We found high spatial heterogeneity in the hydrological response to 30-year afforestation and vegetation greening in China.

The ionosphere is characterized by a high concentration of ionized particles, plays a critical role in the propagation characteristics of radio signals in the upper atmosphere. During major geological events, such as earthquakes and volcanic eruptions, the ionosphere often exhibits anomalous disturbances. In the event of an earthquake, energy accumulated within the Earth's crust is released and propagates along fault lines, generating waves—including Rayleigh waves, acoustic waves, and gravity waves—that ascend into the ionosphere and induce fluctuations in Total Electron Content (TEC). This study investigates ionospheric disturbances associated with the magnitude 7.8 earthquake that impacted the Kaikōura region of New Zealand on November 13, 2016. Drawing on observational data from the Geo-Net Data Center, derived from New Zealand's network of Continuously Operating Reference Stations (CORS), this research examines ionospheric TEC and its rate of change (dTEC) in response to the earthquake. Two-dimensional dTEC distribution maps and distance-time plots are generated to evaluate the spatiotemporal characteristics and propagation dynamics of ionospheric disturbances during the event. By analyzing the propagation characteristics of ionospheric disturbances across multiple time intervals, this study identifies the presence and unique propagation patterns of various seismic wave phenomena transmitted through the ionosphere. The results contribute to a deeper understanding of the mechanisms underlying earthquake-induced ionospheric disturbances and present new insights and methodologies for monitoring and predicting such events.

Typhoons, originating from tropical ocean surfaces, are among the most severe natural disasters worldwide, often leading to significant loss of life and property. Research indicates that the Total Electron Content (TEC) of the ionosphere experiences various disturbances before and after a typhoon event. This study utilizes global ionospheric data provided by the Chinese Academy of Sciences (CAS) to analyze the anomalies in TEC during a 15-day period surrounding Super Typhoon "Meranti" (No. 14) in 2016, employing Singular Spectrum Analysis (SSA) and the Sliding Interquartile Range (SIQR) method to detect perturbations. The results show that the anomalies detected by the SSA method are smaller than those detected by the SIQR method, but the number of detected abnormal periods increases significantly, indicating that the SSA method is more sensitive to anomaly detection of ionospheric TEC. Taken together, the SSA method shows significant advantages in detecting ionospheric TEC disturbances along the typhoon path. It can identify abnormal periods more comprehensively, highlight the abnormal characteristics of the ionosphere, and provides an effective tool for understanding the impact of typhoons on the ionosphere.

Background: Accurate diagnosis and classification of Alzheimer's disease (AD) are crucial for effective treatment and management. Traditional diagnostic models, largely based on binary classification systems, fail to adequately capture the complexities and variations across different stages and subtypes of AD, limiting their clinical utility. Methods: We developed a deep learning model integrating a dot-product attention mechanism and an innovative labeling system to enhance the diagnosis and classification of AD subtypes and severity levels. This model processed various clinical and demographic data, emphasizing the most relevant features for AD diagnosis. The approach emphasized precision in identifying disease subtypes and predicting their severity through advanced computational techniques that mimic expert clinical decision-making. Results: Comparative tests against a baseline fully connected neural network demonstrated that our proposed model significantly improved diagnostic accuracy. Our model achieved an accuracy of 83.1% for identifying AD subtypes, compared to 72.9% by the baseline. In severity prediction, our model reached an accuracy of 83.3%, outperforming the baseline (73.5%). Conclusions: The incorporation of a dot-product attention mechanism and a tailored labeling system in our model significantly enhances the accuracy of diagnosing and classifying AD. This improvement highlights the potential of the model to support personalized treatment strategies and advance precision medicine in neurodegenerative diseases.