

该研究通过数字土壤制图（DSM）方法的空间 - 时间深度学习技术，提出了一个新的模型架构，具有基于卷积神经网络（CNN）模型和空间注意力机制的空间信息，以及基于长短期记忆（LSTM）网络的气候时间信息，用于欧洲土壤有机碳的预测，结果表明该模型优于常用的 DSM 方法中的随机森林等传统机器学习方法，具有更低的均方根误差（RMSE），该模型是一个强大的工具，可用于预测土壤有机碳及其他土壤属性，从而推进 DSM 技术的发展，并为基于准确信息的土地管理和决策过程提供帮助。

Aug, 2023

本文选用六种模型（灰色预测模型、ARIMA 模型、SARIMAX 模型、人工神经网络模型、随机森林模型和长短时记忆模型）对中国所有部门（电力、工业、地面交通、住宅、国内航空、国际航空）在 2020 年 1 月 1 日至 2022 年 9 月 30 日的日期间序列数据进行预测，结果表明长短时记忆模型具有最佳的预测性能。

Feb, 2023

随着气候变化加剧，准确的全球规模灾害预测变得迫切。本研究提出了一种新颖的多模态灾害预测框架，结合了天气统计数据、卫星图像和文本洞察。我们特别关注 “洪水” 和 “滑坡” 的预测，因为它们与气象和地形因素相关。该模型基于现有数据精心设计，并实施策略来解决类别不平衡问题。虽然我们的研究结果表明，整合多种数据来源可以提升模型性能，但增强程度因每种灾害的特性和其独特的根本原因而有所不同。

Sep, 2023