Molecular fractionation of dissolved organic matter (DOM) induced by adsorption on minerals plays a significant role in carbon biogeochemical cycling in water environment. However, the molecular-level adsorption of algae-derived DOM (ADOM) on minerals in eutrophic lakes remains poorly understood. Herein, we investigated the ferrihydrite-induced adsorptive fractionation of ADOM and humic DOM for comparison by using spectral analysis, Fourier transform ion cyclotron resonance mass spectrometry (FT-ICR-MS) and solid characterization methods. We observed higher adsorption rate but lower adsorption capacity for ADOM than humic DOM. Spectroscopy and FT-ICR-MS indicated compounds with large molecular weight (>350 Da), high unsaturated and oxygen-rich were preferentially adsorbed for both ADOM and humic DOM. Specifically, the adsorption affinity order was aromatics > lignin-like > aliphatic compounds. Furthermore, tannin-like and condensed aromatics were predominantly adsorbed in humic DOM and protein-like formulas in ADOM. The solid characterization of ferrihydrite before and after adsorption further confirmed the dominant adsorption of aromatic and carboxylic-containing species in humic DOM and aliphatic materials in ADOM. Additionally, the contribution variation of oxygen atom to double bond in the molecular formula before and after adsorption identified absorbed oxygen-containing substances were predominantly aromatic carboxylic acids for humic DOM, but few aliphatic hydrocarbons substituted with ethers and alcohols for ADOM. These findings provided new insights into mineral-induced carbon sequestration, that is, increased release of ADOM in eutrophic lakes might influence the amount of organic carbon settled by ferrihydrite, and alter its quality from aromatic to aliphatic compounds transfer from water column to sediment through ferrihydrite adsorption.

Assessing Sustainable Development Goal (SDG) indicator 15.3.1, which refers to the proportion of degraded land to total land area, and analysing its status and drivers is essential for the development of policies to promote the early achievement of SDG target 15.3 of Land Degradation Neutrality (LDN). In this study, Northeast China was selected as the study area, and the progress of indicator 15.3.1 was assessed based on the perspective of Net Primary Productivity (NPP) calculated by the CASA model. WorldPop population spatial distribution data were used as a proxy for human activities, combined with climate data to calculate the effects of changes in temperature, precipitation and population spatial distribution on vegetation NPP based on the partial correlation coefficient method and the Geodetector method. The results showed that 92.81% of the areas that passed the test of significance showed an increasing trend in vegetation NPP from 2000 to 2020. The vegetation NPP was affected by a combination of temperature, precipitation and population. The effects of temperature and precipitation on spatial differences in NPP for various vegetation types were significantly greater than those of population, but in high-density population zones, the effects of population on spatial differences in NPP were generally greater than those of temperature and precipitation. Precipitation was the main driver for spatial variation in NPP in deciduous broad-leaved forests, cultivated vegetation and thickets, while temperature was the main driver for spatial variation in NPP in evergreen coniferous forests. Generally, the warming and wetting trend in Northeast China contributed to the accumulation of NPP in cultivated vegetation, thickets, steppes and grasslands. The sensitivity of NPP to temperature and precipitation in deciduous broad-leaved and deciduous coniferous forests varied according to geographical location.

Small lakes play an essential role in maintaining regional ecosystem stability and water quality. However, turbidity in these lakes is increasingly influenced by anthropogenic activities, which presents a challenge for traditional monitoring methods. This study explores the feasibility of using consumer-grade UAVs equipped with RGB cameras to monitor water turbidity in small lakes within the Taihu Lake Basin of eastern China. By collecting RGB imagery and in situ turbidity measurements, we developed and validated models for turbidity prediction. RGB band indices were used in combination with three machine learning models, namely Interpretable Feature Transformation Regression (IFTR), Random Forest (RF), and Extreme Gradient Boosting (XGBoost). Results showed that models utilizing combinations of the R, G, B, and ln(R) bands achieved the highest accuracy, with the IFTR model demonstrating the best performance (R² = 0.816, RMSE = 3.617, MAE = 2.997). The study confirms that consumer-grade UAVs can be an effective, low-cost tool for high-resolution turbidity monitoring in small lakes, providing valuable insights for sustainable water quality management. Future research should investigate advanced algorithms and additional spectral features to further enhance prediction accuracy and adaptability.