Abstract To build a large-scale genomic resource for functional validation of sorghum genes through EMS-mutagenized BTx623 seeds, we deep sequenced (30-60X) an additional 445 phenotyped EMS mutant lines. 4.2 million EMS mutations are called with nearly 36,800 mutations that could have a disruptive effect on functions of over 15,500 genes. Combining variants carried by both the natural population and previous EMS efforts, over 69% of sorghum coding genes (23644) are now presented with one or more mutations that are, or are predicted to be, disruptive to their functions. Our results show that the EMS population carries more significant mutations but less in each sample than the natural population, which makes it more powerful in elucidating sorghum gene functions on a large scale and requiring less work in validation of candidate causal genes. We have made the data available through two ways, one is the integration with the BSAseq workflow that supports retrieving independent EMS samples carrying the same genes with significant mutation for complementary testing, and the other is a web application for directly querying genes with significant mutations on SciApps.org .

Studying the seasonal deformation in GPS time series is important to interpreting geophysical contributors and identifying unmodeled and mismodeled seasonal signals. Traditional seasonal signal extraction used the least squares method, which models seasonal deformation as a constant seasonal amplitude and phase. However, the seasonal variations are not constant from year to year, and the seasonal amplitude and phase are time-variable. In order to obtain the time-variable seasonal signal in the GPS station coordinate time series, singular spectrum analysis (SSA) is conducted in this study. We firstly applied the SSA on simulated seasonal signals with different frequencies 1.00 cycle per year (cpy), 1.04 cpy and with time-variable amplitude are superimposed. It was found that SSA can successfully obtain the seasonal variations with different frequencies and with time-variable amplitude superimposed. Then, SSA is carried out on the GPS observations in Yunnan Province. The results show that the time-variable amplitude seasonal signals are ubiquitous in Yunnan Province, and the time-variable amplitude change in 2019 in the region is extracted, which is further explained by the soil moisture mass loading and atmospheric pressure loading. After removing the two loading effects, the SSA obtained modulated seasonal signals which contain the obvious seasonal variations at frequency of 1.046 cpy, it is close with the GPS draconitic year, 1.040 cpy. Hence, the time-variable amplitude changes in 2019 and the seasonal GPS draconitic year in the region could be discriminated successfully by SSA in Yunnan Province.

Since 2013, the International GNSS Service (IGS) real-time service (RTS) has been providing precise orbit and clock corrections for ten years, which enables real-time positioning at the decimeter level. High precision positioning relies heavily on accurate orbit and clock. However, constrained by the relatively short observation duration, the accuracy of real-time products are often worse than the final products. Previous studies indicate that compensating for errors in orbit and clock can improve positioning accuracy. Based on this theory, we proposed an improved positioning model, which incorporates the signal-in-space range error (SISRE) into the ionosphere-free combination observation equation and treats it as a parameter in the Kalman filter. Through the analysis of SISRE, we find that the time-varying characteristic of the parameter follows a random walk assumption. To find the optimal parameter settings of the SISRE parameters, a two-dimensional sensitivity analysis is employed, and a set of recommended values are provided. In the simulated kinematic positioning experiments, the proposed method achieves positioning accuracies of 17.3 cm, 19.6 cm, and 18.0 cm for GPS, BDS-3, and Galileo, respectively, representing a 10–20 % improvement over traditional methods. In real-time PPP experiment, the accuracy reaches 21.7 cm, indicating a 12.9 % improvement compared to traditional methods.

