XiaoMi-AI文件搜索系统
World File Search System洪水监测
纽约市的超本地街道洪水监测
Floodnet的使命是开发用于实时城市洪水监测的工具，实施这些工具以衡量纽约市的洪水，并以洪水数据和监测工具的可用方式可访问且可用于利益相关者，包括居民，社区基于社区的组织，政府机构和研究人员。
利用实时数据对洪水易发地区进行洪水监测和减灾的智能农业系统
摘要 - 本研究提出了一种解决方案，以改进使用传感器监测相关环境参数的系统，以减轻洪水灾害。传感器用于收集有关农场洪水情况的数据。收集的数据经过分类模型的训练，以启动太阳能水泵，减轻洪水易发地区的洪水事件。该系统帮助农民监测与农业作业和洪水相关的实时环境参数，包括土壤湿度水平、水位和附近为农场供水的运河的水流速度。为了减少洪水损失，该系统协助排出多余的水，防止农作物长时间被淹没。这些设备设计为使用太阳能电力，因此该系统实际上用于难以安装电线的户外。实验结果表明，部署的传感器传感数据是准确的。生成的预测模型在无洪水、轻度洪水和严重洪水的情况下分别给出了 1.0、0.97 和 0.93 F-1 分数的高性能。
希望会面 - GOV.UK
专业领域：结合先进的洪水建模、预测分析、机器学习和智力技能，提供对洪水和洪水风险的关键洞察。与保险公司和再保险公司、经纪人、国家和国际政府组织以及战略合作伙伴合作。当前项目：产品和服务覆盖英国和国际市场。我们创建洪水灾害地图、风险分析、损失模型、洪水预报和洪水监测技术。率先开发气候变化未来洪水风险工具。开发软件并提供咨询服务。我们正在发展我们的专业知识，以最大限度地利用遥感数据，并应用机器学习和人工智能来解决大数据问题和环境挑战。
想见面 - Amazon S3
专业领域：结合先进的洪水建模、预测分析、机器学习和智力技能，提供对洪水和洪水风险的关键见解。与保险公司和再保险公司、经纪人、国家和国际政府组织以及战略合作伙伴合作。当前项目：覆盖英国和国际市场的产品和服务。我们创建洪水灾害地图、风险分析、损失模型、洪水预报和洪水监测技术。率先开发气候变化未来洪水风险工具。开发软件并提供咨询服务。我们正在发展我们的专业知识，以最大限度地利用遥感数据，并应用机器学习和人工智能来解决大数据问题和环境挑战。
文章：Thakker, D.、Mishra, BK、Abdullatif, A. 等人（另外 2 位作者）（2020 年）可解释的人工智能用于开发智能城市解决方案。《智能城市》，3 (4)。第 1353-1382 页。ISSN 2624-6511
摘要：用于开发智能城市解决方案的传统人工智能 (AI) 技术，机器学习 (ML) 和最近的深度学习 (DL)，更多地依赖于利用最具代表性的训练数据集和特征工程，而不是可用的领域专业知识。我们认为，这种解决方案开发方法使得解决方案的结果更难解释，即通常无法解释模型的结果。城市决策者越来越担心人工智能解决方案缺乏可解释性，这被认为是此类基于人工智能的解决方案获得更广泛接受和信任的主要障碍。在这项工作中，我们调查了“可解释深度学习”作为“可解释人工智能”问题的一个子集的概念，并提出了一种使用语义网技术的新解决方案，并在欧盟委员会资助的项目中通过智能城市洪水监测应用程序进行了演示。监测易受洪水问题影响的关键地理区域的沟渠和排水系统是任何洪水监测解决方案的重要方面。该问题的典型解决方案包括使用摄像机实时捕捉受影响区域的图像，其中包含不同的物体，例如树叶、塑料瓶等，并构建基于深度学习的分类器来检测这些物体，并根据图像中这些物体的存在和覆盖范围对堵塞进行分类。在这项工作中，我们独特地提出了一种可解释的人工智能解决方案，使用深度学习和语义网技术构建了一个混合分类器。在这个混合分类器中，深度学习组件检测物体的存在和覆盖程度，并使用与专家密切协商后设计的语义规则进行分类。通过利用洪水环境中的专家知识，我们的混合分类器可以灵活地使用物体及其覆盖关系对图像进行分类。通过实际用例展示的实验结果表明，与仅使用深度学习的分类器相比，这种混合图像分类方法的图像分类性能平均提高了 11%（F 测量）。它还具有独特的优势，即整合专家的知识来定义决策规则来表示复杂的情况，并利用这些知识来解释结果。
