- WaveCastNet: 一种基于人工智能的地震前警波场预测框架
我们提出了一种基于人工智能的框架 WaveCastNet，用于预测大地震引起的地面运动，该框架可以通过整合卷积长表示记忆模型 (ConvLEM) 和序列到序列 (seq2seq) 预测框架来模拟空间和时间上的长期依赖关系和多尺度模式，以提高 - 基于传感器数据的室内 PM2.5 预测与室外空气污染关联性研究：一项模拟研究（澳大利亚）
通过创新的三阶段深度集成机器学习框架 (DEML)，该研究预测了澳大利亚 24 个不同建筑物中室内细颗粒物 (PM2.5) 的小时浓度，并调查了其与室外 PM2.5 浓度之间的相关性。结果表明，DEML 模型在大部分传感器中的预测精度优于基 - 可解释的机器学习用于预测亚得里亚海贝类毒性，利用有害赤潮的长期监测数据
应用可解释的机器学习技术预测了阿德里亚海的威尼斯湾（Trieste Gulf）贻贝的毒性，该研究识别出可预测毒性的关键因素，如有害藻类的出现、贻贝中的毒素浓度以及环境因素，从而对改进早期预警系统和可持续水产养殖实践具有重要意义。
- 利用地理空间方法预测非洲的沙漠蝗虫繁殖地
我们的研究基于深度学习模型和多光谱地球观测图像，开发了一个可操作的模型来预测蝗虫繁殖地，该模型具有增强早期预警系统和有针对性的控制措施的潜力。
- 大学辍学预测中的时间变异性和群组间变异性
该研究对大规模行政数据在高等教育中对大学辍学预警系统中的贡献因素和预测性能进行了系统评估，发现大学第二年末的辍学预测在随机森林模型中的 AUC 比入学时高出 20％，而入学时的预测因素则被大学表现和后期的入学行为所取代，对于传统劣势背景学生 - 面向多灾害预警系统的微服务中间件
应用现代技术和物联网传感器，基于容器编排框架开发的跨领域微服务中间件，旨在提升环境风险预警系统的数据整合、互操作性、可扩展性、高可用性和可重用性。
- 食品安全趋势预测：基于水库计算的方法
该研究提出了一种新的量化方法来预测马里、尼日利亚、叙利亚和也门四个国家在地方层面上连续 60 天的食物消费水平，通过对包括 ARIMA、XGBoost、LSTMs、CNNs 和 Reservoir Computing (RC) 在内的不同模 - 基于 Swin-UNETR 的时空迁移学习的降水现在预报
应用 Swin-UNETR 模型进行欧洲十个不同地区的降水预报研究，以提高应对极端天气事件的能力。
- HungerGist: 一个可解释的食品不安全预测模型
通过使用新闻文本和自然语言处理技术，本论文引入了 “HungerGist”—— 一个多任务深度学习模型，旨在解决非洲日益严重的粮食不安全问题，以及传统方法在数据限制方面的不足，并展示出该模型在仅使用新闻数据进行训练时，优于基于传统风险因素和 - 威斯康辛公立学校的社会预测困难教训
使用威斯康辛州近十年的数据进行大规模评估后发现，尽管风险评估系统的准确性很高，但没有证据表明其提高了毕业率。结构约束是改善教育成果的主要障碍。
- 利用计算机视觉进行野火烟雾检测
研究显示使用人工智能、机器学习和计算机视觉，采取早期检测措施可以帮助检测火灾并减少灾害风险，其中，YOLOv7 是一个有效的算法来训练物体检测模型，可在初期火灾烟柱的早期探测中得到良好的效果。
- 使用符合预测的样本高效保证安全
此研究中，我们提出了一个结合对比预测技术和机器人 / 环境动力学模拟器的框架，用于调节警告系统，以可靠地提高机器人应用程序的安全性，并实现能够在较少的数据点下，保证误报率低于给定阈值的安全报警系统。
- Twitter 上位置推理技术调研
本文回顾了 Twitter 用户位置推断技术的发展历程，探讨了地理位置信息获取和算法优化对准确性提升的积极影响，并强调了其在社交媒体、灾害监测、市场趋势研究等领域的广泛应用。