全文获取类型
收费全文 | 989篇 |
免费 | 103篇 |
国内免费 | 157篇 |
专业分类
林业 | 117篇 |
农学 | 47篇 |
基础科学 | 128篇 |
243篇 | |
综合类 | 454篇 |
农作物 | 47篇 |
畜牧兽医 | 130篇 |
园艺 | 3篇 |
植物保护 | 80篇 |
出版年
2024年 | 4篇 |
2023年 | 61篇 |
2022年 | 81篇 |
2021年 | 85篇 |
2020年 | 80篇 |
2019年 | 62篇 |
2018年 | 51篇 |
2017年 | 60篇 |
2016年 | 62篇 |
2015年 | 74篇 |
2014年 | 70篇 |
2013年 | 70篇 |
2012年 | 67篇 |
2011年 | 70篇 |
2010年 | 79篇 |
2009年 | 54篇 |
2008年 | 59篇 |
2007年 | 40篇 |
2006年 | 34篇 |
2005年 | 21篇 |
2004年 | 19篇 |
2003年 | 11篇 |
2002年 | 5篇 |
2001年 | 7篇 |
2000年 | 1篇 |
1999年 | 3篇 |
1998年 | 8篇 |
1997年 | 3篇 |
1995年 | 2篇 |
1994年 | 1篇 |
1993年 | 4篇 |
1992年 | 1篇 |
排序方式: 共有1249条查询结果,搜索用时 31 毫秒
1.
为探究利用高光谱植被指数反演叶片总初级生产力(GPP)的模型,以湖北省武汉大学试验田油菜和小麦叶片高光谱反射率和光照强度(PARin)为数据源,利用7种植被指数与PARin的乘积分别反演2种植被叶片GPP,构建线性及非线性回归模型,并对模型进行验证。结果表明:1)从油菜生理特点出发,需要分生育期建模。在选择的7种植被指数中,花期SR构建的一次模型效果最优,建模和验模R2分别为0.80和0.82,RMSE不超过2.85g/(m~2·d);荚果期选择CIred edge和MTCI为优选模型,建模和验模R2为0.84和0.72,RMSE3.91g/(m~2·d);全时期基于红边波段的CIred edge、MTCI为优选模型,建模集R2达到0.80,RMSE3.67g/(m~2·d),验模R2达到0.65,RMSE3.92g/(m~2·d);2)小麦中NDVI模型效果最优,建模集R2=0.59,RMSE=2.80g/(m~2·d),验模R2=0.67,RMSE=3.39g/(m~2·d)。将油菜与小麦做对比,基于红边波段的植被指数CIred edge和MTCI对2种植被差异不敏感,R2为0.72~0.73,表明CIred edge和MTCI模型可以用于小麦和油菜叶片GPP的统一反演。 相似文献
2.
不同生育时期冬小麦叶片相对含水量高光谱监测 总被引:2,自引:0,他引:2
为实现冬小麦不同生育时期叶片水分含量的快速监测,以冬小麦冠层高光谱数据和红外热成像数据为基础,计算得到5种光谱参数,通过对不同生育时期叶片相对含水量与光谱参数拟合状况进行分析和筛选,分别构建了基于光谱参数的叶片相对含水量反演模型,并对模型进行检验。结果表明,不同生育时期叶片相对含水量与比值指数(RVI)、归一化差值植被指数(NDVI)、比值/归一化植被指数(R/ND)、优化土壤调整植被指数(OSAVI)、冠气温差(TDc-a)均呈极显著相关(P<0.01);拔节期、抽穗期、开花期、灌浆前期和灌浆后期叶片相对含水量分别与NDVI、OSAVI、R/ND、TDc-a和TDc-a拟合效果较好,决定系数分别为0.842、0.884、0.831、0.864和0.945;预测模型的均方根误差分别为0.019、0.016、0.027、0.032和0.024,相对误差分别为2.16%、1.80%、3.30%、3.81%和3.53%。因此,在拔节期、抽穗期、开花期、灌浆前期和灌浆后期,可以分别利用NDVI、OSAVI、R/ND、TDc-a和TDc-a估测冬小麦叶片相对含水量。 相似文献
3.
