地理空间优化在城市建设中至关重要，传统方法存在局限。梁浩健博士在学术年会上介绍了基于分层深度强化学习的城市应急消防设施配置优化研究，提出了动态覆盖注意力模型和自适应交互注意力模型，提升了布局效率和风险评估精度。未来将结合地理信息系统与深度学习，探索更复杂的优化问题。

FlameFinder是一个深度度量学习框架，利用无人机热像图在野火监测中准确检测烟火，即使被烟雾遮挡。通过热-RGB图像训练，解决传统RGB相机的局限，结合火焰分割和DML辅助检测，提升模型性能。在未遮挡和遮挡场景中均优于其他模型。

本文研究了人工智能消防疏散自动化系统在各种环境中的应用，强调了优点、缺点和潜在改进领域。通过机器学习、计算机视觉和强化学习等先进方法提高系统性能。讨论了学术研究和商业应用的实证例子。消防疏散是建筑物安全管理的重要组成部分，特别是在复杂环境中。基于人工智能的系统通过动态评估条件和引导人员到最安全的出口来优化疏散过程。强调了基于人工智能的消防疏散系统的优势和局限性，并提出了潜在的增强措施。这些系统在应急响应方面取得了显著进展，提供了实时灵活性，并减少了人为错误的可能性。然而，面临着高部署成本和对数据可靠性的依赖。通过深度学习和强化学习等先进方法，这些系统可以进一步改进。

本研究提出了解决火线设置问题的方案，利用遗传算法和GRASP算法取得了良好结果。

澳大利亚维多利亚州的消防救援机构服遭到网络攻击，现已关闭其网络，转为手动操作。