The synthesis of a Np(IV) polyoxomolybdate–alkoxide sandwich complex, (TBA)2[Np{Mo5O13(OMe)4NO}2] (TBA = tetrabutylammonium), is reported. This compound represents a rare example of a neptunium polyoxometalate cluster isolated outside of water, allowing for characterization of its electrochemical properties in nonaqueous solvents. Complexation of An(IV) cations fine-tunes the redox properties of the cluster, with the observed four reversible reductive events varying slightly both in potential and peak separation depending on the actinide present. The new Np(IV) complex also shows an irreversible event assigned to oxidation of Np(IV) to Np(V). New methodology for facile 17O enrichment of (TBA)2[Mo5O13(OMe)4NO][Na(MeOH)] is presented, which provides a simple pathway to 17O enriched analogues of the sandwich complexes discussed (Zr(IV), Hf(IV), Th(IV), U(IV), U(V), Np(IV)). 17O NMR spectroscopy subsequently provides insights into both the nature of metal–oxygen bonding, as well as the influence of unpaired f-electrons on the local environment of the oxygen nuclei.

Two pyridine dipyrrolide neptunium(IV) complexes, (MesPDPPh)NpCl2(THF) and Np(MesPDPPh)2, where (MesPDPPh)2– is the doubly deprotonated form of 2,6-bis(5-(2,4,6-trimethylphenyl)-3-phenyl-1H-pyrrol-2-yl)pyridine, have been prepared. Characterization of the complexes has been performed through a combination of solid- and solution-state methods, including single-crystal X-ray diffraction and electronic absorption and nuclear magnetic resonance spectroscopies. Collectively, these data confirm the formation of the mono- and bis-ligated species. Electrochemistry of a series of bis-ligated actinide complexes, An(MesPDPPh)2 (An = Th, U, Np), is presented.

Abstract Fast and efficient identification is critical for reducing the likelihood of weed establishment and for appropriately managing established weeds. Traditional identification tools require either knowledge of technical morphological terminology or time-consuming image matching by the user. In recent years, deep learning computer vision models have become mature enough to enable automatic identification. The major remaining bottlenecks are the availability of a sufficient number of high-quality, reliably identified training images and the user-friendly, mobile operationalization of the technology. Here, we present the first weed identification and reporting app and website for all of Australia. It includes an image classification model covering more than 400 species of weeds and some Australian native relatives, with a focus on emerging biosecurity threats and spreading weeds that can still be eradicated or contained. It links the user to additional information provided by state and territory governments, flags species that are locally reportable or notifiable, and allows the creation of observation records in a central database. State and local weed officers can create notification profiles to be alerted of relevant weed observations in their area. We discuss the background of the WeedScan project, the approach taken in design and software development, the photo library used for training the WeedScan image classifier, the model itself and its accuracy, and technical challenges and how these were overcome.