全文获取类型
收费全文 | 1982篇 |
免费 | 52篇 |
国内免费 | 82篇 |
专业分类
林业 | 184篇 |
农学 | 148篇 |
基础科学 | 160篇 |
146篇 | |
综合类 | 720篇 |
农作物 | 91篇 |
水产渔业 | 87篇 |
畜牧兽医 | 410篇 |
园艺 | 116篇 |
植物保护 | 54篇 |
出版年
2024年 | 18篇 |
2023年 | 59篇 |
2022年 | 62篇 |
2021年 | 48篇 |
2020年 | 42篇 |
2019年 | 52篇 |
2018年 | 59篇 |
2017年 | 32篇 |
2016年 | 39篇 |
2015年 | 53篇 |
2014年 | 116篇 |
2013年 | 85篇 |
2012年 | 101篇 |
2011年 | 74篇 |
2010年 | 83篇 |
2009年 | 84篇 |
2008年 | 93篇 |
2007年 | 65篇 |
2006年 | 78篇 |
2005年 | 62篇 |
2004年 | 70篇 |
2003年 | 61篇 |
2002年 | 39篇 |
2001年 | 41篇 |
2000年 | 41篇 |
1999年 | 41篇 |
1998年 | 49篇 |
1997年 | 64篇 |
1996年 | 34篇 |
1995年 | 32篇 |
1994年 | 43篇 |
1993年 | 39篇 |
1992年 | 28篇 |
1991年 | 41篇 |
1990年 | 42篇 |
1989年 | 26篇 |
1988年 | 15篇 |
1987年 | 20篇 |
1986年 | 15篇 |
1985年 | 19篇 |
1984年 | 9篇 |
1983年 | 12篇 |
1982年 | 5篇 |
1981年 | 8篇 |
1980年 | 4篇 |
1964年 | 2篇 |
1959年 | 1篇 |
1956年 | 1篇 |
1955年 | 1篇 |
1954年 | 1篇 |
排序方式: 共有2116条查询结果,搜索用时 46 毫秒
71.
72.
73.
通过加大网箱的长,宽,深度,由3×3×3(米)正方形小网箱改为6×6×4(米)相对较大规格的网箱,以扩大网箱内容水体,在同一海区同等管理条件下,进行网箱养鱼对比试验,结果后者明显比前者扩大了养殖鱼的活动范围,提高了成活率,起到了预防鱼病作用,降低了养殖成本,增加产量,增加收益,提高了经济效益,尤其是具有资金实力下采用后者的钢管架网箱养殖,或设置其在网箱养殖区域四周,具有加固,增强抗击风浪能力,是现 相似文献
74.
在种子行政执法工作中遇到这样一个案例:甲市乙县几个农民到邻省丙市××种苗公司购买西瓜种子79桶,育苗后将西瓜种苗分给13户农民种植.共种植西瓜88棚133.3亩.西瓜结果后,因为果实杂色相当严重,种植户怀疑西瓜种子有质量问题.多次通过电话向××公司反映,但××公司不予理睬.农民投诉到乙县农业局,县农业局认为案情重大,建议农民向甲市农业局投诉,后来甲市农业局受理投诉,立案调查. 相似文献
75.
从理论上探讨高压线周围存在着的电场是由电位场和电流场两部分迭加组成的,由电压形成的电场称为电位场,由导线上流过电流形成的电场称为电流场。无论电位场,还是电流场都是交变的电场,频率为50赫兹。对于空间任意一点的电场强度就是这两种 相似文献
76.
77.
79.
【目的】评估建立奶牛疾病预测模型的6种机器学习(machine learning,ML)算法的性能及预测变量的重要性。【方法】选取2020年12月至2021年11月,共计944头泌乳牛的生产信息、行为信息作为预测因子,疾病信息作为输出变量,训练并验证模型。将日产奶量、反刍量、活动量、胎次和泌乳天数作为输入变量,利用ML算法建立奶牛疾病的预测模型,评估决策树(Decision Tree,DT) C5.0、CHAID算法、人工神经网络(Artificial Neural Network,ANN)、随机森林(Random Forests,RF)、贝叶斯网络(Bayesian Networks,BN)和逻辑回归(Logistic Regression,LR)6种ML算法的性能,评估预测变量的重要性,以及将胎次和泌乳天数纳入预测变量后模型性能的改善情况。采用敏感性和特异性评估模型性能,按照权重排序评估输入变量对模型预测的重要性。【结果】DT C5.0算法敏感性>85%,特异性>90%,为性能最佳的模型;RF总敏感性为56.8%,对各类牛预测的性能较稳定;ANN、BN、DT CHAID则对样本量较多的疾病预测性能较好,可达74.4%;LR对病牛正确识别率不足40.0%,大多识别为健康牛。产奶量为RF、ANN、LR最重要的预测变量,泌乳天数为DT C5.0、CHAID和BN最重要的预测变量;纳入胎次和泌乳天数后,模型预测的敏感性平均提高9.8%。【结论】ML算法在对奶牛疾病的预测方面表现出很大潜力,其中,DT C5.0更适合用于预测奶牛疾病。产奶量和泌乳天数为疾病预测模型中相对重要的变量,此外,将胎次和泌乳天数纳入预测变量,可提高模型的预测精度。 相似文献
80.