全文获取类型
收费全文 | 22764篇 |
免费 | 1071篇 |
国内免费 | 900篇 |
专业分类
林业 | 2934篇 |
农学 | 848篇 |
基础科学 | 2731篇 |
2158篇 | |
综合类 | 8324篇 |
农作物 | 402篇 |
水产渔业 | 662篇 |
畜牧兽医 | 5391篇 |
园艺 | 707篇 |
植物保护 | 578篇 |
出版年
2024年 | 23篇 |
2023年 | 389篇 |
2022年 | 490篇 |
2021年 | 556篇 |
2020年 | 692篇 |
2019年 | 448篇 |
2018年 | 310篇 |
2017年 | 527篇 |
2016年 | 668篇 |
2015年 | 792篇 |
2014年 | 1374篇 |
2013年 | 1223篇 |
2012年 | 1469篇 |
2011年 | 1560篇 |
2010年 | 1426篇 |
2009年 | 1530篇 |
2008年 | 1540篇 |
2007年 | 1286篇 |
2006年 | 1211篇 |
2005年 | 992篇 |
2004年 | 880篇 |
2003年 | 756篇 |
2002年 | 660篇 |
2001年 | 657篇 |
2000年 | 530篇 |
1999年 | 441篇 |
1998年 | 329篇 |
1997年 | 265篇 |
1996年 | 313篇 |
1995年 | 266篇 |
1994年 | 265篇 |
1993年 | 148篇 |
1992年 | 152篇 |
1991年 | 148篇 |
1990年 | 151篇 |
1989年 | 130篇 |
1988年 | 45篇 |
1987年 | 25篇 |
1986年 | 14篇 |
1985年 | 4篇 |
1984年 | 6篇 |
1983年 | 6篇 |
1982年 | 8篇 |
1981年 | 5篇 |
1980年 | 2篇 |
1979年 | 4篇 |
1978年 | 3篇 |
1976年 | 3篇 |
1973年 | 3篇 |
1957年 | 5篇 |
排序方式: 共有10000条查询结果,搜索用时 62 毫秒
1.
刘昊 《干旱区资源与环境》2021,(2):88-95
作物识别是提取作物种植结构的基础,利用遥感技术对作物进行监测识别,对优化生产布局、调整农业生产模式有着重要意义。文中选取河套灌区杭锦后旗为研究区域,基于2019年覆盖生长周期的Sentinel-2号卫星影像数据,构建NDVI时间序列数据集,利用Savitzky-Golay(S-G)滤波对NDVI时间序列数据集进行平滑,分析不同作物不同发育期的光谱曲线特征,计算各主要作物识别关键期的光谱阈值,构建基于决策树分层分类的农作物种植面积提取模型,并用验证样本对分类结果进行精度验证。结果表明:利用整个生育期内的NDVI最大合成影像确定植被地表覆盖,NDVI曲线变化区别林地与耕地,逐层提取地物,简便易行;采用S-G滤波重构高质量的NDVI时间序列曲线,研究证明重构后曲线更加平滑符合作物生长趋势;基于Sentinel-2号遥感数据和整个生育期NDVI时序数据,构建分层分类决策树模型,作物分类总体精度达92.1%,Kapppa系数精度达0.857。本研究采用的方法满足遥感观测应用化需求,也为县级区域农作物分类提供重要参考价值。 相似文献
2.
基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演 总被引:6,自引:5,他引:1
土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该研究提出了一种基于特征选择和GA-BP神经网络(Genetic Algorithm-Back Propagation neural network)的多源遥感农田地表土壤水分反演方法。首先对Sentinel-1微波遥感数据和Sentinel-2光学遥感数据进行预处理并提取21个特征参数;然后采用差分进化特征选择(Differential Evolution Feature Selection,DEFS)算法从21个特征中选出包含10个参数的最优特征子集,并利用主成分分析(Principal Component Analysis,PCA)法将特征子集进行降维;之后建立BP神经网络,采用遗传算法(GeneticAlgorithm,GA)对BP网络的节点权值进行优化,使用降维后的特征矩阵和部分实测土壤含水量数据对BP网络进行训练;最后利用训练好的GA-BP网络对研究区土壤水分进行反演,并利用实测数据对反演结果精度进行对比验证。试验结果表明,该研究反演结果的决定系数为0.789 3,均方根误差为0.028 7 cm~3/cm~3,相比单纯使用GA-BP神经网络,加入DEFS和PCA之后决定系数提高了0.215 7,同时均方根误差降低了0.029 5 cm~3/cm~3。该结果展示了DEFS和PCA算法在土壤水分反演最优特征集选择的有效性,为多源遥感农田地表土壤水分反演提供了新思路。 相似文献
3.
