生态环境部规范生态保护红线生态环境监督工作******
生态环境部规范生态保护红线生态环境监督工作
确保功能不降面积不减性质不改
本报讯 记者张维 生态环境部近日印发行政规范性文件《生态保护红线生态环境监督办法(试行)》(以下简称《办法》)。《办法》明确生态保护红线生态环境监督制度安排和具体工作要求，规范生态环境部门生态保护红线生态环境监督工作，最终目的是加强生态保护红线生态环境监督，确保生态保护红线生态功能不降低、面积不减少、性质不改变，提升生态系统多样性、稳定性、持续性，保障国家生态安全。
据介绍，生态环境部主要从谁来监督、监督什么、怎么监督、监督结果怎么应用四个方面开展生态保护红线生态环境监督工作。明确生态保护红线的监督主体；明确生态保护红线的具体监督事项，对生态保护红线生态环境相关制度制定与落实情况、生态保护红线调整对生态环境的影响、生态保护红线内人为活动对生态环境的影响等进行监督；明确具体的监督手段和措施，主要是通过对生态保护红线调整方案的生态环境影响提出审核意见，依托生态质量监测网络和国家生态保护红线监管平台，加强生态环境保护综合行政执法等；通过信息公开、纳入生态环境领域相关考核、纳入中央生态环境保护督察、开展生态环境损害赔偿、依法依纪依规移送查处问责等多种方式，形成监督闭环，强化监督结果应用。
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 快三注册地图 |
