全文获取类型
收费全文 | 100篇 |
免费 | 1篇 |
国内免费 | 6篇 |
专业分类
林业 | 7篇 |
农学 | 8篇 |
基础科学 | 7篇 |
4篇 | |
综合类 | 69篇 |
农作物 | 4篇 |
水产渔业 | 1篇 |
畜牧兽医 | 5篇 |
园艺 | 2篇 |
出版年
2023年 | 1篇 |
2022年 | 5篇 |
2021年 | 6篇 |
2020年 | 5篇 |
2019年 | 5篇 |
2018年 | 6篇 |
2017年 | 2篇 |
2016年 | 3篇 |
2015年 | 2篇 |
2014年 | 7篇 |
2013年 | 7篇 |
2012年 | 9篇 |
2011年 | 4篇 |
2010年 | 4篇 |
2009年 | 7篇 |
2008年 | 4篇 |
2007年 | 4篇 |
2006年 | 8篇 |
2005年 | 6篇 |
2004年 | 2篇 |
2003年 | 2篇 |
2002年 | 3篇 |
2000年 | 3篇 |
1999年 | 1篇 |
1993年 | 1篇 |
排序方式: 共有107条查询结果,搜索用时 15 毫秒
61.
基于MODIS的植被指数模型及其在草地生态系统中的应用 总被引:2,自引:2,他引:0
为了明确MODIS植被指数模型的类型以及MODIS数据在大尺度上的可用性,笔者在分析MODIS数据优势的基础上,综述了MODIS植被指数、植被指数模型以及MODIS植被指数模型在草地生态系统中的应用。MODIS数据可以直接提取NDVI和EVI 2类植被指数,还可以间接计算MSAVI和RVI等多种植被指数;利用MODIS植被指数可以建立线性回归模型和非线性的多种曲线模型,它们可以用在草地生态系统的净初级生产力估算、草地退化监测等方面。MODIS植被指数还可以在草地面积提取、草地碳储量估算等方面进一步的应用。 相似文献
63.
64.
利用无人机图像颜色与纹理特征数据在小麦生育前期对产量进行预测 总被引:1,自引:0,他引:1
为了实现基于无人机的小麦产量快速预测,通过不同种植密度、氮肥和品种的田间试验,应用无人机航拍获取小麦生育前期(越冬前期和拔节期)的RGB图像,通过图像处理获取小麦田间颜色和纹理特征指数,并在小麦收获后测定实际产量。通过分析不同颜色和纹理特征指数与小麦产量的关系,筛选出适合小麦产量预测的颜色和纹理特征指数,建立小麦产量预测模型并进行验证。结果表明,小麦生育前期图像颜色指数与产量的相关性较好,而纹理特征指数相关性较差。对越冬前期利用单一颜色指数NDI构建的产量预测模型验证时,R为0.541,RMSE为671.26 kg·hm-2;对拔节期用单一颜色指数VARI构建的产量预测模型验证时,R为0.603,RMSE为639.78 kg·hm-2,预测结果比较理想,但不是最优。对越冬前期颜色指数NDI和纹理特征指数ENT相结合构建的产量预测模型验证时,R和RMSE分别为0.629和611.82 kg·hm-2,比单一颜色指数模型分别提升16.27%和减小8.85%;对拔节期颜色指数VARI和纹理特征指数COR相结合构建的产量预测模型验证时,R和RMSE分别为0.746和510.29 kg·hm-2,较单一颜色指数模型分别提升23.71%和减小20.24%。上述结果说明,将无人机图像颜色和纹理特征指数相结合建立的估产模型精度较高,可在小麦生育前期对产量进行有效预测。 相似文献
65.
66.
基于计算机视觉的水稻叶部病害识别研究 总被引:13,自引:1,他引:12
【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】(1)病斑图像获取:水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。(2)特征参数的选择与设计:首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。(3)病害识别流程的设计:根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。(4)病害识别模型的建立:将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。 相似文献
67.
68.
69.
肥料运筹对不同类型专用小麦品质的影响 总被引:1,自引:0,他引:1
以弱筋品种宁麦9 号、中筋品种扬麦11 和强筋品种中优16 为材料,每个品种进行4 种肥料处理,2 次
重复,分析籽粒蛋白质含量、籽粒硬度、出粉率、湿面筋含量、降落值、溶剂保持力、淀粉糊化特性和粉质仪等参数。结
果表明院每种小麦通过2 套品质指标的对比,降低总施肥量有利于小麦弱筋品质的体现,而施用肥料的处理中,基肥
比例高对弱筋小麦品质有利,拔节肥比例越大对弱筋小麦的品质越不利;提高总施肥量能提升中筋小麦的品质,同
时可以适当减少基肥施用量,控制好拔节肥的比例;提高总施肥量、扩大拔节肥的比例,能显著提升强筋小麦的品
质。 相似文献
70.