losses

通过基因编辑控制器官发育生理学减少农作物损失

如果不加以控制，生殖器官中的某些生理过程即使在没有环境压力的情况下也会导致作物损失。这些过程可能发生在收获前或收获后，并且发生在不同的物种中，包括谷物的脱落过程（例如碎裂）和未成熟果实的脱落过程（例如收获前落果、谷物收获前发芽和果实收获后衰老）。这些过程背后的一些分子机制和遗传决定因素现在得到了更详细的说明，从而可以通过基因编辑对其进行改进。在这里，我们讨论了使用先进的基因组学来识别作物生理性状背后的遗传决定因素。提供了针对收获前问题开发的改进表型的示例，并提出了通过基因和启动子编辑减少收获后果实损失的建议。

玻璃纤维管道摩擦损失的测定

调查多能量产生和尾流损失...

1 Whiffle, Molengraaffsingel 8, 2629 JD 代尔夫特，荷兰 2 代尔夫特理工大学，工程系统与服务系，Jaffalaan 5, 2628 BX 代尔夫特，荷兰 3 代尔夫特理工大学，地球科学与遥感系，Stevinweg 1, 2628 CN 代尔夫特，荷兰

复制应力产生独特的DNA拷贝数改变和染色体量表损失

抽象背景：癌症染色体不稳定性的主要驱动力是复制应力，DNA复制的减慢或失速。尚不清楚如何连接复制应力和基因组不稳定性。蚜虫蛋白诱导的复制应力会在常见的脆弱部位诱导分裂，但是易于脆弱的确切原因，并且没有充分探索复制应力的急性基因组后果。结果：我们表征单个二倍体非转化细胞中的DNA拷贝数改变（CNA），这是由一个细胞周期在蚜虫或羟基脲存在下引起的。产生了多种类型的CNA，与不同的基因组区域和特征相关，观察到的拷贝数景观在蚜虫蛋白和羟基脲诱导的复制应力之间是不同的。将CNA与基因表达和单细胞复制时间分析的耦合细胞类型分析指向蚜虫中最复发的染色体尺度CNA的致病性大基因。这些在RPE1上皮细胞中的7号染色体上聚集在染色体上，但染色体在BJ成纤维细胞中。染色体臂水平CNA还会产生含有这些染色体的染色质和微核。结论：由复制应力驱动的染色体不稳定性通过局灶性CNA和染色体臂尺度的变化发生，后者仅限于很小的子集染色体区域，潜在地倾斜了癌症基因组的进化。复制应力的不同诱导者导致独特的CNA景观，从而提供了机会，从而得出了特定复制应力机械的拷贝数签名。单细胞CNA分析揭示了复制应力对基因组的影响，从而提供了对癌症中染色体不稳定性的分子机制的见解。

混合发电对电压，损耗和电力成本Indisripution网络的影响

根据结果，可以注意到，虽然由于高短路功率而在电网附近的总线634上不变电压，但与分散的混合DG相比，与对电压改善的单个位置集成相比，它会随着偏离网格的转移而增加。此外，可以看出，尽管电压下降是Bus 675的最高，但由于混合DG系统，该下​​降可以得到补偿。此外，直到达到06.00，PV系统才发电。因此，需求功率由WTG和网格提供。由于工业工厂的生产活动，基本案例的节点电压在白天有所不同。可以清楚地看出，尽管需求功率在13.00到16.00之间降低，但混合DG的总功率增加了。因此，电压调节升高。另一方面，虽然需求功率在16.00到18.00之间增加，但混合DG产生的总功率也会降低，电压调节也降低了。除了评估外，整个系统的总功率需求是2370 kW。因此，与前一个小时相比，每次总线的加载条件增加。由于与总线634中的标称功率需求相比，负载增加大于其他总线的增量，因此电压

经济函件 2022/01 当地新冠疫情可能造成的经济损失

二、估算方法 2. 新冠肺炎疫情对香港经济造成严重而广泛的打击，尤其对人际接触较频繁的旅游、餐饮、零售及酒店等行业影响尤为严重。2020年访港旅客人数较上年大幅下跌93.6%，零售业销货价值及餐饮业收益分别下跌24.3%及29.4%，住宿服务业业务收益下跌59.1%（图1）。疫情下旅客稀缺及市民外出意欲大减，客运业务亦受重创，2020年公共交通营办商的乘客人次较上年下跌28.0%。建造业亦受到一定冲击，2020年建筑及建造开支实质下跌9.3%。该等行业的业务在2021年仍低于疫情前的水平。同时，由于全球疫情导致多地供应链中断，削弱全球需求，香港商品出口货值在2020年上半年大幅下跌。虽然其后情况随全球经济复苏而有所改善，但2020年全年香港商品出口货值仍下跌1.5%。

2021 年，意大利经济增长了 6.5%，到年底已收回了大部分疫情造成的产出损失。然而，短期前景

2021 年，意大利经济增长 6.5%，截至年底已收回大部分疫情造成的产出损失。然而，供应长期中断和能源价格大幅上涨给短期前景蒙上阴影。预计购买力下降和消费者信心减弱将在短期内削弱实际 GDP 增长，尤其是消费者服务。虽然新冠感染病例在 2022 年头几周激增，但高疫苗接种率可能会阻止大幅收紧遏制措施，并防止实际产出在今年头几个月萎缩。假设当前这波疫情势头强劲但持续时间短暂，预计经济活动将在 2022 年第二季度恢复势头，并在下半年继续保持扩张势头。

重组和本地化：在CS2Agbibr6薄膜中展开电导率损失背后的途径

cs 2 agbibr 6（CABB）被认为是铅卤化物钙钛矿的一种有希望的无毒替代品。但是，低电荷载体收集效率仍然是将该材料纳入光电应用中的障碍。在这项工作中，我们使用稳态和瞬态吸收和反射光谱研究CABB薄膜的光电特性。我们发现，由于薄膜内部多次反射，这种薄膜上的光学测量结果被扭曲。此外，我们使用微秒瞬时吸收光谱和时间分辨的微波电导率测量来讨论这些薄膜电导率损失背后的途径。我们证明，载体损失和定位的综合作用导致CABB薄膜的电导率损失。此外，我们发现电荷载体扩散长度和晶粒尺寸的数量级相同。这表明该材料的表面是电荷载体损失的重要原因。

能源消耗中的非技术损失检测，重点关注能源回收和可解释性

摘要 非技术损失 (NTL) 是许多公用事业公司试图解决的问题，通常使用黑盒监督分类算法。一般来说，这种方法取得了良好的效果。然而，在实践中，NTL 检测面临着技术、经济和透明度方面的挑战，这些挑战无法轻易解决，并且会损害预测的质量和公平性。在这项工作中，我们将这些问题置于为一家国际公用事业公司建立的 NTL 检测系统中。我们解释了如何通过从分类转向回归系统并引入解释技术来提高其准确性和理解力，从而缓解这些问题。正如我们在本研究中所展示的，回归方法可以成为缓解这些技术问题的一个很好的选择，并且可以进行调整以捕捉最引人注目的 NTL 案例。此外，可解释的人工智能（通过 Shapley 值）使我们能够在基准测试之外验证回归方法在这种背景下的正确性，并大大提高我们系统的透明度。

用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。

用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。