田成川：加强气候传播在全球气候治理中具有战略性意义******
生态环境部宣教中心主任田成川作视频致辞。 中新网记者 陈天浩 摄
中新网埃及沙姆沙伊赫11月16日电 “加强气候传播，积极提升公众参与应对气候变化意识，在全球气候治理中具有基础性和战略性意义。”
近日，《联合国气候变化框架公约》第二十七次缔约方大会(COP27)“气候传播与公众意识边会”在埃及沙姆沙伊赫举行，生态环境部宣教中心主任田成川作视频致辞时如是说。
田成川介绍了生态环境部宣教中心长期以来在提升公众环境和气候意识开展的一系列积极探索：一是开展了丰富多样的气候传播活动；二是发起成立气候传播平台和行动网络；三是开展应当气候变化教育培训。
如，田成川提到，在联合国儿童基金会支持下，生态环境部宣教中心开展气候智慧学校项目，建立气候智慧学校评价标准和建设指南；指导相关单位承办应对气候变化南南合作培训班，与大型国有企业合作，开展减污降碳协同增效能力建设培训，提升企业实现双碳目标的能力。
“我们必须本着为子孙后代的可持续未来负责的精神，坚持目标导向，紧跟政策走向，科学设置气候传播议程，尊重传播规律，加强政府、企业、社会组织合作，共同采取行动，开展更丰富、专业、有效的气候传播工作。”田成川称。
“气候传播与公众意识边会”由中国新闻社与生态环境部宣教中心主办，中国新闻网承办，能源基金会协办。(完)
提速近10倍！基于深度学习的全基因组选择新方法来了****** 近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。 全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。 统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。 相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。 该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。 与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。 该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。 学术支持 中国农业科学院作物科学研究所 记者 宋雅娟 彩神彩票app地图 |
