Leaf functional traits (LFTs) are highly plastic and essential to plant resource acquisition and utilization. However, the collinearity of environmental factors and differences in the response of distinct functional types generate challenges in clarifying the contributions of environment variables to LFTs. This study selected 28 species from four forests in northern China with similar mean annual precipitation (MAP) to explore how other dissimilar environmental factors influence LFTs after controlling for the most influential factor. Specifically, we examined the effect of geographical (latitude, longitude, and altitude) and non-precipitation environmental factors (mean annual temperature (MAT), aridity index (AI), and soil pH) on leaf dry matter content (LDMC), and leaf carbon (LCC), nitrogen (LNC), and phosphorus (LPC) concentration, and pH. The collinearity of environmental factors on LFTs can be attributed to the regulation of moisture and temperature by geographical factors. Therefore, the remaining geo-environmental factors still played a significant role in LFT variation after excluding the most influential factor, which assist LFTs to maintain the original pattern of change across the environmental gradient. As latitude, longitude, and AI decreased, MAT increased, LCC and LPC decreased, LNC first increased, then decreased, and LDMC and leaf pH did not change significantly. The trends and intensity of LFTs variation varied between functional types. Significant differences in correlation were observed in LPC-to-LDMC and LPC-to-LNC across all regions for each species. Trait-trait relationships were inconsistent between life forms (herbs and woody plants) for leaf pH-to-nutrient concentration (C, N, P), LCC-to-LPC, and LCC-to-LDMC. Environmental variables were larger contributors to LFTs (especially LNC, LPC, and LDMC) variation than plant functional types (PFTs), while LCC and leaf pH were largely dependent of PFTs. These patterns result from plant adaptations to multiple variables, and a single environmental factor (even the core element that generated the collinearity of environmental factors such as MAP) in northern China cannot dominant geographic patterns among LFTs. This study sheds light on plant adaptation strategies to environmental change, deepening our understanding of ecosystem function and functional coordination.

Plant non-structural carbohydrates (NSCs), which largely comprise starch and soluble sugars, are essential energy reserves to support plant growth and physiological functions. While it is known that increasing global deposition of nitrogen (N) affects plant concentration of NSCs, quantification of seasonal responses and drivers of woody species leaf and root NSCs to N addition at larger spatial scales remains lacking. Here, we systematically analyzed data from 53 field experiments distributed across China, comprising 1202 observations, to test for effects of N addition on woody plant leaf and root NSCs across and within growing and non-growing seasons. We found (1) no overall effects of N addition on the concentrations of leaf and root NSCs, soluble sugars or starch during the growing season or the non-growing season for leaves. However, N addition decreased root NSC and starch concentrations by 13.8 % and 39.0 %, respectively, and increased soluble sugars concentration by 15.0 % during the non-growing season. (2) Shifts in leaf NSC concentration under N addition were driven by responses by soluble sugars in both seasons, while shifts in root NSC were driven by soluble sugars in the non-growing season and starch and soluble sugars in the growing season. (3) Relationships between N, carbon, and phosphorus stoichiometry with leaf and root NSCs indicated effects of N addition on woody plant NSCs allocation through impacts on plant photosynthesis, respiration, and growth. (4) Effects of N addition on leaf and root NSCs varied with plant functional types, where effects were more pronounced in roots than in leaves during the non-growing season. Overall, our results reveal divergent responses of woody plant leaf and root NSCs to N addition within non-growing season and highlight the role of ecological stoichiometry and plant functional types in woody plant allocation patterns of NSCs in response to ongoing N deposition under global change.

Abstract Irregular boundaries in image stitching naturally occur due to freely moving cameras. To deal with this problem, existing methods focus on optimizing mesh warping to make boundaries regular using the traditional explicit solution. However, previous methods always depend on hand-crafted features (e.g., keypoints and line segments). Thus, failures often happen in overlapping regions without distinctive features. In this paper, we address this problem by proposing RecStitchNet , a reasonable and effective network for image stitching with rectangular boundaries. Considering that both stitching and imposing rectangularity are non-trivial tasks in the learning-based framework, we propose a three-step progressive learning based strategy, which not only simplifies this task, but gradually achieves a good balance between stitching and imposing rectangularity. In the first step, we perform initial stitching by a pre-trained state-of-the-art image stitching model, to produce initially warped stitching results without considering the boundary constraint. Then, we use a regression network with a comprehensive objective regarding mesh, perception, and shape to further encourage the stitched meshes to have rectangular boundaries with high content fidelity. Finally, we propose an unsupervised instance-wise optimization strategy to refine the stitched meshes iteratively, which can effectively improve the stitching results in terms of feature alignment, as well as boundary and structure preservation. Due to the lack of stitching datasets and the difficulty of label generation, we propose to generate a stitching dataset with rectangular stitched images as pseudo-ground-truth labels, and the performance upper bound induced from the it can be broken by our unsupervised refinement. Qualitative and quantitative results and evaluations demonstrate the advantages of our method over the state-of-the-art.

Pavement distress seriously affects the quality of pavement and reduces driving comfort and safety. The dropped objects from vehicles have increased the risks of traffic accidents. Therefore, automatic detection of urban pavement distress and dropped objects is an effective method to timely evaluate pavement condition. Firstly, this paper utilized a portable platform to collect pavement distress and dropped objects to establish a high-quality dataset. Six types of pavement distresses: transverse crack, longitudinal crack, alligator crack, oblique crack, potholes, and repair, and three types of dropped objects: plastic bottle, metal bottle, and tetra pak were included in this comprehensive dataset. Secondly, the real-time YOLO series detection models were used to classify and localize the pavement distresses and dropped objects. In addition, segmentation models W-segnet, U-Net, and SegNet were utilized to achieve pixel-level detection of pavement distress and dropped objects. The results show that YOLOv8 outperformed YOLOv5 and YOLOv7 with a MAP of 0.889. W-segnet showed an overall MIoU of 70.65% and 68.33% on the training set and test set, respectively, being superior to the comparison model and being able to achieve high-precision pixel-level segmentation. Finally, the trained models were performed on the holdout dataset for the generalization test. The proposed methods integrated the detection of urban pavement distress and dropped objects, which could significantly contribute to driving safety.