大发平台骗局-大发平台玩法

新春走基层丨厦门北站的巾帼“水总管”******

　　新华社厦门1月10日电题：厦门北站的巾帼“水总管”

　　新华社记者颜之宏

　　1月9日凌晨4点多，天还没亮，厦门的微风带着阵阵寒意，尚有倦意的汪美端已经起床。她给一家人做好早饭，就匆匆赶往厦门北站的工作岗位上。除了照顾家庭，汪美端还有另一重身份，那就是这座繁忙高铁站的“水总管”。

　　什么是“水总管”？通俗地说，无论是普速列车还是高铁动车，在行驶途中都需要向旅客提供饮用和洗漱用水，这些水由给水员在列车停站期间注入列车自带的水箱中。由于给水员要在列车停站的极短时间内人工完成注水操作，同时还要确保自身在股道上的作业安全，因此铁路职工亲切地称他们为“水总管”。

　　1月9日，注水完成后，汪美端确认列车水箱水位。新华社记者颜之宏 摄

　　“G2380列车进站，给水员请加水。”9日5时30分，对讲机里传来指令，厦门北站的首班列车即将发车，汪美端和同事开始在铁路股道上前后忙碌。两个给水员要在15分钟内完成8节车厢的注水任务。汪美端熟练地整理着数十斤重的水管，随后快速插入列车水箱，拧开龙头，随着“哗”的一声响动，自来水喷涌而入，水箱的数显水位表读数开始跃动。

　　“G2380加水完毕，水管脱离！”在完成8节车厢的注水任务后，汪美端和同事还要再仔细确认水管是否均已脱离列车。在一阵鸣笛声后，列车缓缓出站。

　　1月9日，完成注水操作后，汪美端目送列车驶离。新华社记者颜之宏 摄

　　春运期间的厦门北站异常繁忙，需要加水的列车数量从此前的一天四五十趟增加至当前的六七十趟。高铁列车一般是8节车厢，重联动车组是16节，而普速列车有18节车厢，这意味着给水员们的工作量将在这几天翻番。“忙点儿好，忙就是我们铁路人的‘年味儿’。”汪美端说，今年是“新十条”实施后的第一个春运，也是她担任给水员以来的第一个春运。

　　2022年9月，年近四十的汪美端入职成为一名给水员，而她从事这个工作的原因之一就是要给孩子“树榜样”。原来，汪美端的大女儿去年9月步入高三，作为一名艺考生，每天都要早起练习绘画。对于新的作息规律，处在青春懵懂期的孩子对此有些抵触情绪。“咱们打个赌，你能做到的，妈妈也能做到！”就这样，母女俩定下了一年之约，汪美端也从一名家庭主妇变成“水总管”。

　　1月9日，列车停站后，汪美端将水管插入列车水箱内完成注水作业。新华社记者 颜之宏 摄

　　厦门北站的26名给水员，一半由女性组成，今年已经53岁的王彩龙也是其中的一员。“有退休工资、有房租收入，还乐于做又苦又累的给水员。”这是同事们对王彩龙的评价。

　　四年前，已经做奶奶的王彩龙毅然报名成为一名铁路给水员。“男人们能干的活，我们女人一样能干，而且干得比他们好！”

　　1月9日，厦门北站的给水员班组在交接班前点名。新华社记者颜之宏 摄

　　对给水员来说，晴天时，列车扬起的灰尘让人“灰头土脸”；而在雨天中作业，不一会儿就会浑身湿透。9日下午，王彩龙和她的同事们在大雨中给列车补水，列车开行刮起的风快速带走股道上的热量，寒意袭来，王彩龙和她的同事们身体都在微微颤抖……

　　在今年的返乡途中，当您在列车上斟满一杯热茶或泡上一碗泡面时，看看窗外，或许能看到“水总管”们在春运大幕后的辛勤付出。

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）