全文获取类型
收费全文 | 948篇 |
免费 | 62篇 |
国内免费 | 163篇 |
专业分类
林业 | 115篇 |
农学 | 49篇 |
基础科学 | 118篇 |
228篇 | |
综合类 | 415篇 |
农作物 | 47篇 |
畜牧兽医 | 127篇 |
园艺 | 3篇 |
植物保护 | 71篇 |
出版年
2024年 | 27篇 |
2023年 | 67篇 |
2022年 | 83篇 |
2021年 | 89篇 |
2020年 | 68篇 |
2019年 | 57篇 |
2018年 | 48篇 |
2017年 | 51篇 |
2016年 | 58篇 |
2015年 | 68篇 |
2014年 | 59篇 |
2013年 | 64篇 |
2012年 | 59篇 |
2011年 | 63篇 |
2010年 | 71篇 |
2009年 | 51篇 |
2008年 | 50篇 |
2007年 | 34篇 |
2006年 | 33篇 |
2005年 | 17篇 |
2004年 | 18篇 |
2003年 | 11篇 |
2002年 | 5篇 |
2001年 | 1篇 |
2000年 | 1篇 |
1999年 | 2篇 |
1998年 | 8篇 |
1997年 | 3篇 |
1995年 | 2篇 |
1994年 | 1篇 |
1993年 | 4篇 |
排序方式: 共有1173条查询结果,搜索用时 421 毫秒
91.
基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究 总被引:6,自引:0,他引:6
为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性,基于北京市大兴区中国水科院试验基地的2019年冬小麦无人机多光谱影像和田间实测冠层叶绿素含量数据,选取16种光谱植被指数,确定对冬小麦冠层叶绿素含量显著相关的植被指数,采用一元二次线性回归和逐步回归分析方法建立各生育时期及全生育期的SPAD值估测模型,通过精度检验确定对冬小麦冠层叶绿素含量监测的最优模型。结果表明,两种分析方法中逐步回归建模效果最佳。拔节期选取4个植被指数(MSR、CARI、NGBDI、TVI)建模效果最好,模型率定的决定系数(r~2)为0.73,模型验证的r~2、相对误差(RE)和均方根误差(RMSE)分别为0.63、2.83%、1.68;抽穗期选取3个植被指数(GNDVI、GOSAVI、CARI)建模效果最好,模型率定的r~2为0.81,模型验证的r~2、RE、RMSE分别为0.63、2.83%、1.68;灌浆期选取2个植被指数(MSR、NGBDI)建模效果最好,模型率定的r~2为0.67,模型验证的r~2、RE、RMSE分别为0.65、2.83%、1.88。因此,无人机多光谱影像结合逐步回归模型可以很好地监测冬小麦SPAD值动态变化。 相似文献
92.
基于多载荷无人机遥感的大豆地上鲜生物量反演 总被引:1,自引:0,他引:1
以多载荷无人机获取数据和地面实测的数据为基础,将大豆生殖生长期分段建模,采用植被指数和光谱参数相结合再加上农学参数株高,通过最小二乘法建立多元线性回规模型的方法,来估算大豆开花期和结荚期的鲜生物量,采用高光谱植被指数法估算大豆鼓粒期和成熟期的鲜生物量。结果表明:在大豆开花期和结荚期内,采用混合法构建生物量反演模型利用交叉验证法,验证结果的R~2和RMSE分别为0.714和0.393;在大豆鼓粒期和成熟期内,采用高光谱植被指数法构建生物量反演模型,利用交叉验证法,验证结果的R~2和RMSE分别为0.697和0.386;大豆开花结荚期构建的模型和鼓粒成熟期构建的模型都有比较高的精度和可靠性,利用这两种模型完成了高光谱影像鲜生物量的遥感空间制图,能反映当地当时大豆的真实长势情况。 相似文献
93.
《新疆农业科学》2020,(1)
【目的】利用地面遥感和航天遥感数据结合植被指数实现快速调查,研究各数据中植被指数的差异。【方法】用地面高光谱数据和光学影像中分别对梭梭林和柽柳林进行归一化植被指数(NDVI)、重归一化植被指数(RDVI)和土壤调节植被指数(SAVI)3种植被指数的提取,并进行比较。【结果】在高光谱Ⅵ中,梭梭林和柽柳林的3种VI的数值大小和变化趋势都很接近,特别是SAVI和RDVI,但NDVI的变化较其他2种大;而在光学影像Ⅵ中,梭梭林和柽柳林的NDVI和SAVI的数值基本保持在一定范围内,且变化幅度微小,而RDVI的数值和变化趋势均较大,相对不稳定。【结论】高光谱数据所提取的NDVI和SAVI均大于光学影像,而光学影像所提取的RDVI均大于高光谱数据,RDVI对植被覆盖度更敏感。 相似文献
94.