《安徽农业科学》2020,(3):61-68
以我国天山乌鲁木齐河源1号冰川(以下简称1号冰川)为例,基于Landsat TM/ETM/OLI和Sentinel-2A MSI数据,利用归一化差异积雪指数(NDSI)和阈值法提取该冰川2002—2015年的平衡线高度,并利用站点实测的冰川ELA数据和气象数据对提取的平衡线高度进行了验证。结果表明,2002—2015年遥感获取的平衡线高度呈总体上升的趋势,与实测的平衡线具有高度相关性(r=0.9);ELA与年物质平衡序列高度相关,物质平衡波动的平均解释率可高达69%;与气象要素(温度和降水)年际变化的相关性也很高,约有59%的冰川ELA变化可以用夏季气温和降水来解释。因此,利用遥感数据可以提取高精度的冰川平衡线高度数据,对无站点数据冰川的平衡线高度以及物质平衡研究具有一定的借鉴意义。 相似文献
4.
[目的]调查天山西部生态环境植被覆盖状况,为科学保护区域生态环境和管理提供科学依据。[方法]以天山西部林区—霍城林场为研究对象,基于1999,2007和2016年3个时期的Landsat TM遥感影像和DEM数据,运用归一化植被指数分析研究区植被覆盖情况和空时变化特征。[结果]时间变化上,1999—2016年期间霍城林场植被覆盖以Ⅱ和Ⅲ级为主,所占比重达到55%以上,总体上是呈现上升趋势;空间分布上,霍城林场因海拔、坡度和坡向等地形因子的不同而出现不同的分布和变化特征,当海拔在1 500~2 000 m和2 000~2 500 m或者坡度30°~45°的区域时,植被覆盖度相对较高;当海拔 < 1 500 m以及 > 2 500 m或坡度 < 30°的区域时,植被覆盖度相对较低;植被覆盖度随着坡向的变化而变化着,呈现出阴坡 > 半阴坡 > 半阳坡 > 阳坡的分布特征;当海拔 < 1 500m和坡度 < 30°的区域时,植被覆盖度变化较为明显,而当海拔 > 2 500 m和坡度 > 45°的区域时,因受人为社会活动影响小,植被覆盖变化不明显。[结论]1999—2016年期间,霍城林场植被覆盖在时间变化上总体呈现上升趋势,在空间分布上因海拔、坡度和坡向等地形因子的不同呈现不同的分布和变化特征。 相似文献
5.
基于无人机遥感影像的冬小麦氮素监测 总被引:7,自引:0,他引:7
精准氮素管理是一项提高作物氮肥利用效率的有效策略,利用无人机遥感技术精确估测小麦氮素状况是必要的。试验在山东省乐陵市科技小院实验基地进行,利用八旋翼无人机搭载Mini-MCA多光谱相机于2016年获取冬小麦4个关键生育时期(返青期、拔节期、孕穗期、扬花期)冠层多光谱数据,同步获取地上部植株样品并测定其生物量、吸氮量、氮营养指数,及成熟期籽粒产量,根据各关键生育期与全生育期分别构建植被指数与农学参数回归分析模型,评估基于无人机遥感影像的冬小麦氮素营养诊断潜力。结果表明:基于无人机遥感影像能够较好地估测冬小麦氮素指标(R2为0.45~0.96),决定系数随着生育期推移而逐渐增大。拔节期、孕穗期和扬花期估产效果接近且具有很好的估测能力,扬花期DATT幂函数模型对小麦氮营养指数的解释能力最强(R2=0.95)。因此,以多旋翼无人机为平台同步搭载多光谱相机对冬小麦有较好的氮素诊断潜力,可利用估测结果指导精准氮肥管理。 相似文献
6.
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
7.
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
8.
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
9.
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
10.
《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