全文获取类型
收费全文 | 55025篇 |
免费 | 8119篇 |
国内免费 | 3591篇 |
专业分类
林业 | 4802篇 |
农学 | 4926篇 |
基础科学 | 3748篇 |
7104篇 | |
综合类 | 25029篇 |
农作物 | 3707篇 |
水产渔业 | 2412篇 |
畜牧兽医 | 8501篇 |
园艺 | 3345篇 |
植物保护 | 3161篇 |
出版年
2025年 | 84篇 |
2024年 | 1308篇 |
2023年 | 1265篇 |
2022年 | 2457篇 |
2021年 | 2583篇 |
2020年 | 2499篇 |
2019年 | 2401篇 |
2018年 | 1635篇 |
2017年 | 2712篇 |
2016年 | 1950篇 |
2015年 | 2863篇 |
2014年 | 2930篇 |
2013年 | 3352篇 |
2012年 | 4721篇 |
2011年 | 5025篇 |
2010年 | 4601篇 |
2009年 | 4070篇 |
2008年 | 3952篇 |
2007年 | 3533篇 |
2006年 | 2804篇 |
2005年 | 2173篇 |
2004年 | 1304篇 |
2003年 | 965篇 |
2002年 | 1021篇 |
2001年 | 966篇 |
2000年 | 860篇 |
1999年 | 552篇 |
1998年 | 337篇 |
1997年 | 272篇 |
1996年 | 222篇 |
1995年 | 208篇 |
1994年 | 190篇 |
1993年 | 178篇 |
1992年 | 130篇 |
1991年 | 128篇 |
1990年 | 125篇 |
1989年 | 112篇 |
1988年 | 70篇 |
1987年 | 45篇 |
1986年 | 24篇 |
1985年 | 17篇 |
1984年 | 15篇 |
1983年 | 9篇 |
1982年 | 6篇 |
1981年 | 9篇 |
1979年 | 5篇 |
1963年 | 3篇 |
1962年 | 8篇 |
1956年 | 15篇 |
1955年 | 6篇 |
排序方式: 共有10000条查询结果,搜索用时 0 毫秒
21.
22.
23.
24.
茶叶滋味是评价茶叶品质的关键指标之一,也是茶叶分级和市场定价的关键因素。提出基于电子舌和近红外光谱多模态融合技术的不同等级滇红工夫红茶样品滋味品质快速评价方法。利用蚁群优化(Ant colony optimization, ACO)算法得到的味觉特征数据,建立支持向量机(Support vector machine, SVM)的等级预测模型。以近红外光谱仪采集的样本光谱为特征,利用粒子群算法、灰狼优化算法、模拟退火算法和ACO等特征选择方法以及极限学习机、偏最小二乘法判别分析和SVM等分类算法建立了等级判别模型。研究结果显示,采用多模态融合技术对电子舌味觉特征和光谱特征进行总和特征融合,可建立有效的滇红工夫红茶品质等级的融合判别模型。与单一特征数据模型的预测性能相比,基于融合数据的SVM模型判别准确率更高。结果表明,基于融合数据的SVM最佳预测模型正确判别率为94.42%。可见,特征数据的融合能够更全面地反映待测样品的内在属性,基于电子舌和近红外光谱的融合技术对于评价滇红工夫红茶品质具有良好的应用前景。 相似文献
25.
为探明沈乌灌域节水改造后因渠道衬砌、引排水量减少引起的土壤含盐量时空分布特征及变化规律,采用区域土壤信息定点监测,结合经典统计学、空间插值以及机器学习建模反演等技术手段,利用Landsat 8卫星获取光谱数据,通过对实测土壤含盐量、光谱指数及波段反射率进行处理,运用Adaboost回归、BP神经网络回归、梯度提升树回归、KNN回归、决策树回归、随机森林回归方法构建了沈乌灌域土壤含盐量空间反演模型。采用最优反演模型对沈乌灌域土壤含盐量空间分布特征进行了遥感反演。结果表明: 通过全变量单一回归法筛选出相关系数大于0.55的9个光谱因子,使用SPSS PRO软件构建6种机器学习反演模型,对比6种反演模型精度,验证集决定系数R2由大到小依次为随机森林回归、梯度提升树回归、Adaboost回归、KNN回归、决策树回归、BP神经网络回归。其中随机森林回归模型的拟合精度最佳,训练集与验证集的决定系数R2分别为0.834和0.86,说明随机森林回归模型的反演效果较好。反演结果表明:节水改造后非盐渍土面积增加391.7km2,占灌域总面积的21%,中度盐渍土面积、重度盐渍土面积、盐土面积分别减少95.61、63.37、45.7km2,分别占灌域总面积的5%、3%、2%。综上所述,节水改造工程完成后,沈乌灌域土壤盐渍化程度减轻,作物生长安全区面积增加,但由于渠道衬砌以及引排水量减少,土壤盐分淋洗效果减弱,土壤盐分在灌域内部运移,整体土壤环境得到改善,局部地区出现盐分聚集。 相似文献
26.
