全国大部地区降水稀少 西藏东南部等地局地有大到暴雪******
中新网1月17日电 据中央气象台网站消息，未来三天，全国大部地区降水稀少，天气以晴到多云为主，但在西藏东部和西部、青海南部、川西高原北部等地的部分地区有小雨(雪)或雨夹雪，其中，西藏东南部等地局地有大到暴雪。
昨日全国大部降水稀少 华北黄淮等地气温回升
昨日08时至今日06时，全国大部地区降水稀少，四川东北部、重庆中部、湖北西南部等地部分地区出现小到中雪或雨夹雪，贵州毕节、安顺和贵阳等地出现冻雨；内蒙古西部、甘肃西部及新疆南部等地部分地区出现扬沙或浮尘。
今05时较昨05时，华北、黄淮、东北地区及内蒙古等地部分地区出现4～8℃升温，局地升温幅度超过10℃。
全国大部地区降水稀少
未来三天，全国大部地区降水稀少，天气以晴到多云为主，但在西藏东部和西部、青海南部、川西高原北部、重庆、贵州中北部、云南东部、内蒙古东北部、东北地区东部和北部等地的部分地区有小雨(雪)或雨夹雪，其中，西藏东南部等地局地有大到暴雪。此外，17日至19日，新疆南部、内蒙古中西部、甘肃中西部、青海北部、宁夏、陕西北部等地的部分地区有扬沙或浮尘，局地有沙尘暴。
19日至20日，冷空气将影响我国北方地区，华北、东北地区及黄淮等地降温4～8℃，部分地区超过12℃，21日清晨东北地区北部局地日最低气温将接近或突破历史同期极值。此外，内蒙古东部、东北地区东部等地部分地区有小雪，局地中雪。
21日至22日，江淮、江汉、江南、华南等地有小雨，华北北部、东北地区中南部、贵州北部及湖北西南部等地有小雪或雨夹雪。
22日至24日，还有一股冷空气影响我国中东部地区，大部地区降温4～8℃，内蒙古东部、东北地区中南部等地局地降温10～14℃。
未来三天具体预报
1月17日08时至18日08时，西藏东部、青海南部、川西高原北部、四川盆地西南部、贵州西部和北部、云南东北部、内蒙古东北部、黑龙江北部等地的部分地区有小雪或雨夹雪，其中西藏东南部局地有大到暴雪；重庆中南部、湖北西南部、云南东南部、西藏东南部、台湾岛东北部等地的部分地区有小到中雨。内蒙古大部、宁夏北部、河北北部等地的部分地区有4～6级风(见图1)。东海南部、台湾海峡、台湾以东洋面、巴士海峡、南海大部、北部湾将有6~8级、阵风9~10级的大风。
1月18日08时至19日08时，内蒙古东北部、黑龙江中北部、西藏东部、青海东南部、川西高原北部、四川盆地西南部、贵州西部、云南东北部等地部分地区有小雪或雨夹雪，其中，西藏东南部局地有大雪。西藏东南部、湖北西南部、湖南西北部、重庆东南部、云南东部等地部分地区有小雨。内蒙古大部、甘肃河西、宁夏北部、山西北部、河北西北部、辽东半岛、山东半岛等地部分地区有4～6级风(见图2)。东海南部、台湾海峡、台湾以东洋面、巴士海峡、南海大部、北部湾将有6~8级、阵风9~10级的大风。
1月19日08时至20日08时，内蒙古东北部、东北地区东部、西藏西部和东部、贵州西北部等地部分地区有小到中雪，其中，西藏西部等地局地有大雪。西藏东南部、重庆中南部、贵州东部、云南东部、台湾岛东北部等地部分地区有小雨，局地有中雨。内蒙古中部、辽宁中南部、陕西北部、山西、河北中北部、山东半岛等地部分地区有4～6级风(见图3)。渤海、黄海北部、东海南部、台湾海峡、台湾以东洋面、巴士海峡、南海大部将有6~8级、阵风9~10级的大风。
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 5分pk10地图 |