利用大型称重式蒸渗仪2012—2018年连续观测数据,系统解析了希拉穆仁荒漠草原植物生长季(4—10月)不同时间尺度蒸散发(ET)与气象植被因子之间的关系。研究表明:(1)小时、日和月尺度上,始终与ET保持高度相关的气象植被因子包括风速(P<0.01)、空气温度(P<0.01)和降水量(P<0.01);(2)结合不同时间尺度主控因子,利用多元回归定量表征了小时、日、月尺度的下垫面ET变化特征,经验方程决定系数分别为0.94(P<0.01)、0.42(P<0.01)、0.82(P<0.01),小时和月尺度上的经验方程可较好地反映希拉穆仁荒漠草原下垫面耗水特征;(3)ET与降水差值显示,2012—2018年希拉穆仁荒漠草原植物生长季(4—10月)水汽交换以下垫面水分消耗为主,8月份发生干旱事件的概率最大。 相似文献
95.
基于无人机遥感的棉花主要生育时期地上生物量估算及验证 总被引:5,自引:0,他引:5
利用棉花主要生育时期的无人机近红外影像数据,提取4种不同的植被指数,通过与棉花地上生物量的实测值建立拟合关系,分析了不同植被指数在棉花各生育时期的估算效果并对其进行了验证。结果表明,随棉花生长,归一化植被指数(NDVI)、宽动态植被指数(WDRVI)、比值植被指数(RVI)和差值植被指数(DVI)均从苗期开始显著增加,其后则表现为基本稳定的“饱和”现象,但棉花实测生物量在不同生育期均有显著差异。植被指数与棉花实测生物量的拟合结果显示:NDVI和DVI的二元线性拟合模型对苗期生物量拟合效果最佳(R2=0.84,RMSE=0.13 kg·m-2);WDRVI和DVI的二元线性拟合模型对花蕾期生物量拟合效果最佳(R2=0.87,RMSE=0.52 kg·m-2);RVI的非线性拟合模型对花铃期生物量拟合效果最佳(R2=0.79,RMSE=0.95 kg·m-2);WDRVI和RVI的二元线性拟合模型对盛铃期生物量的拟合效果最佳(R2=0.86,RMSE=0.96 kg·m-2)。 相似文献
96.
为探究植被指数时序特征是否有利于落叶松人工林提取,以孟家岗林场为研究试验区域,根据落叶松人工林季相和物候特征,利用Landsat8OLI影像数据提取研究区内5种植被的归一化植被指数(I NDV)、差值植被指数(I DV)、比值植被指数(I RV)、增强型植被指数(I EV),构建相应的植被指数时序特征。采用最大似然和随机森林两种方法对单一时相影像和加入植被指数时序特征的影像进行对比试验。结果表明:影像中加入植被指数时序特征后,最大似然算法的分类总体精度为89.53%,Kappa系数为0.87,比单一时序特征的影像分类精度提高了13.35%;随机森林算法的森林类型分类总体精度为93.22%,Kappa系数为0.92,比单一时序特征的影像分类精度提高了19.8%。因此,加入植被指数时序特征后能得到更高的落叶松人工林提取精度。 相似文献
97.
98.
森林调查因子与植被指数关系的研究 总被引:1,自引:0,他引:1
本文通过对南方林区植被指数与林分平均直径、林分郁闭度的相关分析表明,阳坡的林分平均直径、林分郁闭度与植被指数有着显著相关关系,特别是松树林的林分平均直径与植被指数的关系,可以用线性关系来模拟。通过对植被指数的单因素方差分析,应用归一化差值植被指数NDVI1(L4—L3)/(L4+L3)和比值植被指数RVI2(L4/L2)有助于南方林区地类的辨别。 相似文献
99.
本文应用3种图像增强的方法对实验地帽儿山的TM影像进行植被信息的提取研究。结果表明,用植被指数与原始的3、5波段复合后,进行植被分类,获得了较高的分类精度。 相似文献
100.
归一化植被指数(Normalized Difference Vegetation Index,NDVI)是反映森林植被变化的重要参数,分析滇池流域NDVI的变化趋势及其影响因素,对准确评估该流域近年来植被覆盖及变化情况,分析气候驱动力因素具有重要意义。采用两种数据集:中国科学院计算机网络信息中心地理空间数据云平台2000—2015年的全国合成产品;美国国家航空航天局2020—2021年的MOD13A2产品。使用趋势分析法分析滇池流域NDVI的年际和年内变化。在中国气象数据网下载1999—2015年滇池流域降水和平均气温的数据,结合NDVI数据,分别分析NDVI与降水、温度的相关关系。研究结果表明,2000—2015年间滇池流域年际和年内的春季、秋季及冬季NDVI均呈增长趋势,而年内夏季NDVI呈下降趋势。但2020年滇池流域NDVI较小,且在年内呈季节性变化趋势。滇池流域不同区域植被空间分布差异明显,整体上呈现由南向北,由西向东逐渐增大的变化趋势。NDVI较高的地区集中在流域上游,而水体及其周围地区植被覆盖较低,且水体及其周围的NDVI呈减小的趋势。滇池流域的降水量和平均温度均呈波动性变化,且2000—2015年的降水量呈明显的下降趋势。通过相应的偏相关分析发现,降水量和平均气温对NDVI均表现出正相关关系,并且相关性最强的是前期(气象因素相比于NDVI提前一个季度的时间)情况的平均气温和NDVI。总体上,2000—2015年滇池流域的NDVI在时空上呈增长趋势,但2020年滇池流域的NDVI较小;在气候响应方面,3个月前的平均气温变化对NDVI的变化起主要影响作用。 相似文献