Abstract The paper examines terrestrial and oceanic carbon budgets from preindustrial time to present day in the version of Beijing Climate Center Climate System Model (BCC_CSM1.1) which is a global fully coupled climate‐carbon cycle model. Atmospheric CO 2 concentration is calculated from a prognostic equation taking into account global anthropogenic CO 2 emissions and the interactive CO 2 exchanges of land‐atmosphere and ocean‐atmosphere. When forced by prescribed historical emissions of CO 2 from combustion of fossil fuels and land use change, BCC_CSM1.1 can reproduce the trends of observed atmospheric CO 2 concentration and global surface air temperature from 1850 to 2005. Simulated interannual variability and long‐term trend of global carbon sources and sinks and their spatial patterns generally agree with other model estimates and observations, which shows the following: (1) Both land and ocean in the last century act as net carbon sinks. The ability of carbon uptake by land and ocean is enhanced at the end of last century. (2) Interannual variability of the global atmospheric CO 2 concentration is closely correlated with the El Niño‐Southern Oscillation cycle, in agreement with observations. (3) Interannual variation of the land‐to‐atmosphere net carbon flux is positively correlated with surface air temperature while negatively correlated with soil moisture over low and midlatitudes. The relative contribution of soil moisture to the interannual variation of land‐atmosphere CO 2 exchange is more important than that of air temperature over tropical regions, while surface air temperature is more important than soil moisture over other regions of the globe.

Abstract Freshwater cyanobacterial harmful algal blooms (CHABs) are a well‐known global public health threat. Monitoring and early detection of CHAB toxins are currently accomplished using labor‐intensive sampling techniques and subsequent shore‐based analyses, with results typically reported 24–48 h after sample collection. We have developed and implemented an uncrewed, autonomous mobile sampler‐analytical system capable of conducting targeted in situ toxin measurements in < 2 h. A surface plasmon resonance (SPR) instrument was combined with the environmental sample processor (ESP) to fully automate detection and quantification of particle‐associated cyanobacterial microcystins (pMC). This sensor‐sampler system was integrated with a long‐range autonomous underwater vehicle (LRAUV) and deployed in western Lake Erie for field trials in the summer of 2021. The LRAUV was remotely piloted to acquire samples at selected locations within and adjacent to a CHAB. Sixteen pMC measurements ranging from 0.09 to 0.55 μ g/L lake water were obtained over a 14‐day period without recovery of the LRAUV. The SPR/ESP/LRAUV system complements existing satellite, aerial, and manual sampling CHAB survey techniques, and could be used to enhance predictive models that underpin bloom and toxicity forecasts. This system is also extensible to detection of other algal toxins in freshwater and marine environments, with its near real‐time assessment of bloom toxin levels potentially offering additional socioeconomic benefits and public health protection in a variety of settings.

In ecosystems influenced by strong seasonal variation in insolation, the fitness of diverse taxa depends on seasonal movements to track resources along latitudinal or elevational gradients. Deep pelagic ecosystems, where sunlight is extremely limited, represent Earth's largest habitable space and yet ecosystem phenology and effective animal movement strategies in these systems are little understood. Sperm whales (Physeter macrocephalus) provide a valuable acoustic window into this world: the echolocation clicks they produce while foraging in the deep sea are the loudest known biological sounds on Earth and convey detailed information about their behavior.

To conduct a comprehensive evaluation of the Dengue Fever Surveillance and Early Warning System deployed in Ningbo City during 2023, focusing on its capacity for timely identification and reporting of dengue fever cases, particularly imported cases from endemic regions.

The application of big data in early warning systems (EWS) for multi-hazard risk management is becoming increasingly popular due to its enormous potential. Nevertheless, despite noteworthy achievements, there are still several enduring obstacles. This study aims to evaluate the advantages and difficulties through a comprehensive SWOT (strengths, weaknesses, opportunities, threats) analysis and the use of existing literature. An extensive literature analysis was conducted, incorporating perspectives of researchers from diverse background investigating both technical and social elements. The study results showed several notable strengths, such as unmatched accuracy and comprehensiveness, the incorporation of several data sources to improve prediction and forecasting, and the exploitation of up-to-the-minute data. On the other hand, problems, such as insufficient monitoring of hazards and a scarcity of interconnected sensors, especially common in less developed countries, were recognized. Lack of adequate coverage leaves a substantial percentage of the population vulnerable to disaster risks as a result of inadequate early warning systems. Ultimately, although big data offers significant possibilities, its complete capacity remains unexplored in the least developing nations due to existing obstacles, such as shortage of skilled worker, data accuracy and privacy which can be solved by enhancing technology education, capacity building, and practice. The objective of this study is to help such nations identify and overcome underlying challenges by implementing suitable measures.