林分植被覆盖在很大程度上能够反映林分生态系统的健康与否,其时空变化是林分生态系统发展方向的判断依据。对玉溪市2010—2019年林分植被覆盖的时空格局变化进行了分析,并利用单因素和多元回归分析方法分别建立回归模型探索了林分植被覆盖改善与退化的驱动因素。结果表明:林分植被覆盖整体呈向好趋势,各驱动因素与斜率均不是简单线性关系;道路和居民区与林分植被覆盖改善速度呈负相关、与退化速度呈正相关;DEM、坡度、大型水体、公益林管护与林分植被覆盖改善速度呈正相关、与退化速度呈负相关;坡向与林分植被覆盖改善速度呈正相关,地形起伏度与林分植被覆盖退化速度呈负相关。林分植被覆盖改善与退化的驱动力不尽相同,影响机制也存在差异,这为更好制定生态保护相关政策提供了有力的科学依据。 相似文献
4.
[目的] 有效掌握滑坡变形规律,实现对滑坡变形的高精度预测。[方法] 基于滑坡现场变形监测成果,先利用优化经验模态实现其变形数据的信息分解,再利用优化径向基神经网络和马尔科夫链完成滑坡变形的分项组合预测;最后,利用季节性Kendall检验判断滑坡变形趋势,以验证预测结果的可靠性。[结果] 经验模态能有效分解滑坡变形信息,且通过优化处理,能进一步提高分解效果,并以互补式集合经验模态的分解效果最优;同时,预测结果的平均相对误差均小于2%,具有较高的预测精度,验证了预测模型的有效性,且变形趋势判断结果与预测结果较为一致,说明预测过程较为可靠,两者均得出滑坡变形呈持续增加趋势。[结论] 由于滑坡变形具增加趋势,其稳定性趋于不利方向发展,应尽快开展滑坡灾害防治。 相似文献
5.
基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统目标检测应用 总被引:2,自引:0,他引:2
为评估金枪鱼延绳钓系统运行质量、降低人工成本,以及从金枪鱼延绳钓系统电子监控EMS系统中提取浮球、金枪鱼数量等信息,本文提出一种基于深度学习YOLOV5网络模型的金枪鱼延绳钓电子监控系统浮球及金枪鱼目标检测方法,从HNY722远洋渔船EMS系统视频监控数据中截取包含有目标浮球和金枪鱼的15578帧关键帧,将所有关键帧及其标记文件划分为14178个训练数据及1400个验证数据,基于YOLOV5s、YOLOV5l、YOLOV5m、YOLOV5x等4种YOLOV5神经网络模型,设计分组训练试验对比训练效果.结果表明:参与训练的4种神经网络模型均可完成金枪鱼延绳钓电子监控系统的目标检测任务,但网络模型的选择对广义交并比损失(GIoU loss)、目标检测损失(objectness loss)、准确率(precision)、召回率(recall)、多类别平均精度值(mAP)等参数具有显著性影响(P<0.05),对目标分类损失(classifi-cation loss)参数无显著性影响(P>0.05);检测效果表现较好的模型是YOLOV5l和YOLOV5m,二者的mAP@0.5值分别为99.1%和99.2%,召回率分别为98.4%和98.3%,但YOLOV5m网络模型在GIoU损失等表现上劣于YOLOV5l.研究表明,4种网络模型中YOLOV5l模型是最适合应用于金枪鱼延绳钓电子监控系统目标检测的网络模型. 相似文献
6.
土壤磷素含量是评价土壤养分的重要指标之一。利用热红外发射率数据对土壤全磷含量进行反演的研究较少且多使用常规线性回归方法,本文利用东北海伦地区采集的热红外航空成像光谱仪TASI(Thermal Airborne Hyperspectral Imager)数据,通过机器学习方法探究黑土土壤发射率与全磷含量关系,选出最优模型对研究区土壤全磷含量进行预测研究。结果表明:在8 ~ 11.5 μm范围内,土壤热红外发射率值随着全磷含量的增加而增加;除原始光谱10.792 μm这一波段外,发射率值及其数学变换与全磷含量相关系数均在0.5以下,相关性较弱;在DNN(Deep Neural Networks)训练集和测试集中,从模型精度和PSO(Particle Swarm Optimiazation)算法优化时间来看,弹性传播训练算法(RP)表现最佳,决定系数R2分别为0.51、0.7,均方根误差RMSE分别为0.0443、0.0301;激活函数对本次构建的网络精度影响非常有限,激活函数为Tansig和ReLU的深度神经网络模型训练集精度基本与偏最小二乘及逐步回归模型一致,测试集精度有所提高但稳定性较为欠缺;研究区土壤全磷含量整体较高,水田和旱田含量均大于0.8 g kg?1,城镇及建筑群密集程度与土壤全磷含量呈负相关,与偏最小二乘模型对土壤全磷含量预测结果相比,神经网络模型对研究区土壤全磷含量小于0.6 g kg?1和0.6 ~ 0.8 g kg?1两区间做了更多划分,将更多人为活动密集区附近像元划分到该含量区间内,从而使得预测含量更加符合真实情况分布;总体来看,全磷含量最高值集中分布于研究区西部、西北及西南部,但在东部及其北部区域则呈无规律性分散分布,中部地区及其余地区含量值大多为0.8 ~ 1.0 g kg?1。综上,合适调参的深度神经网络模型在反演土壤元素类问题中的表现与偏最小二乘及逐步回归等方法相比更加具有发展的潜力,在样本数据量足够的前提下,深度神经网络能够得到充分训练从而使得预测结果更加精确、稳定。 相似文献
7.