Common mode error (CME) arises from various sources, including unknown regional errors, potential geophysical signals, and other factors present in global navigation satellite system (GNSS) coordinate solutions, undeniably affecting the GNSS precision. This research concentrates on the effects of CME correction in global IGS-based reference frame refinement. We first estimated the regional CME with principal component analysis to obtain CME-corrected GNSS coordinate solutions. Subsequently, effects on the global reference frame with the regional CME correction were analyzed in three aspects: accuracy improvement of the coordinate solutions, variation in the velocity field, and accuracy improvement of the Helmert parameters in the reference frame transformation. The results show that after applying CME correction, the GNSS coordinate accuracy was improved by 28.9%, 22.1%, and 29.5% for the east, north, and vertical components, respectively. Regarding the site velocities, the maximum difference in velocity reached 0.48 mm/yr. In addition, the standard deviation of the Helmert transformation parameters between the International Terrestrial Reference Frame (ITRF) and the IGS-based reference frame—exclusively derived from GNSS technology—was reduced by over 30%, indicating CME correction enhanced the accuracy of the transformation parameters and refined the IGS-based reference frame.

Pangu is an AI-based model designed for rapid and accurate numerical weather forecasting. To evaluate Pangu’s short- to medium-term weather forecasting skill over various meteorological parameters, this paper validated its performance in predicting temperature, wind speed, wind direction, and barometric pressure using data from over 2000 weather stations in China. Pangu’s performance was compared with ECMWF-HRES and GFS to assess its effectiveness relative to traditional high-precision NWP models under real meteorological conditions. Furthermore, the more recent FuXi and FengWu models were included in the analysis to further validate Pangu’s forecasting skill. The study examined Pangu’s forecast performance from spatial perspectives, evaluated the dispersion of forecast deviations, and analyzed its performance at different lead times and with various initial fields. The iteration precision of Pangu’s four forecast models with lead times of 1 h, 3 h, 6 h, and 24 h was also assessed. Finally, a case study on typhoon track forecasting was conducted to evaluate Pangu’s performance in predicting typhoon paths. The results indicate that Pangu surpasses traditional NWP systems in temperature forecasting, while its performance in predicting wind direction, wind speed and pressure is comparable to them. Additionally, the forecast skill of Pangu diminishes as the lead time extends, but it tends to surpass traditional NWP systems with longer lead times. Moreover, FuXi and FengWu demonstrate even higher accuracy compared to Pangu. Pangu’s performance is also dependent on initial fields, and the temperature forecasting of Pangu is more sensitive to the initial field compared with other meteorological parameters. Furthermore, the iteration precision of Pangu’s 1 h forecast model is significantly lower than that of the other models, but this discrepancy in precision may not be prominently reflected in Pangu’s actual forecasting process due to the greedy algorithm employed. In the case study on typhoon forecasting, Pangu, along with FuXi and FengWu, demonstrates comparable performance in predicting Bebinca’s track compared to ECMWF and outperforms GFS in its track predictions. This study demonstrated Pangu’s applicability in short- to medium-term forecasting of meteorological parameters, showcasing the significant potential of AI-based numerical weather models in enhancing forecast performance.

As in other cereal crops, the panicles of sorghum (Sorghum bicolor (L.) Moench) comprise two types of floral spikelets (grass flowers). Only sessile spikelets (SSs) are capable of producing viable grains, whereas pedicellate spikelets (PSs) cease development after initiation and eventually abort. Consequently, grain number per panicle (GNP) is lower than the total number of flowers produced per panicle. The mechanism underlying this differential fertility is not well understood. To investigate this issue, we isolated a series of EMS-induced multiseeded (msd) mutants that result in full spikelet fertility, effectively doubling GNP. Previously, we showed that MSD1 is a TCP (Teosinte branched/Cycloidea/PCF) transcription factor that regulates jasmonic acid (JA) biosynthesis, and ultimately floral sex organ development. Here, we show that MSD2 encodes a lipoxygenase (LOX) that catalyzes the first committed step of JA biosynthesis. Further, we demonstrate that MSD1 binds to the promoters of MSD2 and other JA pathway genes. Together, these results show that a JA-induced module regulates sorghum panicle development and spikelet fertility. The findings advance our understanding of inflorescence development and could lead to new strategies for increasing GNP and grain yield in sorghum and other cereal crops.