“创新X”系列首发星发布第二批成果******

　　【科技前沿】

　　从中国科学院获悉，“创新X”系列首发星——空间新技术试验卫星（SATech-01）发布了第二批科学与技术成果，包括46.5纳米极紫外太阳成像仪（SUTRI）开机并获得我国首幅太阳过渡区图像；HEBS探测到了迄今最亮的伽马射线暴；国产CPT原子磁场精密测量系统伸杆成功并首次获得全球磁场勘测图；多功能一体化相机、异构多核智能处理单元、可展收式辐射器和空间元器件辐射效应试验平台也都完成了在轨试验并获得满意的验证成果。

　　成果一：

　　46.5纳米极紫外成像仪获得我国首幅太阳过渡区图像

　　46.5纳米极紫外太阳成像仪（SUTRI）是国际首台基于多层膜窄带滤光技术的46.5纳米太阳成像仪，用于探测50万度左右的太阳过渡区（太阳色球与日冕之间的层次），由国家天文台联合北京大学、同济大学、西安光学精密机械研究所和微小卫星创新研究院共同研制。

　　自8月30日载荷开机以来获取了超过1.6TB的探测数据，成功实现了我国首次太阳过渡区探测。SUTRI拍摄的图像清晰地显示了过渡区网络组织、活动区冕环系统、日珥和暗条、冕洞等结构，这些结构的观测特征表明，SUTRI拍摄的确实是从太阳低层大气往日冕过渡的结构，符合预期。同时，SUTRI已探测到多个耀斑、喷流、日珥爆发和日冕物质抛射事件，表明其数据适合研究各种类型的太阳活动现象。此外，SUTRI还发现活动区普遍存在50万度左右的、朝向太阳表面的物质流动，这些流动在太阳大气的物质循环过程中占有重要地位。

　　目前SUTRI一切功能正常，在轨测试和标定结束后，SUTRI观测的科学数据将向国内外太阳物理和空间天气同行全部开放。

　　成果二：

　　高能爆发探索者（HEBS）捕获到迄今为止最亮伽马暴

　　由中科院高能物理研究所研制的高能爆发探索者（HEBS）于北京时间10月9日21时17分，与我国慧眼卫星和高海拔宇宙线观测站同时探测到迄今最亮的伽马射线暴（编号为GRB 221009A）。

　　根据HEBS的精确测量结果，该伽马射线暴比以往人类观测到的最亮伽马射线暴还亮10倍以上，打破了伽马射线暴的最高各向同性能量以及最大各向同性峰值光度等多项纪录。由于该伽马射线暴的亮度极高，国际上绝大部分探测设备均发生了严重的数据饱和丢失、脉冲堆积等仪器效应，难以获得精确测量结果。HEBS凭借创新的探测器设计以及新颖的高纬度观测模式设置，探测器经受住了高计数率的考验，获得了高时间分辨率的光变曲线，以及10千电子伏至5兆电子伏的宽能段能谱。HEBS极为宝贵的精确测量结果对于揭示伽马射线暴的起源和辐射机制具有重要意义。

　　成果三：

　　国产量子磁力仪首次空间应用并获得全球磁场图

　　由中科院国家空间科学中心和中科院沈阳自动化研究所联合研制的国产量子磁力仪（CPT）及伸展臂，可实现全球地磁矢量和标量高精度测量。11月7日，多级套筒式无磁伸展臂顺利展开，将各传感器探头伸出约4.35米距离，处于伸展臂顶端的CPT原子/量子磁力仪探头、AMR磁阻磁力仪探头、NST星敏感器获取了有效探测数据，首次在轨验证了磁场矢量和姿态一体化同步探测技术，磁测量噪声峰峰值<0.1nT，实现了国产量子磁力仪的首次空间验证与应用。

　　除此之外，创新X系列首发卫星的其他空间载荷、平台新技术也取得丰富成果。例如，由中国科学院长春光学精密机械与物理研究所空间新技术部研制的多功能一体化相机，成功取得首张170千米×42千米大幅宽地面遥感图像，探索了单台相机即可同时实现多谱段多模态遥感成像的新模式，为我国未来高集成度一体化空间光学遥感载荷发展提供了技术储备。

　　SATech-01由中科院微小卫星创新院抓总研制，已在轨运行4个多月。目前，星上的四个科学载荷已进入常规化观测，搭载的几种新型推进系统等载荷也将陆续开展在轨试验。（记者齐芳）

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