Automatic acquisition of phenotypic traits in tomato plants is important for tomato variety selection and scientific cultivation. Because of time-consuming and labor-intensive traditional manual measurements, the lack of complete structural information in two-dimensional (2D) images, and the complex structure of the plants, it is difficult to automatically obtain the phenotypic traits of the tomato canopy. Thus, a method for calculating the phenotypic traits of tomato canopy in greenhouse was proposed based on the extraction of the branch skeleton. First, a top-view-based acquisition platform was built to obtain the point cloud data of the tomato canopy, and the improved K-means algorithm was used to segment the three-dimensional (3D) point cloud of branches. Second, the Laplace algorithm was used to extract the canopy branch skeleton structure. Branch and leaf point cloud separation was performed using branch local skeleton vectors and internal features. In addition, the DBSCAN clustering algorithm was applied to recognize individual leaf organs. Finally, phenotypic traits including mean leaf inclination, digital biomass, and light penetration depth of tomato canopies were calculated separately based on the morphological structure of the 3D point cloud. The experimental results show that the detection accuracies of branches and leaves were above 88% and 93%, respectively, and the coefficients of determination between the calculated and measured values of mean leaf inclination, digital biomass, and light penetration depth were 0.9419, 0.9612, and 0.9093, respectively. The research results can provide an effective quantitative basis and technical support for variety selection and scientific cultivation of the tomato plant.

Thousands of papers using resting-state functional magnetic resonance imaging (RS-fMRI) have been published on brain disorders. Results in each paper may have survived correction for multiple comparison. However, since there have been no robust results from large scale meta-analysis, we do not know how many of published results are truly positives. The present meta-analytic work included 60 original studies, with 57 studies (4 datasets, 2266 participants) that used a between-group design and 3 studies (1 dataset, 107 participants) that employed a within-group design. To evaluate the effect size of brain disorders, a very large neuroimaging dataset ranging from neurological to psychiatric disorders together with healthy individuals have been analyzed. Parkinson's disease off levodopa (PD-off) included 687 participants from 15 studies. PD on levodopa (PD-on) included 261 participants from 9 studies. Autism spectrum disorder (ASD) included 958 participants from 27 studies. The meta-analyses of a metric named amplitude of low frequency fluctuation (ALFF) showed that the effect size (Hedges'g) was 0.19 - 0.39 for the 4 datasets using between-group design and 0.46 for the dataset using within-group design. The effect size of PD-off, PD-on and ASD were 0.23, 0.39, and 0.19, respectively. Using the meta-analysis results as the robust results, the between-group design results of each study showed high false negative rates (median 99%), high false discovery rates (median 86%), and low accuracy (median 1%), regardless of whether stringent or liberal multiple comparison correction was used. The findings were similar for 4 RS-fMRI metrics including ALFF, regional homogeneity, and degree centrality, as well as for another widely used RS-fMRI metric namely seed-based functional connectivity. These observations suggest that multiple comparison correction does not control for false discoveries across multiple studies when the effect sizes are relatively small. Meta-analysis on un-thresholded t-maps is critical for the recovery of ground truth. We recommend that to achieve high reproducibility through meta-analysis, the neuroimaging research field should share raw data or, at minimum, provide un-thresholded statistical images.

It is of great significance for the conservation of biodiversity in farmland ecosystems to study the diversity, structure, functions, and biogeographical distribution of soil microbes in farmland and their influencing factors. High-throughput sequencing technology was used to analyze the distribution characteristics of soil bacterial diversity, community structure, and metabolic function along elevation and their responses to soil physicochemical properties in farmland in the loess hilly areas of Ningxia. The results showed that:① The Alpha diversity index of soil bacterial was significantly negatively correlated with elevation (

Abstract Ear-electroencephalography (ear-EEG) holds significant promise as a practical tool in brain-computer interfaces (BCIs) due to its enhanced unobtrusiveness, comfort, and mobility in comparison to traditional steady-state visual evoked potential (SSVEP)-based BCI systems. However, achieving accurate SSVEP classification in ear-EEG faces a major challenge due to the significant attenuation and distorted amplitude of the signal. Our aim is to enhance the classification performance of SSVEP using ear-EEG and augment its practical application value. To address this challenge, we focuse on enhancing ear-EEG feature representations by training the model to learn feature representations similar to those of scalp-EEG. We introduce a novel framework, termed multi-layer ear-scalp distillation (MESD), designed for optimizing SSVEP target classification recognition in ear-EEG data. This framework combines signals from the scalp area to obtains multi-layer distilled knowledge through the cooperation of distillation of features in the mid-layer feature distillation and output layer response distillation. We improved the classification of the shorter first 1s data and achieved a maximum classification result of 75.7%. We evaluate the proposed MESD framework through single-session, cross-session and cross-subject transfer decoding, comparing it with baseline method. The results demonstrate that the proposed framework achieves the best classification results in all experiments. Our study enhances the classification accuracy of SSVEP based on ear-EEG within a short time window. These results offer insights for the application of ear-EEG brain-computer interfaces in tasks including auxiliary control and rehabilitation training in forthcoming endeavors.

Phase change materials (PCMs) possess high latent heat during the solid-liquid phase transition, making them promising materials for thermal energy storage. However, challenges such as corrosion, leakage, subcooling, and phase...