大星彩票开户|大星彩票充值

官方：到2035年全国水土保持率达到75%******

　　中新网1月12日电 国新办1月12日就加强新时代水土保持工作有关情况举行发布会。水利部副部长朱程清介绍，《关于加强新时代水土保持工作的意见》要求，到2035年，系统完备、协同高效的水土保持体制机制全面形成，人为水土流失得到全面控制，重点地区水土流失得到全面治理，全国水土保持率达到75%。

　　朱程清介绍，党的十八大以来，我国水土保持工作取得显著成效，水土流失面积和强度持续呈现“双下降”态势，为促进生态环境改善和经济社会发展发挥了重要作用。据水利部最新监测成果，2021年全国水土流失面积267.42万平方公里，较十年前减少27.49万平方公里，强烈及以上等级面积占比由33.8%下降至18.93%。同时，水土流失治理有效改善了农业生产条件和农村人居环境，促进了地方经济社会发展。

　　朱程清指出，党的二十大强调，推动绿色发展，促进人与自然和谐共生，对水土保持工作提出了新的更高要求。近日，中办、国办印发了《关于加强新时代水土保持工作的意见》，这是当前和今后一个时期加强水土保持工作的纲领性文件，对于加快构建党委领导、政府负责、部门协同、全社会共同参与的水土保持工作格局，推动新时代水土保持高质量发展具有重大意义。《意见》分为三大板块，共6个部分。

　　第一板块是总体要求。坚持生态优先、保护为要，坚持问题导向、保障民生，坚持系统治理、综合施策，坚持改革创新、激发活力，锚定全面建成社会主义现代化强国的目标，提出到2025年，水土保持体制机制和工作体系更加完善，管理效能进一步提升，人为水土流失得到有效管控，重点地区水土流失得到有效治理，全国水土保持率达到73%。到2035年，系统完备、协同高效的水土保持体制机制全面形成，人为水土流失得到全面控制，重点地区水土流失得到全面治理，全国水土保持率达到75%。

　　第二板块包括第二至第五部分，是四项重点任务。

　　一是全面加强水土流失预防保护。核心是落实节约优先、保护优先、自然恢复为主的方针，结合重要生态系统保护和修复重大工程，统筹推进水土流失预防保护。包括突出抓好水土流失源头防控、加大重点区域预防保护力度、提升生态系统水土保持功能3个方面内容。

　　二是依法严格人为水土流失监管。重点是落实用最严格制度最严密法治保护生态环境的要求，聚焦有效管住人为水土流失增量提出的政策措施。包括健全监管制度和标准、创新和完善监管方式、加强协同监管、强化企业责任落实4个方面内容。

　　三是加快推进水土流失重点治理。坚持山水林田湖草沙一体化保护和系统治理，聚焦服务保障国家重大战略，明确水土流失治理的重点任务。包括全面推动小流域综合治理提质增效、大力推进坡耕地水土流失治理、抓好泥沙集中来源区水土流失治理3个方面内容。

　　四是提升水土保持管理能力和水平。按照推进国家治理体系和治理能力现代化的要求，对健全规划体系、完善工程建管机制、加强考核、强化监测评价、加强科技创新5个方面进行了部署。

　　第三板块为第六部分，是保障措施。从加强组织领导、强化统筹协调、加强投入保障、强化宣传教育4个方面对贯彻落实《意见》提出明确要求。

　　朱程清表示，下一步，水利部将认真贯彻落实党中央、国务院决策部署，积极会同相关部门采取有力措施，推动《意见》各项要求落实落地。

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

　　（文图：赵筱尘 巫邓炎）