元宵将至 贵州山区5629/30次“慢火车”带货忙******
(新春走基层)元宵将至 贵州山区5629/30次“慢火车”带货忙
中新网贵州桐梓2月3日电 题:元宵将至 贵州山区5629/30次“慢火车”带货忙
作者 瞿宏伦 肖珊
“按照我们的习俗,除了除夕,元宵节每家每户也要吃团圆饭,新鲜的蔬菜这几天供不应求。”2月3日,在贵州省遵义市汇川区境内的松坝站,村民冯光莲告诉记者,元宵节快到了,这几天通过5629/30次公益性“慢火车”带货的频率多了起来。
11时40分许,列车驶入松坝站,冯光莲和另外10多位村民背着自家种的白菜等农特产品早已在站台等候,他们将一起搭乘这趟“慢火车”前往遵义市桐梓县售卖蔬菜。
2月3日,贵州汇川,菜农在5630次“慢火车”“带货车厢”内售卖蔬菜。 瞿宏伦 摄这些村民是“慢火车”上的常客,被称为“背篓客”。他们背着新鲜的瓜果蔬菜、自家腌制的咸菜、自制手工艺品等从家门口坐“慢火车”前往县城集市售卖,同时采办一些生活用品后再坐“慢火车”返回。
车还没停稳,村民们就争先恐后的跑向最近的车厢排队等待上车。有的村民背篓太重、有的村民农特产品太多,在车站和列车工作人员的帮助下他们成功“挤”上了“带货车厢”,车厢内一角不一会就摆放了各类蔬菜,成了一个小型菜市场。
5629/30(贵州遵义开往重庆、重庆开往贵州遵义)次公益性“慢火车”(以下简称:5629/30次“慢火车”)串联着娄山关、红花园、桐梓等23个站点。目前是川黔铁路仅存的一趟旅客列车,最低票价6元人民币,是当地村民出行、做生意的重要交通工具。
2月3日,贵州汇川,5630次“慢火车”“带货车厢”。 瞿宏伦 摄松坝站是5629/30次“慢火车”停靠的五等小站,车站沿线多数村民都种植蔬菜售卖,是他们主要收入来源之一。将种植的蔬菜运出深山、帮助村民圆了“致富梦”的正是这趟“慢火车”。
“我们这里的村民都有种菜,蔬菜在村里面需求量不大,要带到外面去卖。”村民冯光莲告诉记者,花费7元钱坐着“慢火车”去县城售卖是最好的选择。“县城里的大多数人依旧喜欢从田间采摘的新鲜蔬菜,带的货不愁卖不出去。”
遵义车务段松坝站站长王溢是沿线村民的老朋友,和铁路沿线菜农都很熟悉,哪一家主要种什么他都清楚。
王溢说,“慢火车”虽然慢,但村民在家门口就可以上车,而且把蔬菜带上车还能节约运输成本,铁路沿线村民都选择用这趟“慢火车”带货。“马上就是元宵节了,这趟慢火车上的客流又慢慢多了起来,大家都赶着把农特产品带到县里去买。‘烟火气’持续回升,我们打心眼里高兴。”
据了解,为了满足村民多样化的出行需求,2022年7月18日,5629/30次“慢火车”升级为空调车,专设“带货车厢”,以方便村民将农特产品带上车售卖。有时遇到外出游玩的旅客,村民在车上就可以做起生意。
2月3日,贵州桐梓,列车工作人员帮助菜农在桐梓火车站下车。 瞿宏伦 摄“这趟‘慢火车’一直深受沿线村民的青睐。”遵义车务段党委副书记程书波介绍,近年来,5629/30次“慢火车”沿线村寨变化很大,铁路改变了村民们的家庭环境,让他们踏上了致富道路。
程书波表示,对很多人而言,“慢火车”已经成为一种记忆。但深山里的“慢火车”,仍在改善山区村民的出行环境,助力乡村振兴。
12时49分,列车到达桐梓站。车站工作人员帮村民们把背篓扶下车,大家拎着菜篮、背着货物快速地下车出站,迫不及待赶往市场……(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
(文图:赵筱尘 巫邓炎) [责编:天天中] 阅读剩余全文() |