为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism, AM-CNN-LSTM)热误差模型。利用卷积神经网络提取高维数据空间状态特征的能力和长短时记忆网络提取长时间序列状态特征的能力,构建具有2个支路的热误差模型,分别提取特征后输入到注意力机制中进行特征重要性重构,建立原始数据与热误差的特征映射,最后通过全连接层进行热误差预测。采用G460L型数控机床进行实验数据采集,将不同季节采集到的温度数据和热误差作为模型输入,采用循环学习率与正则化优化方法对模型进行训练。与LSTM、ConvLSTM和CNN-LSTM热误差模型对比,结果表明,AM-CNN-LSTM模型对特征还原能力最强,残差波动范围最小,其残差范围较最大值下降62.09%,模型预测精度在2.4μm以内。 相似文献
8.
树种信息对林业资源监测和管理具有重要意义,及时准确地掌握树种及长势状况是防护林工程建设与效益评价的基础。为研究利用无人机高光谱数据进行防护林树种分类的效果,选取典型区域使用Matrice600型六旋翼无人机搭载Rikola高光谱成像仪获取高光谱影像,基于支持向量机-递归特征消除算法(SVM-RFE)选取原始波段最佳组合,再结合纹理特征、植被指数和数理统计特征,使用随机森林算法对所有特征进行重要性评估并与分类精度相结合进行特征优化,进而构建高光谱影像全波段、原始波段最佳组合、全部特征变量、基于随机森林(RF)特征优化后特征变量4种分类方案,分别采用最大似然法(MLC)、支持向量机(SVM)、随机森林对防护林优势树种进行分类。结果表明:所提出的基于交叉验证的SVM-RFE算法选出的原始波段组合能更好地还原原始光谱特征;通过RF算法的特征重要性分析与分类精度相结合的方法可以有效选出重要特征,当使用全部特征的85%(包括17个光谱特征、3个纹理特征、5个植被指数和3个数理统计特征)进行分类时,总体精度最高为9593%(Kappa系数为0.9475);所有特征中植被指数特征最重要,3种分类方法中RF算法分类总体精度(OA)最高。 相似文献
9.
基于改进YOLO v3的自然场景下冬枣果实识别方法 总被引:4,自引:0,他引:4
为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3(YOLO v3-SE)的冬枣果实识别方法。YOLO v3-SE模型利用SE Net 的SE Block结构将特征层的特征权重校准为特征权值,强化了有效特征,弱化了低效或无效特征,提高了特征图的表现能力,从而提高了模型识别精度。YOLO v3-SE模型经过训练和比较,选取0.55作为置信度最优阈值用于冬枣果实检测,检测结果准确率P为88.71%、召回率R为83.80%、综合评价指标F为86.19%、平均检测精度为82.01%,与YOLO v3模型相比,F提升了2.38个百分点,mAP提升了4.78个百分点,检测速度无明显差异。为检验改进模型在冬枣园自然场景下的适应性,在光线不足、密集遮挡和冬枣不同成熟期的情况下对冬枣果实图像进行检测,并与YOLO v3模型的检测效果进行对比,结果表明,本文模型召回率提升了2.43~5.08个百分点,F提升了1.75~2.77个百分点,mAP提升了2.38~4.81个百分点,从而验证了本文模型的有效性。 相似文献
10.
以虫眼、活节、死节3种缺陷的板材为研究对象,建立了小型样本库,采用数据增强方法,对图片进行旋转、平移、尺度变换、灰度变换等方式处理,使样本库扩容到10687张图片,其中7480张图片作为训练集、2137张图片作为验证集、1070张图片作为测试集;应用超分辨率测试序列(VGG)网络模型、谷歌网络模型(GoogLeNet)、残差神经网络模型(ResNet)对木质板材表面缺陷进行分类,依据分类精度,遴选识别效果较好的木质板材缺陷分类方法.结果表明:残差神经网络模型在不同的卷积层时分类精度均在80%以上,而改进的残差神经网络模型在模型结构为50层时的分类准确率高达98.63%,模型能较好地适用于木质板材表面缺陷分类. 相似文献