利用无人监督机器学习框架，从 LiDAR 数据中检测、提取和分析高低压电力线路以及周围植被的特征，进而进行基于电力线路走廊的危险性分析。

Aug, 2023

使用多个数据源和方法，通过 Landsat-8 光学图像、Sentinel-1 合成孔径雷达（SAR）图像、PALSAR SAR 图像和地形特征，预测和映射火灾燃料类型和分布。

Mar, 2024

利用卫星图像、社交媒体和信息提取技术，本研究监测了停电及其感知原因，结果显示城市环境中夜间光强度与推特提及委内瑞拉总统的负面情绪和责怪相关术语呈负相关关系，暗示了政府在停电问题中的责任。

Oct, 2023

本文介绍了一种提高当前航拍野火数据集质量的方法，旨在适应相机技术的进步，并提出了一种基于 CycleGAN 的流程以及一种新颖的融合方法，通过将配对的 RGB 图像作为属性调节器集成到两个方向的生成器中，从而提高了生成图像的准确性。

Jan, 2024

在这项研究中，我们提出了一种实用而稳健的检测方法，仅利用现有的电压幅值，消除了昂贵的相角或功率流数据的需求，并通过梯度下降学习后事故分布的参数，以及添加 Bregman 散度约束解决可行性问题，证明可以及时检测和定位停电，无需假设已知停电模式。

Sep, 2023

野火对全球植被、野生动物和人类有重要影响，破坏植物群落和野生动物栖息地，并导致二氧化碳、氮氧化物、甲烷和其他污染物的排放增加。本技术综述描述了野火预测所依赖的独立变量的选择、数据处理技术、模型、独立变量的共线性和重要性估计方法以及模型性能评估指标。文章强调了对更有效的深度学习时间序列预测算法、三维数据（包括地面和树干燃料）的利用、提取更准确的历史火灾点数据和改进模型评估指标的需求。

May, 2024

本文介绍了 LS-Net 单次拍摄行段检测器，将其应用于无人机的输电线路检测中，该方法不仅快速准确，而且通过物理渲染技术生成的合成图像进行数据增强，使其在自主避障和自主飞行方面具有广泛的应用前景。

Dec, 2019

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

本文提出了一种基于人工智能和机器学习技术的电力系统健康检测方案，利用 Siemens PSS/E 软件模拟电网状况，并采用分类器（SVM、LSTM 等）进行训练和测试，结果证明其能够高精度地检测电网异常，并可扩展应用于更复杂的电网结构。

Nov, 2017

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