过流边界形态随磨损时间的变化对客观真实地反映双吸离心泵磨损特性及磨损形貌至关重要。采用欧拉-拉格朗日方法,配合磨损壁面几何重构的动态边界法,对黄河平均含沙量及粒径下甘肃省景泰川泵站双吸离心泵进行固液两相流计算,结合实验数据,预测了该泵叶片渐进磨损特性,分析了叶片磨损机理及壁面几何形貌变化对泵性能影响。结果表明:以冲击角函数最大值对应冲击角α0为阈值,小于α0磨损形貌呈类圆形凹坑,大于α0磨损形貌呈沟槽状,冲击角在50°~75°范围且冲击速度高的叶片区域磨损率大,叶片磨损程度严重;根据该泵水力性能损失率变化特性,将预测期划分为3个阶段,磨损率在初期增长率最大,但在数量级上远小于中、后期,使前1 000 h磨损阶段扬程损失率、效率损失率、叶片质量损失率均小于其他阶段;上述3个参数的增长均呈初期慢、中期快、后期减缓的趋势,最大增长率均在磨损中期,参数变化曲线斜率分别为1.51×10-3、1.97×10-3、4.12×10-3,在1 000~6 000 h磨损时长范围内,磨损导致双吸离心泵性能下降最快。 相似文献
27.
28.
29.
西部地区文冠果种群种子特征及主要化学成分的地理变化 总被引:1,自引:0,他引:1
通过野外实际调查和测定,对我国西部地区8个文冠果天然群体的种子特征及主要化学成分进行研究。结果表明: 8个文冠果种群的种子横径为1.05~1.51 cm,纵径为0.86~1.38 cm,种形指数为1.07~1.32,种群间存在显著差异; 陕西延安种群种子的千粒质量和出仁率均最大,分别为1 108.4 g和48.28%,显著高于甘肃和青海种群; 8个种群的种仁含油率均在53%以上,且不同种群间差异显著; 文冠果种仁油含有12种脂肪酸,其中含量最高的是亚油酸(40.90%~46.12%),其次是油酸(29.21%~31.25%); 含有17种氨基酸(22.53%~27.58%),包括7种必需氨基酸,占总氨基酸的27.61%。相关分析结果表明: 文冠果种形指数表现出明显的地理变化规律,随经度的增加,种形指数逐渐减小; 种子千粒质量与4-9月份的降水量呈极显著正相关,与年平均温度呈显著正相关,与年干燥度呈显著负相关; 种仁油含量随地理经度的减小而降低,与4-9月份的降水量呈显著正相关; 种仁氨基酸含量与地理经度及无霜期相关性显著,随经度和无霜期的增加而增大,即东部地区氨基酸含量较高。 相似文献
30.
秦岭南坡林地土壤有机碳密度空间分异特征 总被引:4,自引:0,他引:4
[目的]研究陕西秦岭南坡林地土壤有机碳密度空间分异特征,为秦岭林区土壤有机碳科学管理提供理论依据。[方法]在陕西秦岭南坡不同林区(洋县长青、佛坪县龙草坪、太白县太白山、宁陕县宁东和宁陕县宁西)及立地条件(海拔、坡向、坡位和坡度)设置样地,通过调查、取样和测定,采用差异性检验分析不同立地因子对土壤有机碳密度(tC·hm-2)的影响,并通过逐步回归分析量化各因子对土壤有机碳密度影响的相对重要性。[结果]秦岭南坡林地土壤有机碳密度均值为125.41 tC·hm-2(52.60~307.36 tC·hm-2),在0~10,10~30和30~60 cm土层分别为59.04,41.65和24.73 tC·hm-2,分别占土壤有机碳总密度的47.07%,33.21%和19.72%;秦岭南坡不同林区土壤有机碳密度差异较大,表现为龙草坪(143.55 tC·hm-2) > 宁东(138.37 tC·hm-2) > 宁西(134.09 tC·hm-2) > 太白山(109.29 tC·hm-2) > 长青(90.22 tC·hm-2);土壤有机碳密度随海拔升高先增后降,在海拔800~1 200 m最低(平均90.24 tC·hm-2),在海拔2 000~2 400 m最大(平均166.43 tC·hm-2),当海拔高于2 400 m后下降(平均132.51 tC·hm-2);阴坡土壤有机碳密度(127.23 tC·hm-2)稍高于阳坡(123.25 tC·hm-2);土壤有机碳密度随坡度增大而降低,由147.52 tC·hm-2减至87.06 tC·hm-2;土壤有机碳密度在下坡位(166.36 tC·hm-2)大于中坡位(129.43 tC·hm-2)和上坡位(77.14 tC·hm-2)。[结论]秦岭南坡林地土壤有机碳密度存在显著的区域差异,并随海拔升高先升后降,在各海拔间和不同坡位间均差异显著(P<0.05)或极显著(P<0.01),但在阴坡与阳坡间无显著差异。逐步回归分析表明,坡位和海拔是影响土壤有机碳密度差异的主导立地因子。与我国其他主要林区相比,陕西秦岭南坡林地土壤有机碳密度处于较高水平,在我国森林土壤碳库中具有重要地位,应加强管理。 相似文献