AlphaEarth Foundations团队推出了一种新型人工智能模型，整合了大量地球观测数据，提供统一的数字表示。该模型能够准确描绘地球陆地和沿海水域，帮助科学家监测生态变化、农业发展和城市扩张，同时提高地图制作的准确性和效率，推动全球生态系统的分类和保护工作。

Perch团队推出的新模型通过分析音频数据加速生态监测，帮助保护濒危物种。该模型能够识别多种动物声音，适应不同环境，提高数据处理效率。自2023年发布以来，Perch已广泛应用于生物监测，帮助科学家更快识别和保护物种，特别是夏威夷的蜜雀。

本研究开发了多阶段管道和鸟鸣检测器，以提升Doñana国家公园的鸟类识别能力。通过结合鸟鸣检测器与微调的BirdNET模型，显著提高了物种识别效果，支持生态监测与保护工作。

本研究提出了一种新的框架，通过结合先进的视觉变换器和开放集学习技术，实现了对十种蚊子物种的准确识别。该方法在蚊虫监测和生态监测领域具有重要的应用潜力。

本文提出了Open-Canopy基准，利用卫星图像和LiDAR数据评估树冠高度。研究表明，采用新型损失函数和数据预处理技术后，整体MAE/RMSE为2.43/4.73米，显著改善了树木高度估算，推动了全球生态分析和森林监测。

本文探讨了利用多种遥感数据和机器学习方法进行森林监测和植物物种丰富度预测。研究结合光学图像、SAR数据和深度学习，提高了城市森林树种映射和水分压力估计的精度，展示了高分辨率数据在生态监测中的应用潜力。