Remote sensing and GIS are important tools for studying land use/land cover (LULC) change and integrating the associated driving factors for deriving useful outputs. This study is based on utilization of Earth observation datasets over the highly urbanized Allahabad district in India. Allahabad district has experienced intense change in LULC in the last few decades. To monitor the changes, advanced techniques in remote sensing and GIS, such as Cellular Automata (CA)-Markov Chain Model (CAMCM) were used to identify the spatial and temporal changes that have occurred in LULC in this area. Two images, 1990 and 2000, were used for calibration and optimization of the Markovian algorithm, while 2010 was used for validating the predictions of CA-Markov using the ground based land cover image. After validating the model, plausible future LULC changes for 2020 were predicted using the CAMCM. Analysis of the LULC pattern maps, achieved through classification of multi-temporal satellite datasets, indicated that the socio-economic and biophysical factors have greatly influenced the growth of agricultural lands and settlements in the area. The two urbanization indicators calculated in this study viz. Land Consumption Ratio (LCR) and Land Absorption Coefficient (LAC) were also used, which indicated a drastic change in the area in terms of urbanization. The predicted LULC scenario for year 2020 provides useful inputs to the LULC planners for effective and pragmatic management of the district and a direction for an effective land use policy making. Further suggestions for an effective policy making are also provided which can be used by government officials to protect this important land resource.

The present study includes a systematic analysis of sediment contamination by heavy metals of the River Ghaghara flowing through the Uttar Pradesh and Bihar in Indian Territory. To estimate the geochemical environment of the river, seven heavy metals, namely Co, Cu, Cr, Ni, Cd, Zn, and Pb were examined from the freshly deposited river bed sediment. All the sediment samples were collected on a seasonal basis for the assessment of fluctuation in 2014–2015 and after preparation samples were analyzed using standard procedure. Result showed that heavy metal concentration ranged between 11.37 and 18.42 mg/kg for Co, 2.76 and 11.74 mg/kg for Cu, 61.25 and 87.68 mg/kg for Cr, 15.29 and 25.59 mg/kg for Ni, 0.21 and 0.28 mg/kg for Cd, 13.26 and 17.59 mg/kg for Zn, 10.71 and 14.26 mg/kg for Pb in different season. Metal contamination factor indicates the anthropogenic input in the river sediment was in the range of (0.62–0.97) for Co, (0.04–0.26) for Cu, (0.68–0.97) for Cr, (0.22–0.38) for Ni, (0.70–0.93) for Cd, (0.14–0.19) for Zn, and (0.54–0.71) for Pb. The highest contamination degree of the sediment was noticed as 4.01 at Ayodhya and lowest as 3.16 at Katerniaghat. Geo-accumulation index was noted between (0 and 1) which showed that sediment was uncontaminated to moderately contaminated and may have adverse affects on freshwater ecology of the river. Pollution load index (PLI) was found highest at Chhapra which was 0.45 and lowest at Katerniaghat which was 0.35 and it indicates that the river sediment has a low level of contamination. Significant high correlation was observed between Co, Cu, and Zn, it suggests same source of contamination input is mainly due to human settlement and agriculture activity. Positive correlation between Zn, Co, Cu, Cr, and Ni indicated a natural origin of these elements in the river sediment. Cluster analysis suggests grouping of similar polluted sites. The strong similarity between Co, Zn, Pb, Ni, Cu, and Cd showed relationship of these metals come from the same origin, which is possibly from natural and anthropogenic input which was also confirmed by correlation analysis. Using the various pollution indicators it was found that the river bed sediment is less contaminated by toxic metals during the study but the sediment quality may degrade in the near future due to increasing anthropogenic inputs in the river basin, hence proper management strategies are required to control the direct dumping of wastewater in the river.

Abstract Spike, Envelope and Membrane proteins from the SARS CoV-2 virus surface coat are important vaccine targets. We hereby report recombinant co-expression of the three proteins (Spike, Envelope and Membrane) in a engineered Saccharomyces cerevisiae platform (D-Crypt™) and their self-assembly as Virus-like particle (VLP). This design as a multi-antigenic VLP for SARS CoV-2 has the potential to be a scalable vaccine candidate. The VLP is confirmed by transmission electron microscopy (TEM) images of the SARS CoV-2, along with supportive HPLC, Dynamic Light Scattering (DLS) and allied analytical data. The images clearly outline the presence of a “Corona” like morphology, and uniform size distribution.

Abstract The rapid development of safe and effective vaccines against SARS CoV-2 is the need of the hour for the coronavirus outbreak. Here, we have developed PRAK-03202, the world’s first triple antigen VLP vaccine candidate in a highly characterized S. cerevisiae-based D-Crypt TM platform, which induced SARS CoV-2 specific neutralizing antibodies in BALB/c mice. Immunizations using three different doses of PRAK-03202 induces antigen specific (Spike, envelope and membrane proteins) humoral response and neutralizing potential. PBMCs from convalescent patients, when exposed to PRAK-03202, showed lymphocyte proliferation and elevated IFN-γ levels suggestive of conservation of epitopes and induction of T helper 1 (Th1)–biased cellular immune responses. These data support the clinical development and testing of PRAK-03202 for use in humans.

Abstract In this research we analyzed the morphometric parameter of Palar River basin by using the satellite data from open sources for monitoring drainage network. Palar River basin covers 1972.27 sq.km areas with elevation of 226.9 m as highest and 38.01 m lowest above mean sea level. In this research it detected that Palar River basin having 5th order stream with drainage density of 0.40 km/km 2 and drainage pattern of dendritic to rectangular. We also draw aspect map, relief map and slope map for the research area by using digital elevation model (DEM) data of 30 m resolution. In this research we also employed spectral indices like normalized difference vegetation index (NDVI), normalized difference water index (NDWI), and soil adjusted vegetation index (SAVI) for the vegetation, water and soil characteristics of the research area. In this research it found that there are major changes in land use/land cover as water bodies and land during these periods of 15 years. Highly positive correlation show between morphometric parameter and spectral indices. In this research groundwater level data for the year 2005 and 2020 are used to validation the study. This research work is very useful in developing solutions for dealing with different types of drought and management of groundwater extraction plans.

ABSTRACT Data scarcity and unavailability of observed rainfalls in the northeastern states of India limit prediction of extreme hydro-climatological changes. To fill this gap, a data assimilation approach has been applied to re-construct accurate high-resolution gridded (5 km2) daily rainfall data (2001–2020), which include seasonality assessment, statistical evaluation, and bias correction. Random forest (RF) and support vector regression were used to predict rainfall time series, and a comparison between machine learning and data assimilation-based gridded rainfall data was performed. Five gridded rainfall datasets, namely, Indian Monsoon Data Assimilation and Analysis (IMDAA) (12 km2), APHRODITE (25 km2), India Meteorological Department (25 km2), PRINCETON (25 km2), and CHIRPS (25 and 5 km2), have been utilized. For re-constructed rainfall datasets (5 km2), the comparative seasonality and change assessment have been performed with respect to other rainfall datasets. CHIRPS and APHRODITE datasets have shown better similarities with IMDAA. The RF and assimilated rainfall (AR) have superiority based on bias and extremity, and AR data were recognized as the best accurate data (>0.8). Precipitation change analysis (2021–2100) performed utilizing the bias-corrected and downscaled CMIP6 datasets showed that the dry spells will be enhanced. Considering the CMIP6 moderate emission scenario, i.e., SSP245, the wet spell will be enhanced in future; however, when considering SSP585 (representing the extreme worst case), the wet spells will be decreased.