首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   2297篇
  免费   116篇
  国内免费   91篇
林业   433篇
农学   86篇
基础科学   272篇
  194篇
综合类   1095篇
农作物   51篇
水产渔业   22篇
畜牧兽医   235篇
园艺   90篇
植物保护   26篇
  2024年   4篇
  2023年   41篇
  2022年   37篇
  2021年   28篇
  2020年   61篇
  2019年   58篇
  2018年   33篇
  2017年   82篇
  2016年   92篇
  2015年   92篇
  2014年   125篇
  2013年   123篇
  2012年   128篇
  2011年   132篇
  2010年   132篇
  2009年   160篇
  2008年   114篇
  2007年   138篇
  2006年   94篇
  2005年   111篇
  2004年   69篇
  2003年   82篇
  2002年   61篇
  2001年   60篇
  2000年   48篇
  1999年   24篇
  1998年   46篇
  1997年   31篇
  1996年   36篇
  1995年   37篇
  1994年   42篇
  1993年   21篇
  1992年   25篇
  1991年   41篇
  1990年   32篇
  1989年   37篇
  1988年   11篇
  1987年   6篇
  1986年   2篇
  1985年   2篇
  1984年   2篇
  1983年   1篇
  1965年   2篇
  1956年   1篇
排序方式: 共有2504条查询结果,搜索用时 15 毫秒
1.
草地地上生物量(Aboveground biomass,AGB)是衡量草地生产力的关键因素,准确测定草地AGB具有重要意义。高光谱因具有时效性强、不破坏草地等特点被广泛用于草地生理生态指标的测定。本研究提取和计算了海北试验站高寒草地冠层的原始光谱(Original spectrum,OR)反射率、一阶微分光谱(First derivative spectrum,FD)反射率、光谱位置面积参数(Spectral parameters of spectral position and area,PA)和植被指数(Vegetation indices,VI)4种不同类型的特征变量,使用连续投影算法(Successive projections algorithm,SPA)和递归特征消除算法(Recursive feature elimination,RFE)进行特征选择,采用随机森林算法(Random forest,RF)构建草地AGB估测模型。结果表明:在由4种特征变量分别构建的草地AGB估测模型中,基于VI的RF模型精度最高(测试集R2=0.70,RMSE=557.87 kg·ha-1),实测AGB与估测AGB的线性R2达到0.72;不同类型特征变量组合构建的草地AGB估测模型中,PA+VI组合的RF模型精度最高(R2=0.71,RMSE=548.97 kg·ha-1),实测AGB和估测AGB的线性R2达到0.73。  相似文献   
2.
Aquabacterium olei RBRC 110486是一种新发现的具有降解石油能力的革兰氏阴性菌。为进一步探究该菌株降解石油的分子机制,挖掘菌株可能存在的生物功能,本研究使用PacBio高通量测序技术对其进行全基因组测序,基于完成图进行基因预测、功能注释以及次级代谢产物合成基因簇预测。该菌株基因组大小为3 890 087 bp,GC含量为67.33%,共3 402个蛋白;另外发现大小为366 221 bp的环形质粒pTB101,GC含量为66.91%,325个蛋白。共预测到2个可能的次级代谢产物合成基因簇。定位了该菌株的石油降解关键酶链烷1-单加氧酶AlkB,与假单胞菌属聚类在同一个分支。该基因组是Aquabacterium属的首个报道的序列完成图,已提交至美国国立生物技术信息中心(NCBI)的GenBank数据库,登录号分别为CP029210和CP029211。以上研究将为菌株NBRC 110486的功能基因组学及石油降解特性研究提供基础数据。  相似文献   
3.
为提高卷烟制丝工艺质量,本文选取某卷烟厂制丝部工艺质量的统计数据,采用帕累托图进行质量因素分类统计,并结合人、机、料、法、环进行鱼骨图分析,探究工艺质量问题的原因。研究表明:与"机"相关的质量问题占比达到62%,包括数采异常、设备故障和测温仪异常等;其次是人、料、环、法环节,包括参数调控、料头水分、天气变化和考核方法等。因此,在制丝过程中,应重点加强设备的保养和巡察,强化操作人员的管理和培训,确保设备正常、稳定运行,才能提升卷烟制丝工艺质量。  相似文献   
4.
