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

本文介绍了如何使用分割深度学习模型预测全球火灾烧伤面积在亚季节时标下的出现情况，并提出了开放访问的全球分析数据立方体，以包含与季节性和亚季节性火灾驱动因素（气候、植被、海洋指数、人类相关变量）有关的各种变量，以及2001-2021年历史燃烧面积和野火排放。

Nov, 2022

本文提出了一种利用RGB相机和语义分割等技术实时探测被树木、烟雾、云等自然障碍物掩盖的野火的方法，并将此方法应用于无人机上以实现精准灭火。

Jun, 2023

使用三维向量量化变分自编码器提出了一个生成模型，用于生成给定生态区域中未见野火烧毁区域的时空序列，并利用这些数据训练了一个代理模型来预测野火的传播。

Aug, 2023

用机器学习方法预测森林火灾持续时间，通过卫星提供的地貌特征地图和历史火灾数据训练模型，并基于已知火灾的地貌图像进行快速准确的未来预测。

Aug, 2023

该研究提出了一种使用卫星测量数据推断野火历史的方法，以初始化耦合大气-野火模型，在火灾预测方面取得了高准确性。

Sep, 2023

在本研究中，我们提出了一种多任务学习框架，通过构建一个特定数据集和引入地表覆盖分类作为辅助任务，以提高烧毁区域分割模型的鲁棒性和性能。与标准的二进制分割方法相比，我们的方法在性能上表现出了更好的效果。

Sep, 2023

机器学习在近年来的机器学习发展中，在各个研究领域，如广泛的火灾检测中带来了好处。然而，小物体检测和罕见物体检测仍然是一个挑战。为了解决这个问题，我们提出了一个可以使用扩散模型生成真实对应数据集的数据集自动机。具体来说，我们引入了一个遮罩引导的扩散框架，可以将野火融合到现有图像中，同时可以精确控制火焰的位置和大小。此外，为了填补特定场景中野火图像数据集缺失的空白，我们通过控制文本提示和输入图像来改变合成图像的背景。此外，为了解决颜色偏差问题或众所周知的领域漂移问题，我们应用CLIP模型来过滤生成的大规模数据集以保持质量。因此，我们提出的框架可以生成一个大规模、高质量且与真实对应的图像数据集，很好地满足了特定任务中对标记数据集的需求。

Mar, 2024

通过提出适用于无人机/无人机图像的分割神经网络（SegNet）选择方法，该研究旨在缩短特征图以显着提高实时野火检测的处理速度和准确性，从而为全球野火检测增加了实时检测能力、野火检测准确性以及早期野火检测的能力。

Feb, 2024

本研究解决了无人机在偏远地区火灾烟雾检测中受限于计算能力的问题。通过利用零-shot基础模型监督，仅需边界框标签训练小型专业分割模型，实现实时火灾烟雾检测的有效性。研究表明，该方法在多样化火灾数据集上实现了63.3%的mIoU，显示出在实际森林火灾事件中的可靠性。

Aug, 2024