遥感和 GIS 应用 - AgriMoon.Com
在中央和州政府的积极参与和财政支持下，该技术在过去几十年中已经成熟，涵盖了各种资源主题/领域，例如林业、荒地测绘、农作物种植面积和产量估计、洪水监测和损害评估、土地利用/土地覆盖测绘、水资源管理、地下水定位、海洋资源调查、城市规划、矿产定位和环境影响评估等。虽然与地理信息系统 (GIS) 集成的遥感数据正在实际用于绘制各种资源，但现在人们意识到需要从测绘迈向将这些资源地图与其他资源信息和社会经济数据相结合，并为可持续发展提供一条道路。GIS 管理地理空间数据的能力使 GIS 成为各种应用的重要工具。自 1970 年代以来，GIS 在自然资源管理中一直发挥着重要作用。GIS 提供了一种将及时遥感数据与其他空间和专题数据类型集成在一起的特殊方法。
FloodBot 使用深度学习模型堆栈
摘要 — 与电子设备对话并在最短时间内获取所需信息已成为当今的常态。尽管人工智能对话代理已经渗透到商业市场，但它们在公共环境中的使用仍在不断发展。我们假设在灾害多发地区部署聊天机器人可以有利于在危机期间观察、监控和警告人们。此外，成功实施这种技术可以挽救生命。在这项工作中，我们讨论了部署一个名为 FloodBot 的实时洪水监测聊天机器人。我们收集、注释和视觉解析潜在危险区域的图像。我们通过堆叠深度学习模型（例如卷积神经网络 (CNN)、单次多框物体检测 (SSD)）来检测洪水状况并识别危险物体。然后，我们将图像内容输入到我们的人工智能 FloodBot 的知识库中，并使用端到端内存网络探索其 AI 对话能力。我们还展示了跨领域迁移学习和模型融合技术的强大功能。索引词 — 聊天机器人、深度学习、计算机视觉、深度自然语言处理、移动计算
探索航天公司对可持续发展的影响
在当今的太空繁荣时期，许多公司和太空机构都在致力于为普通人开发太空。随着太空开发成本的降低和法规仍处于起步阶段，在处理、处理碎片和使用可持续材料方面有很多机会。在这项研究中，作者正在探索一项关于太空探索中使用的可持续材料的研究。此外，作者还在探索在太空计划中使用它们的各种解决方案和流程。除了用于处理太空中的材料和碎片的解决方案之外，作者还探索了各种系统。作者使用定性探索方法来收集数据并探索研究。关键词可持续性、空间、主动碎片清除系统、凯斯勒综合症。可重复使用火箭 1. 简介 这是太空繁荣的时代，每个人都想分一杯羹。随着新的太空初创企业加入该行业，发射到轨道甚至更远的卫星、火箭和其他载人或有效载荷飞行器的数量显著增加。这有助于向太空文明的发展迈进。洪水监测、地震监测和国家安全只是其中的一些积极因素，新兴创业公司帮助普通人进入太空。甚至学生也能够以可承受的价格将实验送入太空。我们真正进入了“太空属于每个人”的时代。当汽车数量较少，而且我们对汽车处置没有太多监管时，我们的轨道也发生了类似的情况，当发生故障时，我们没有任何维修服务。但现在“太空属于每个人”，除了故障和维修服务外，我们还需要规划太空处置。进入太空是必要的，而留下碎片实际上就是在阻挡我们进入太空的入口。由于过去几年的多次遭遇，人们的意识有所提高，航天工业也取得了进展。他们已经开始展示解决这些问题的拟议解决方案。然而，问题仍然存在，这些解决方案是否使太空活动更加可持续，还是只是解决了当前的问题，即使在这种情况下，这些可持续的解决方案是否有效？这些可持续行动中的一些实际上是通过增加发射频率来产生好处还是弊大于利？在这篇研究论文中，作者分析了一些最佳的提议和有效解决方案。本文探讨了这些解决方案的副作用或不良副产品，以及其中一些副产品如何破坏解决方案的主要目的。