BW
Bin Wang
Author with expertise in Adaptation to Climate Change in Agriculture
Achievements
Cited Author
Key Stats
Upvotes received:
0
Publications:
12
(33% Open Access)
Cited by:
198
h-index:
37
/
i10-index:
82
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
1

Broad and Long-lasting Immune Response against SARS-CoV-2 Omicron and Other Variants by PIKA-Adjuvanted Recombinant SARS-CoV-2 Spike (S) Protein Subunit Vaccine (YS-SC2-010)

Yuan Liu et al.Dec 23, 2021
Abstract Recently SARS-CoV-2 Omicron (B.1.1.529) variant was identified in South Africa with numerous mutations in spike protein, and numerous community infections have been reported and raised grave concern around the world. Some studies found that the neutralization effects of several licensed vaccines against Omicron were dramatically reduced, which significantly affected antibody mediated protection, especially for individuals whose immunization were completed after extended period. In this regard, we studied the persistence and neutralization activity toward mutant strains in animal serum immunized with PIKA-adjuvanted recombinant SARS-CoV-2 spike protein subunit vaccine (YS-SC2-010). Here we are reporting that animal serum collected at 596 days after immunization with YS-SC2-010 still retains high and persistent neutralizing activity against all the Variant of Concern (VOC) variants, including Omicron variant. Although it is a blessed event to achieve 20 months long neutralization against Omicron variant after immunization with YS-SC2-010, it was also founded that the neutralization effect of immune serum on Omicron decreased by 6.29 folds as compared to D614G, more significantly when compared with other mutant strains.
1
Citation2
0
Save
0

Probabilistic analysis of drought impact on wheat yield and climate change implications

Bin Wang et al.Jul 14, 2024
Drought is projected to intensify under warming climate and will continuously threaten global food security. Assessing the risk of yield loss due to drought is key to developing effective agronomic options for farmers and policymakers. However, little has been known about determining the likelihood of reduced crop yield under different drought conditions and defining thresholds that trigger yield loss at the regional scale in Australia. Here, we estimated the dependence of yield variation on drought conditions and identified drought thresholds for 12 Australia's key wheat producing regions with historical yield data by developing bivariate models based on copula functions. These identified drought thresholds were used to investigate drought statistics under climate change with an ensemble of 36 climate models from Coupled Model Intercomparison Project Phase 6 (CMIP6). We found that drought-induced yield loss was region-specific. The drought thresholds leading to the same magnitude of wheat yield reduction were smaller in regions of southern Queensland and larger in Western Australia mainly due to different climate and soil conditions. Drought will be more frequent and affect larger areas under future warming climates. Based on our results, we advocate for more effective crop management options, particularly in regions where wheat yield is vulnerable to drought in Australia. This will mitigate potential drought impacts on crop production and safeguard global food security.
0
Paper
Citation1
0
Save
0

Determining Dominant Factors of Vegetation Change with Machine Learning and Multisource Data in the Ganjiang River Basin, China

Zhiming Xia et al.Jan 3, 2025
Vegetation is a fundamental component of terrestrial ecosystems, and accurately assessing the effects of seasonal climate variations, extreme weather events, and land use changes on vegetation dynamics is crucial. The Ganjiang River Basin (GRB), a key region for water conservation and recharge in southeastern China, has experienced significant land use changes and variable climate in the past. However, comprehensive evaluations of how these changes have impacted vegetation remain limited. To address this gap, we used machine learning models (random forest and XGBoost) to assess the impact of seasonal and extreme climate variables, land cover, topography, soil properties, atmospheric CO2, and night-time light intensity on vegetation dynamics. We found that the annual mean NDVI showed a slight increase from 1990 to 1999 but has decreased significantly over the last 8 years. XGBoost was better than the RF model in simulating the NDVI when using all five types of data source (R2 = 0.85; RMSE = 0.04). The most critical factors influencing the NDVI were forest and cropland ratio, followed by soil organic carbon content, elevation, cation exchange capacity, night-time light intensity, and CO2 concentration. Spring minimum temperature was the most important seasonal climate variable. Both linear and nonlinear relationships were identified between these variables and the NDVI, with most variables exhibiting threshold effects. These findings underscore the need to develop and implement effective land management strategies to enhance vegetation health and promote ecological balance in the region.
0
0
Save
Load More