In sparse representation-based classification, Fisher discrimination dictionary learning (FDDL) has attracted widespread attention due to its advantages such as fewer parameters and good dictionary discriminability. However, due to its linear nature, it is difficult to handle nonlinear features. Kernel-based nonlinear transformation enables dictionary learning to capture nonlinear features embedded in samples, but traditional single-kernel methods have limited performance. In this paper, a Fisher discrimination multiple kernel dictionary learning (FDMKDL) method is proposed, in which Fisher discriminative criterion is imposed on both high-dimensional samples and coding coefficients. Specifically, we derive the kernel version of FDDL, i.e., Fisher discrimination kernel dictionary learning (FDKDL) to learn nonlinear features and promote dictionary discriminability. Meanwhile, to avoid the problem of poor adaptability and possible manual selection caused by single-kernel methods, we further derive a flexible multiple kernel learning (MKL) framework, which utilizes the complementary information of multiple kernel functions to adaptively obtain the optimal weights and synthesize a discriminative kernel space. Finally, FDMKDL combines FDKDL with this MKL framework to obtain a more discriminative dictionary. Experimental evaluations conducted on two datasets demonstrate the effectiveness and robustness of the proposed FDMKDL method in learning nonlinear features for machinery health monitoring when compared to several state-of-the-art methods.

Dictionary learning has gained widespread attention in weak feature recognition for bearing health monitoring due to its advantages of possessing fewer parameters, simple and efficient algorithms, and strong interpretability. However, conventional methods often fail to fully utilize the interclass and intraclass characteristics of dictionary atoms and do not take into account the shift-invariance of the dictionary, which in turn limits their performance. To address these challenges, a new method named Fisher embedding shift-invariant dictionary learning (FESIDL) is proposed in article. Specifically, Fisher constraints are imposed on both atoms and coding coefficients to promote their discriminability, and the dictionary optimization is designed based on singular value decomposition to make the learned dictionary shift-invariant and more discriminative. Finally, FESIDL simultaneously utilizes the reconstruction error and coding coefficient vector as classification criteria to ensure a high classification accuracy. Two experiments are conducted, and the results demonstrate the effectiveness and stability of the proposed method for weak feature recognition in bearing health monitoring when compared to several advanced methods in the field.

Evapotranspiration (ET), net ecosystem productivity (NEP), and ecosystem water use efficiency (EWUE) of forests are changing due to climate change. Traditional models using coarse-scale climate reanalysis data fail to capture local meteorological and hydrological conditions accurately. This study combines in situ meteorological observations, remote sensing, and advanced datasets (forest age, rooting depth, soil moisture) to estimate ET, NEP, and EWUE at forest meteorological stations via machine learning. About 60.6 % of stations showed a decrease in NEP from 2003 to 2010 to 2011–2019, while 63.9 % showed an increase in ET, and 58.9 % showed a decrease in EWUE. NEP and EWUE significantly declined in forests older than 60 years, with younger forests exhibiting higher NEP. EWUE in different forest types is driven by varying mechanisms, with DBF sites influenced by VPD and ENF sites by RSDN. EWUE of regions with inconsistent VPD data between site and reanalysis, such as northwestern North America, showed divergences from previous reanalysis-based studies but aligned more with atmospheric inversion findings. Slight summer VPD increases boosted NEP, especially in high-latitude areas, while early spring phenology and increased spring VPD reduced summer water availability. Incorporating more site-specific observations, such as plant traits, could enhance understanding of climate-plant-ecosystem relationships. This study underscores the potential of meteorological station-level data to improve forest carbon and water flux dynamics understanding, aiding forest management for carbon neutrality and climate adaptation.

Abstract The design and fabrication of nanocatalysts with high accessibility and sintering resistance remain significant challenges in heterogeneous electrocatalysis. Herein, a novel catalyst is introduced that combines electronic pumping with alloy crystal facet engineering. At the nanoscale, the electronic pump leverages the chemical potential difference to drive electron migration from one region to another, separating and transferring electron‐hole pairs. This mechanism accelerates the reaction kinetics and improves the reaction rate. The interface electronic structure optimization enables the CoFe/carbon nanotube (CNT) catalyst to exhibit outstanding oxygen reduction reaction (ORR) and oxygen evolution reaction (OER) performance. Specifically, this catalyst achieves an ORR half‐wave potential (E₁/₂) of 0.895 V, outperforming standard Pt/C and RuO₂ electrocatalysts in terms of both specific activity and stability. It also demonstrates excellent electrochemical performance for OER, with an overpotential of only 287 mV at a current density of 10 mA cm⁻ 2 . Theoretical calculations reveal that the carefully designed crystal facets reduce the energy barrier of the rate‐determining steps for both ORR and OER, optimizing O₂ adsorption and promoting the oxygen capture process. This study highlights the potential of developing cost‐effective bifunctional ORR–OER electrocatalysts, offering a promising strategy for advancing Zn–air battery technology.