Forest understory vegetation is an important feature of wildlife habitat among other things. Predicting and mapping understory is a critical need for forest management and conservation planning, but it has proved difficult. LiDAR has the potential to generate remotely sensed forest understory structure data, yet this potential has to be fully validated. Our objective was to examine the capacity of LiDAR point cloud data to predict forest understory cover. We modeled ground-based observations of understory structure in three vertical strata (0.5 m to < 1.5 m, 1.5 m to < 2.5 m, 2.5 m to < 3.5 m) as a function of a variety of LiDAR metrics using both mixed-effects and Random Forest models. We compared four understory LiDAR metrics designed to control for the spatial heterogeneity of sampling density. The four metrics were highly correlated and they all produced high values of variance explained in mixed-effects models. The top-ranked model used a voxel-based understory metric along with vertical stratum (Akaike weight = 1, explained variance = 87%, SMAPE=15.6%). We found evidence of occlusion of LiDAR pulses in the lowest stratum but no evidence that the occlusion influenced the predictability of understory structure. The Random Forest model results were consistent with those of the mixed-effects models, in that all four understory LiDAR metrics were identified as important, along with vertical stratum. The Random Forest model explained 74.4% of the variance, but had a lower cross-validation error of 12.9%. Based on these results, we conclude that the best approach to predict understory structure is using the mixed-effects model with the voxel-based understory LiDAR metric along with vertical stratum, but that other understory LiDAR metrics (fractional cover, normalized cover and leaf area density) would still be effective in mixed-effects and Random Forest modelling approaches.

This study aimed to analyze the current medication treatment status for women with osteoporosis (OP) based on real-world prescription data from 2016 to 2021 in Chinese nine cities' tertiary Grade A hospital and systematically describe the medication treatment patterns in women with OP.

Bacteria-infected wounds pose challenges to healing due to persistent infection and associated damage to nerves and vessels. Although sonodynamic therapy can help kill bacteria, it is limited by the residual oxidative stress, resulting in prolonged inflammation. To tackle these barriers, novel 4 octyl itaconate-coated Li-doped ZnO/PLLA piezoelectric composite microfibers are developed, offering a whole-course "targeted" treatment under ultrasound therapy. The inclusion of Li atoms causes the ZnO lattice distortion and increases the band gap, enhancing the piezoelectric and sonocatalytic properties of the composite microfibers, collaborated by an aligned PLLA conformation design. During the infection and inflammation stages, the piezoelectric microfibers exhibit spatiotemporal-dependent therapeutic effects, swiftly eliminating over 94.2 % of S. aureus within 15 min under sonodynamic therapy. Following this phase, the microfibers capture reactive oxygen species and aid macrophage reprogramming, restoring mitochondrial function, achieving homeostasis, and shortening inflammation cycles. As the wound progresses through the healing stages, bioactive Zn2+ and Li + ions are continuously released, improving cell recruitment, and the piezoelectrical stimulation enhances wound recovery with neuro-vascularization. Compared to commercially available dressings, our microfibers accelerate the closure of rat wounds (Φ = 15 mm) without scarring in 12 days. Overall, this "one stone, four birds" wound management strategy presents a promising avenue for infected wound therapy.

Infant formulas are designed to provide sufficient energy and the necessary nutrients to support the growth and development of newborns. Currently, research on the functions of formula milk powder focuses on clinical research and cell experiments, and there were many cell experiments that investigated the effect of infant formulas on cellular growth. However, most of the cells used are tumor cell lines, which are unable to simulate the real digestion process of an infant. In this study, we innovatively proposed a method that integrates human small intestinal organoids (SIOs) with transcriptomics and metabolomics analysis. We induced directed differentiation of human embryonic stem cells into SIOs and simulated the intestinal environment of newborns with them. Then, three kinds of 1-stage infant formulas from the same brand were introduced to simulate the digestion, absorption, and metabolism of the infant intestine. The nutritional value of each formula milk powder was examined by multi-omics sequencing methods, including transcriptomics and metabolomics analysis. Results showed that there were significant alterations in gene expression and metabolites in the three groups of SIOs after absorbing different infant formulas. By analyzing transcriptome and metabolome data, combined with GO, KEGG, and GSEA analysis, we demonstrated the ability of SIOs to model the different aspects of the developing process of the intestine and discovered the correlation between formula components and their effects, including