针对建筑材目的油松人工林经营措施,探讨不同生长发育阶段油松人工林密度调控下蓄积变化,为森林可持续经营提供科学依据。对河北平泉阳坡中土、阴坡中土和阴坡厚土3种主要立地类型的全生命周期油松人工林编制密度管理图,得出培育小、中、大径级建筑材措施。结果表明:河北油松建筑材林的培育,阳坡中土培育小径材、阴坡中土和阴坡厚土培育中大径材,期间经过2~3次间伐以达到高效培育的目的。阳坡中土林分,初植密度3 000~3 300株/hm2,10年生间伐强度12%,15年生强度20%,25年生强度25%,主伐时树高级为9~11 m,培育小径材。阴坡中土林分,初植密度2 700~3 000株/hm2,9年生间伐强度25%,19年生强度30%,主伐时树高级为9~11 m,培育中径材;初植密度2 200~2 500株/hm2,9年生间伐强度20%,17年生强度25%,27年生强度30%,主伐时树高级为11~13 m,培育大径材。阴坡厚土林分,初植密度2 000~2 300株/hm2,7年生间伐强度20%,15年生强度30%,主伐时树高级为11~13 m,培育中径材;初植密度1 000~1 200株/hm2,7年生间伐强度20%,13年生强度20%,23年生强度25%,主伐时树高级为13~15 m,培育大径材。  相似文献   
5.
文章以了解分析内蒙古图牧吉国家级自然保护区雁形目鸟类种类及分布特征并更好地保护管理的目的,于2017年4月至2018年1月份春、夏、秋、冬四个季节,采用样线和样点统计法,对保护区图牧吉泡子和三道泡子两处湖泊湿地雁形目鸟类种类和数量进行调查统计。结果显示:共观察记录到雁形目鸟类22种,隶属于1科8属。图牧吉泡子和三道泡子分别观察到19种和14种。两处湖泊湿地之间距离虽然较近,但雁形目鸟类种类有较大的区别,其中图牧吉泡子不仅种类多,而且珍稀濒危物种的分布也较集中。保护区雁形目鸟类时空分布特征与两处湖泊湿地各自食物资源、隐蔽条件和人为干扰程度有关外也与鸟类本身的迁徙规律和种间竞争有着密切关系。  相似文献   
6.
以永平县林业矢量数据为例,利用91卫图助手软件和ArcGIS软件,通过北京54坐标系矢量数据在各坐标系下叠加、坐标系转换参数的计算、矢量数据坐标系的转换等步骤,阐述实现矢量数据坐标系WGS84、北京54、西安80和国家2000坐标系相互转换的方法,以实现各类自然资源矢量数据的共享。  相似文献   
7.
针对传统土地整治项目施工监管、后期监测效率不高的问题,本文通过低空无人机航摄和PhotoScan软件后期处理,对比生成的正射影像图和Google earth卫星图的分辨率和位置,发现该影像图能精准、高效地表征项目区影像数据变化,得到一种可用于土地整治项目各阶段动态观测的简单、快捷方法,以期为土地整治项目的发展提供参考。  相似文献   
8.
针对传统土地整治项目施工监管、后期监测效率不高的问题,本文通过低空无人机航摄和PhotoScan软件后期处理,对比生成的正射影像图和Google earth卫星图的分辨率和位置,发现该影像图能精准、高效的表征项目区影像数据变化,从而得到一种可用于土地整治项目各阶段动态观测的简单、快捷方法。  相似文献   
9.
为提高诱虫板图像蔬菜害虫检测精度,针对背景区域容易导致误检的问题基于显著图分析技术构建了一种注意力深度网络害虫智能视觉检测方法。首先通过显著图筛选出粗候选区域;然后在粗候选区域内用全卷积神经网络精选出细候选区域;接着用神经网络分类器识别细候选区域害虫种类,得到含有冗余的若干检测框;最后用改进的非极大值抑制消除冗余检测框,实现诱虫板图像中目标害虫的检测。针对小菜蛾和瓜实蝇展开试验,获得86.4%的平均精度均值和0.111只的平均绝对计数误差均值,所提方法平均精度均值比Faster R-CNN和YOLOv4分别高2.74和1.56个百分点,平均绝对计数误差均值比Faster R-CNN和YOLOv4分别低0.006和0.003只;同时,消融试验中移除显著图注意力模块后平均精度均值下降了4个百分点、平均绝对计数误差均值增加了0.207只。试验结果表明,所提方法有效提高了诱虫板图像蔬菜害虫检测精度,其中,引入显著图注意力模块对提升检测精度有重要作用。  相似文献   
10.
基于YOLO v3与图结构模型的群养猪只头尾辨别方法   总被引:1,自引:0,他引:1  
在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。  相似文献   
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号