One crucial task in intelligent transportation systems is estimating the duration of a potential trip given the origin location, destination location as well as the departure time. Most existing approaches for travel time estimation assume that the route of the trip is given, which does not hold in real-world applications since the route can be dynamically changed due to traffic conditions, user preferences, etc. As inferring the path from the origin and the destination can be time-consuming and nevertheless error-prone, it is desirable to perform origin-destination travel time estimation, which aims to predict the travel time without online route information. This problem is challenging mainly due to its limited amount of information available and the complicated spatiotemporal dependency. In this paper, we propose a MUlti-task Representation learning model for Arrival Time estimation (MURAT). This model produces meaningful representation that preserves various trip properties in the real-world and at the same time leverages the underlying road network and the spatiotemporal prior knowledge. Further-more, we propose a multi-task learning framework to utilize the path information of historical trips during the training phase which boosts the performance. Experimental results on two large-scale real-world datasets show that the proposed approach achieves clear improvements over state-of-the-art methods

Vehicle travel time estimation or estimated time of arrival (ETA) is one of the most important location-based services (LBS). It is becoming increasingly important and has been widely used as a basic service in navigation systems and intelligent transportation systems. This paper presents a novel machine learning solution to predict the vehicle travel time based on floating-car data. First, we formulate ETA as a pure spatial-temporal regression problem based on a large set of effective features. Second, we adapt different existing machine learning models to solve the regression problem. Furthermore, we propose a Wide-Deep-Recurrent (WDR) learning model to accurately predict the travel time along a given route at a given departure time. We then jointly train wide linear models, deep neural networks and recurrent neural networks together to take full advantages of all three models. We evaluate our solution offline with millions of historical vehicle travel data. We also deploy the proposed solution on Didi Chuxing's platform, which services billions of ETA requests and benefits millions of customers per day. Our extensive evaluations show that our proposed deep learning algorithm significantly outperforms the state-of-the-art learning algorithms, as well as the solutions provided by leading industry LBS providers.

China's rapid income growth and urbanization have led to significant changes in food consumption patterns, and these dietary changes may increase the demand for agricultural land for food supply.This study explores the changes in urban and rural residents' cropland demand based on dietary data of Chinese residents from 1990 to 2020, using dietary nutritional analysis and a cropland footprint method.The results show that during the study period, the total cropland demand of rural residents decreased by 31.02%, from 61.31 million hm2 to 42.29 million hm 2 , while the total cropland demand of urban residents increased by 246.83%, from 22.91 million hm2 to 79.46 million hm 2 .The results reveal that the primary drivers of increased cropland demand are urbanization and rising animal-based dietary patterns.However, the contribution of increased agricultural productivity to decreased demand for cropland is relatively small and inadequate to compensate for the increased demand.In short, the pressure to protect arable land in China will continue to rise, and protecting existing arable land, improving cropland productivity, and making full use of international resources are the main ways to alleviate the pressure on arable land protection.

Abstract. Mineral dust particles are nonspherical and inhomogeneous; however, they are often simplified as homogeneous spherical particles for retrieving the refractive indices from laboratory measurements of scattering and absorption coefficients. The retrieved refractive indices are then employed for computing the optical properties of spherical or nonspherical dust model particles with downstream applications. This study aims to theoretically investigate uncertainties involved in the aforementioned rationale based on numerical simulations and focuses on a wavelength range of 355–1064 nm. Initially, the optical properties of nonspherical and inhomogeneous dust aerosols are computed as baseline cases. Subsequently, the scattering and absorption coefficients of homogeneous spheres and super-spheroids are computed at various refractive indices and compared with those of inhomogeneous dust aerosols to determine the dust refractive index. To mimic the real laboratory measurement, the size distribution of the baseline case is assumed to be unknown and determined through a process akin to using optical particle counters for sizing. The resulting size distribution differs from the original one of the baseline cases. The impact of discrepancies in size distributions on retrieving the dust refractive index is also investigated. Our findings reveal that these discrepancies affect scattering and absorption coefficients, presenting challenges in accurately determining the refractive index, particularly for the real parts. Additionally, the retrieved refractive indices are noted to vary with particle size primarily due to differences in size distribution, with imaginary parts decreasing as the particle size increases. A comparison between sphere models and super-spheroid models shows that the former tend to underestimate the imaginary parts, leading to an overestimation of single-scattering albedo. This study underscores the importance of employing consistent nonspherical models for both refractive index retrieval and subsequent optical simulation in downstream applications. Nevertheless, the impact of refractive index uncertainties on the asymmetry factor and phase matrix is found to be minimal, with particle shape playing a more significant role than differences in the imaginary parts of the dust refractive index.

As economic development and urbanization continue to accelerate, the Yellow River Basin experiences increasing challenges in balancing land use with ecological environmental protection. Understanding their interactions is crucial for sustainable regional development. This study adopts an integrated evaluation system and a coupling model to examine the dynamic interactions between land use functions and ecological quality in the Yellow River Basin section of Henan Province, China, from 2000 to 2020. The primary findings are as follows: (1) Land use functions improved from 0.276 to 0.303, with high-land-use-function areas expanding eastward. (2) Ecological quality initially declined but subsequently improved, with areas having good and excellent ecological quality increasing from 44.47% to 72.61%. (3) Coupling coherence stabilized, with moderate coordination covering 69.80% of the area by 2020. (4) The fractional vegetation cover and leaf area index were identified as critical influencing factors. Overall, these results highlight the importance of balanced land use planning and targeted ecological conservation strategies. This study provides valuable insights for policymakers aiming to enhance sustainable regional development, emphasizing the importance of integrating ecological security with economic growth in rapidly urbanizing areas.