本文研究使用Recurrent Neural Networks中的Long-Short Term Memory（LSTM）模型来进行基于卫星图像时间序列的土地覆盖分类，并与传统方法进行了比较，结果表明LSTM模型在处理高度混合的图像分类问题方面表现更具竞争力。

Apr, 2017

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

本文提出一种利用递归神经网络拟合燃料含水量动态响应的方法，避免了现有模型和卡尔曼滤波的限制，并通过实例展示验证了该方法的可行性。

Jan, 2023

该文提出了一种基于Gated Recurrent Unit的深度学习方法，用于预测澳大利亚维多利亚州在野火季节中的电力负荷，模型考虑到多个因素，使用降温关联因素以及灵活的数据输入结构，与LSTM相比表现更好，可以实现3％的平均预测MAPE，对维多利亚州而言可能有年度能源节约8046万澳元的潜在效益。

Apr, 2023

基于ConvGRU网络的ENSO区域的时空序列预测模型显示，相对于线性反演模型，类比预测和递归神经网络，其在预测Niño 3.4指数方面具有更高的预测能力和更长的有效预测期限。

Jun, 2023

本研究旨在开发一个综合性的数字时间序列预测模型拓展我们对自然现象模式和趋势的预测能力。该模型采用传统的ARIMA、Holt-Winters的方法、支持向量回归和现代神经网络模型RNN和LSTM等多种模型，可捕捉时间序列数据中的线性和非线性依赖性和季节性，旨在为大规模时间序列预测模型的发展提供实质性推进。

Jun, 2023

利用基于图神经网络（GNN）的混合模型，我们通过将全球气候和野火数据表示为图形，解决了传统模型中存在的空洞海洋数据位置和远程相关性的挑战，并且在未见过的JULES-INFERNO模拟数据集上展示出卓越的预测准确性。此外，通过社区检测和集成梯度分析，我们揭示了潜在的野火相关性聚类和特征重要性，强调了模型的可解释性。我们的研究不仅推动了野火预测方法领域的发展，还强调了模型透明度的重要性，并为野火管理的利益相关者提供了有价值的见解。

Feb, 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

通过比较分析三种神经网络结构：循环神经网络（RNNs）、门控循环单元（GRUs）和长短期记忆（LSTMs），本研究揭示了这些模型在全年和生长季节预测中具有可比较的性能，特别是LSTMs在预测气候引起的GPP极值方面表现出色。此外，我们的分析突显了在准确预测GPP方面，尤其是在气候极端条件下，有必要将辐射和遥感输入（光学、温度和雷达）纳入考虑。

Apr, 2024

本研究针对传统天气预测方法在应对复杂非线性和时间变化数据时的局限性，提出了一种混合CNN-LSTM模型以提高德里区域温度预测的准确性。研究表明，该模型在预测准确性和稳定性上显著优于传统方法，预示着其在气象预测及相关领域的广泛应用潜力。

Sep, 2024