Due to its low storage cost and fast query speed, hashing has been widely adopted for similarity search in multimedia data. In particular, more and more attentions have been payed to multimodal hashing for search in multimedia data with multiple modalities, such as images with tags. Typically, supervised information of semantic labels is also available for the data points in many real applications. Hence, many supervised multimodal hashing~(SMH) methods have been proposed to utilize such semantic labels to further improve the search accuracy. However, the training time complexity of most existing SMH methods is too high, which makes them unscalable to large-scale datasets. In this paper, a novel SMH method, called semantic correlation maximization~(SCM), is proposed to seamlessly integrate semantic labels into the hashing learning procedure for large-scale data modeling. Experimental results on two real-world datasets show that SCM can significantly outperform the state-of-the-art SMH methods, in terms of both accuracy and scalability.

Plant uptake and accumulation of nanoparticles (NPs) represent an important pathway for potential human expose to NPs. Consequently, it is imperative to understand the uptake of accumulation of NPs in plant tissues and their unique physical and chemical properties within plant tissues. Current technologies are limited in revealing the unique characteristics of NPs after they enter plant tissues. An enzymatic digestion method, followed by single-particle inductively coupled plasma–mass spectrometry (SP–ICP–MS) analysis, was developed for simultaneous determination of gold NP (AuNP) size, size distribution, particle concentration, and dissolved Au concentration in tomato plant tissues. The experimental results showed that Macerozyme R-10 enzyme was capable of extracting AuNPs from tomato plants without causing dissolution or aggregation of AuNPs. The detection limit for quantification of AuNP size was 20 nm, and the AuNP particle concentration detection limit was 1000 NPs/mL. The particle concentration recoveries of spiked AuNPs were high (79–96%) in quality control samples. The developed SP–ICP–MS method was able to accurately measure AuNP size, size distribution, and particle concentration in the plant matrix. The dosing study indicated that tomato can uptake AuNPs as intact particles without alternating the AuNP properties.

Per- and polyfluoroalkyl substances (PFAS) make up a diverse group of industrially derived organic chemicals that are of significant concern due to their detrimental effects on human health and ecosystems. Although other technologies are available for removing PFAS, adsorption remains a viable and effective method. Accordingly, the current study reported a novel type of graphene oxide (GO)-based adsorbent and tested their removal performance toward removing PFAS from water. Among the eight adsorbents tested, GO modified by a cationic surfactant, cetyltrimethylammonium chloride (CTAC), GO-CTAC was found to be the best, showing an almost 100% removal for all 11 PFAS tested. The adsorption kinetics were best described by the pseudo-second-order model, indicating rapid adsorption. The isotherm data were well supported by the Toth model, suggesting that PFAS adsorption onto GO-CTAC involved complex interactions. Detailed characterization using scanning electron microscopy-energy dispersive X-ray spectroscopy, Fourier transform infrared, thermogravimetric analysis, X-ray diffraction, and X-ray photoelectron spectroscopy confirmed the proposed adsorption mechanisms, including electrostatic and hydrophobic interactions. Interestingly, the performance of GO-CTAC was not influenced by the solution pH, ionic strength, or natural organic matter. Furthermore, the removal efficiency of PFAS at almost 100% in river water demonstrated that GO-CTAC could be a suitable adsorbent for capturing PFAS in real surface water.

Adjusting the energy structure of various industries is crucial for achieving China’s carbon peak and carbon neutrality goals. Given the significant proportion of carbon emissions from the logistics industry in the tertiary sector, the research on predicting the carbon emissions of the logistics industry is of great significance for China to achieve its “Dual carbon” target. In this paper, the gray relational analysis (GRA) methodology is adopted to screen the influencing factors of carbon emissions in the logistics industry firstly. Then, the particle swarm optimization (PSO) algorithm was used to optimize the penalty coefficientand kernel function range parameter of the support vector regression (SVR) model (i.e. PSO- SVR model). The data from 2000 to 2021 regarding carbon emissions and related influencing factors in China’s logistics industry are analyzed, and the mean absolute percentage error (MAPE) of the PSO-SVR model is 0.82%, which shows that the proposed PSO-SVR model in this paper is effective. Finally, instructive suggestions are provided for China to achieve the “Dual Carbon” goal and upgrading of the logistics industry.

Imbalanced datasets are common in practical applications, and oversampling methods using fuzzy rules have been shown to enhance the classification performance of imbalanced data by taking into account the relationship between data attributes.However, the creation of fuzzy rules typically depends on expert knowledge, which may not fully leverage the label information in training data and may be subjective.To address this issue, a novel fuzzy rule oversampling approach is developed based on the learning vector quantization (LVQ) algorithm.In this method, the label information of the training data is utilized to determine the antecedent part of If-Then fuzzy rules by dynamically dividing attribute intervals using LVQ.Subsequently, fuzzy rules are generated and adjusted to calculate rule weights.The number of new samples to be synthesized for each rule is then computed, and samples from the minority class are synthesized based on the newly generated fuzzy rules.This results in the establishment of a fuzzy rule oversampling method based on LVQ.To evaluate the effectiveness of this method, comparative experiments are conducted on 12 publicly available imbalance datasets with five other sampling techniques in combination with the support function machine.The experimental results demonstrate that the proposed method can significantly enhance the classification algorithm across seven performance indicators, including a boost of 2.15% to 12.34% in Accuracy, 6.11% to 27.06% in G-mean, and 4.69% to 18.78% in AUC.These show that the proposed method is capable of more efficiently improving the classification performance of imbalanced data.

Per- and polyfluoroalkyl substances (PFAS) pose great risks to human health and the ecosystem, necessitating effective remediation strategies such as phytoremediation. Surfactants, due to their ability to increase the bioavailability of hydrophobic contaminants, are considered as potential agents to improve phytoremediation for PFAS. In this research, we explored the impact of four surfactants (sodium dodecyl sulfate (SDS), rhamnolipid, Triton X-100, and Glucopone 600 CS UP) on plant growth and the uptake of PFAS by red fescue over 110 days. The results showed that while surfactants at lower concentrations did not negatively affect plant growth, the highest dose (2,500 mg/kg) significantly reduced the dry weight of plant shoots. Although none of the four surfactants led to an increased overall removal efficiency of ∑PFAS by red fescue over 110 days, SDS did enhance the uptake of PFAS compounds with long carbon chain lengths. With SDS addition at 2,500 mg/kg, the average fold increases of long chain PFAS removal were 1.99 for perfluorooctanoic acid (PFOA), 2.44 for perfluorononanoic acid (PFNA), 2.11 for perfluorodecanoic acid (PFDA), 1.52 for perfluoroundecanoic acid (PFUnA), 1.88 for perfluorohexanesulphonic acid (PFHxS), and 2.97 for perfluorooctanesulfonic acid (PFOS). The research indicated that using surfactants, such as SDS at appropriate doses could improve phytoremediation effectiveness in mitigating long-chain PFAS, which is a known challenge in soil remediation.