Environmental assessments are critical for ensuring the sustainable development of human civilization. The integration of artificial intelligence (AI) in these assessments has shown great promise, yet the "black box" nature of AI models often undermines trust due to the lack of transparency in their decision-making processes, even when these models demonstrate high accuracy. To address this challenge, we evaluated the performance of a transformer model against other AI approaches, utilizing extensive multivariate and spatiotemporal environmental datasets encompassing both natural and anthropogenic indicators. We further explored the application of saliency maps as a novel explainability tool in multi-source AI-driven environmental assessments, enabling the identification of individual indicators' contributions to the model's predictions. We find that the transformer model outperforms others, achieving an accuracy of about 98% and an area under the receiver operating characteristic curve (AUC) of 0.891. Regionally, the environmental assessment values are predominantly classified as level II or III in the central and southwestern study areas, level IV in the northern region, and level V in the western region. Through explainability analysis, we identify that water hardness, total dissolved solids, and arsenic concentrations are the most influential indicators in the model. Our AI-driven environmental assessment model is accurate and explainable, offering actionable insights for targeted environmental management. Furthermore, this study advances the application of AI in environmental science by presenting a robust, explainable model that bridges the gap between machine learning and environmental governance, enhancing both understanding and trust in AI-assisted environmental assessments.

Infrared microthermometry allows direct measurement of fluid inclusions hosted in opaque ore minerals and can provide direct constraints on the evolution of ore-forming fluids. This study presents infrared microthermometry of spherite-hosted fluid inclusions from the Xinqiao deposit in the Middle–Lower Yangtze Metallogenic Belt and sheds new light on the ore genesis of the deposit. Considering that infrared light may lead to non-negligible temperature deviations during microthermometry, some tests were first conducted to ensure the accuracy of the microthermometric measurements. The measurement results indicated that using the lowest light intensity of the microscope and inserting an optical filter were effective in minimizing the possible temperature deviations of infrared microthermometry. All sphalerite-hosted fluid inclusions from the Xinqiao deposit were aqueous. They show homogenization temperature ranging from ~200 to 350 °C, but have two separate salinity groups (1.0 wt% – 10 wt% and 15.1 wt% – 19.2 wt% NaCl equivalent). The low-salinity group represents sedimentary exhalative (SEDEX)-associated fluids, whereas the high-salinity group results from modification by later magmatic hydrothermal fluids. Combined with published fluid inclusion data, the four-stage fluid evolution of the Xinqiao deposit was depicted. Furthermore, our data suggest that the Xinqiao deposit was formed by two-stage metallogenic events including SEDEX and magmatic-hydrothermal mineralization.

In recent years, the application of deep neural networks in the field of image classification has become increasingly widespread. However, existing researches have exposed the inherent vulnerabilities and opacity of these network models, rendering them susceptible to carefully crafted adversarial attacks. This poses significant security risks to their practical deployment. Given that the majority of models in real-world applications operate in a black-box manner, current research on black-box attacks targeting classification models remains inadequate, facing significant challenges such as incomplete robustness evaluations, low success rates of black-box attacks, and excessive resource consumption during the attack process. To address these challenges, this paper innovatively proposes a black-box attack algorithm based on a cycle-consistent generative network. This algorithm directly generates adversarial perturbations through a generative network that integrates an attention mechanism, deeply learning the complex relationship between adversarial samples and clean sample data. It supports both targeted and untargeted attack modes. Experimental validation on the SAT dataset demonstrates that our method achieves an average white-box attack success rate exceeding 96% in classification tasks and an average success rate of up to 69.4% in black-box transfer attacks, exhibiting excellent transferability across different models. This research contributes significantly to enhancing the effectiveness of black-box attacks, reducing attack costs, and providing novel ideas and methods for enhancing the security of deep learning models.

Although fish possess an effective interferon (IFN) system to defend against viral infection, grass carp reovirus (GCRV) still causes epidemic hemorrhagic disease and tremendous economic loss in grass carp. Therefore, it is necessary to investigate the immune escape strategies employed by GCRV. In this study, we show that the structural protein VP4 of GCRV (encoded by the S6 segment) significantly restricts IFN expression by degrading stimulator of IFN genes (STING) through the autophagy-lysosome-dependent pathway. First, overexpression of VP4 inhibited the expression of IFN induced by GCRV and polyinosinic-polycytidylic acid (poly I:C) at both the promoter and mRNA levels. Second, VP4 was found to associate with STING, and the N-terminal transmembrane domain is essential for this interaction. Additionally, VP4 dramatically blocked STING-induced IFN expression and weakened its antiviral capacity. Further mechanistic studies revealed that VP4 degrades STING via the autophagy-lysosome pathway in a dose-dependent manner. Interestingly, toll-interacting protein (TOLLIP), a selective autophagy receptor, was found to interact with VP4 and reduce VP4-mediated STING degradation after tollip knockdown. Finally, overexpression of VP4 facilitated GCRV proliferation, while its depletion had the opposite effect. These findings indicate that GCRV VP4 recruits TOLLIP to degrade STING and achieve immune escape. This enhances our comprehension of aquatic virus pathogenesis. Upon virus invasion, fish cells employ a multitude of strategies to defend against infection. Consequently, viruses have evolved a plethora of tactics to evade host antiviral mechanisms. To date, fewer studies have been conducted on the immune evasion mechanism of grass carp reovirus (GCRV). In this study, we demonstrate that VP4 of GCRV-873 inhibits interferon expression by interacting with stimulator of IFN gene and degrading it in an autophagy-lysosome-dependent manner through the manipulation of the selective autophagy receptor toll-interacting protein. The findings of this study contribute to our understanding of the novel evasion mechanisms of GCRV and widen our knowledge of the virus-host interactions in lower vertebrates.