Summary Chloroplasts are eukaryotic photosynthetic organelles that drive the global carbon cycle. Despite their importance, our understanding of their protein composition, function, and spatial organization remains limited. Here, we determined the localizations of 1,032 candidate chloroplast proteins by using fluorescent protein tagging in the model alga Chlamydomonas reinhardtii . The localizations provide insights into the functions of hundreds of poorly-characterized proteins, including identifying novel components of nucleoids, plastoglobules, and the pyrenoid. We discovered and further characterized novel organizational features, including eleven chloroplast punctate structures, cytosolic crescent structures, and diverse unexpected spatial distributions of enzymes within the chloroplast. We observed widespread protein targeting to multiple organelles, identifying proteins that likely function in multiple compartments. We also used machine learning to predict the localizations of all Chlamydomonas proteins. The strains and localization atlas developed here will serve as a resource to enable studies of chloroplast architecture and functions. Graphical Abstract Highlights 1,032 candidate chloroplast proteins localized by fluorescent tagging. This protein atlas reveals novel chloroplast structures, functional regions, and components. Prevalent dual-organelle localization suggests extensive cross-compartment coordination. Atlas-trained machine learning predicts localizations of all C. reinhardtii proteins.

Convolutional neural network (CNN)-based and Transformer-based methods for hyperspectral image (HSI) classification have rapidly advanced due to their unique characterization capabilities. However, the fixed kernel sizes in convolutional layers limit the comprehensive utilization of multi-scale features in HSI land cover analysis, while the Transformer’s multi-head self-attention (MHSA) mechanism faces challenges in effectively encoding feature information across various dimensions. To tackle this issue, this article introduces an HSI classification method, based on multi-scale convolutional features and multi-attention mechanisms (i.e., MSCF-MAM). Firstly, the model employs a multi-scale convolutional module to capture features across different scales in HSIs. Secondly, to enhance the integration of local and global channel features and establish long-range dependencies, a feature enhancement module based on pyramid squeeze attention (PSA) is employed. Lastly, the model leverages a classical Transformer Encoder (TE) and linear layers to encode and classify the transformed spatial–spectral features. The proposed method is evaluated on three publicly available datasets—Salina Valley (SV), WHU-Hi-HanChuan (HC), and WHU-Hi-HongHu (HH). Extensive experimental results have demonstrated that the MSCF-MAM method outperforms several representative methods in terms of classification performance.