全文获取类型
收费全文 | 8990篇 |
免费 | 484篇 |
国内免费 | 874篇 |
专业分类
林业 | 772篇 |
农学 | 1198篇 |
基础科学 | 362篇 |
960篇 | |
综合类 | 4130篇 |
农作物 | 945篇 |
水产渔业 | 27篇 |
畜牧兽医 | 497篇 |
园艺 | 419篇 |
植物保护 | 1038篇 |
出版年
2024年 | 47篇 |
2023年 | 164篇 |
2022年 | 313篇 |
2021年 | 328篇 |
2020年 | 329篇 |
2019年 | 345篇 |
2018年 | 287篇 |
2017年 | 454篇 |
2016年 | 506篇 |
2015年 | 375篇 |
2014年 | 496篇 |
2013年 | 601篇 |
2012年 | 735篇 |
2011年 | 581篇 |
2010年 | 521篇 |
2009年 | 531篇 |
2008年 | 425篇 |
2007年 | 452篇 |
2006年 | 375篇 |
2005年 | 285篇 |
2004年 | 230篇 |
2003年 | 172篇 |
2002年 | 158篇 |
2001年 | 175篇 |
2000年 | 171篇 |
1999年 | 158篇 |
1998年 | 122篇 |
1997年 | 124篇 |
1996年 | 97篇 |
1995年 | 111篇 |
1994年 | 78篇 |
1993年 | 87篇 |
1992年 | 86篇 |
1991年 | 86篇 |
1990年 | 76篇 |
1989年 | 60篇 |
1988年 | 40篇 |
1987年 | 45篇 |
1986年 | 27篇 |
1985年 | 16篇 |
1984年 | 16篇 |
1982年 | 10篇 |
1981年 | 6篇 |
1980年 | 11篇 |
1979年 | 3篇 |
1978年 | 11篇 |
1977年 | 5篇 |
1976年 | 7篇 |
1962年 | 2篇 |
1955年 | 5篇 |
排序方式: 共有10000条查询结果,搜索用时 46 毫秒
71.
72.
龙须草叶的形态解剖特征 总被引:1,自引:0,他引:1
龙须草叶由叶片和叶鞘组成。叶片狭长条形,均长80—120 cm,最长可达2m以上,均宽0.35cm。叶片中间薄,两侧厚,横切面呈长蜂腰状,两者在禾本科中实属罕见。上表皮泡状细胞集中在中脉两侧,数量很少。叶脉维管束鞘细胞为较大的薄壁细胞,内含多数较大的叶绿体,与其外厨叶内细胞构成“花环型”,属C_4植物特征,叶鞘中脉处厚,两侧渐薄,鞘肉中通气组织很发达。 相似文献
73.
为探究烟叶等级质量与品种及其采收成熟度的关系,以云烟87为对照,分析云烟116、云烟105及其不同采收成熟度对烟叶等级质量的影响。结果表明:除上等烟率外,烤后烟叶各等级质量指标均以云烟105最优,其次为云烟116;随着采收成熟度提高,各品种烤后烟叶等级质量均呈先逐渐变好后逐渐变差的趋势,以CM3处理(叶面综合变黄70%左右,主脉1/2~2/3变白)最优;采收成熟度对烤后烟叶等级质量的贡献率最大,其次为品种,品种与采收成熟度互作最小;云烟116对成熟度的响应较为敏感,而云烟105的响应相对较弱。综合分析,以采收成熟度为CM3的云烟105烟叶等级质量最佳,其次为采收成熟度为CM3的云烟116。 相似文献
74.
针对雪茄烟叶晾制过程含水率人工判断主观性强、准确度低等不足,以及对影响雪茄烟叶晾制过程含水率预测的重要表观特征尚不明确等问题,该研究基于图像特征提取以及机器学习技术实现雪茄烟叶晾制过程含水率的预测。试验以雪茄烟品种“云雪2号”为试验材料,获取晾制过程的烟叶图像的颜色、轮廓、纹理以及部位四类特征并筛选出雪茄烟叶含水率预测的优选图像特征子集。在此基础上,构建了随机森林(random forest, RF)、支持向量机(support vector regression, SVR)与反向传播神经网络(back propagation neural network, BPNN)模型,并利用遗传算法(genetic algorithm, GA)对各模型超参数进行优化,将原始图像特征集与优选图像特征集输入3个机器学习模型,构建出6种模型-特征组合方案,依据晾制时期对原始数据集进行划分,并对测试集进行预测。最终结果显示:GA-SVR模型+优选图像特征子集的组合方案在测试集上表现最优,其决定系数(coefficient of determination,r2)与均方误差(mean square error,MSE)分别为0.980和0.001,且运行时间最短(运行时长=0.128 s)。研究结果可为雪茄烟叶晾制过程智能化控制提供理论依据。 相似文献
75.
76.
头季稻剑叶同化产物分配与再生稻产量的关系 总被引:1,自引:0,他引:1
以4个品种(组合)为材料,研究了头季稻剑叶同化产物的分配与再生稻产量的相关关系.结果表明:(1)约70%~75%的剑叶14C同化产物进入到了穗部,25%~30%残留在剑叶和茎鞘中;(2)约65%~80%的剑叶同化产物分配在倒一和倒二节间;(3)同化产物在穗部的分配比例与再生稻产量及所有的产量构成因子均呈负相关,同化产物在茎鞘、剑叶及其他叶片的分配比例与再生稻产量及所有的产量构成因子均呈正相关;(4)各节间的同化产物分配比例与再生稻相应节位产量呈显著正相关关系. 相似文献
77.
78.
从施肥技术和栽培措施两者相结合角度,通过大田试验对不同移栽深度结合一次性双层施肥对烤烟生长及产量品质的影响进行了研究.结果表明:壮苗一次性双层施肥9叶移栽能够促进烤烟生长发育,提高前期根系活力,增加根系一级侧根数目、根系干物质、烟株株高、茎围、有效叶片效、单株有效叶面积、地上部烟株干重和地上部干物质积累速率.与对照相比,壮苗一次性双层施肥9叶移栽烟叶产量增加145.5 kg/hm2,产值增加2 130元/hm2,烟叶均价增加0.46元/kg;同时,烟碱和总氮含量比对照下降了0.41%,总糖含量提高了1.57%,总糖/蛋白质和氮/碱比更趋协调. 相似文献
79.
基于迁移学习的葡萄叶片病害识别及移动端应用 总被引:7,自引:6,他引:1
为解决已有的卷积神经网络在小样本葡萄病害叶片识别的问题中出现的收敛速度慢,易产生过拟合现象等问题,提出了一种葡萄叶片病害识别模型(Grape-VGG-16,GV),并针对该模型提出基于迁移学习的模型训练方式。将VGG-16网络在ImageNet图像数据集上学习的知识迁移到本模型中,并设计全新的全连接层。对收集到的葡萄叶片图像使用数据增强技术扩充数据集。基于扩充前后的数据集,对全新学习、训练全连接层的迁移学习、训练最后一个卷积层和全连接层的迁移学习3种学习方式进行了试验。试验结果表明,1)迁移学习的2种训练方式相比于全新学习准确率增加了10~13个百分点,并在仅训练25轮达到收敛,该方法有效提升了模型分类性能,缩短模型的收敛时间;2)数据扩充有助于增加数据的多样性,并随着训练次数的增加,训练与测试准确率同步上升,有效缓解了过拟合现象。在迁移学习结合数据扩充的方式下,所构建的葡萄叶片病害识别模型(GV)对葡萄叶片病害的识别准确率能达到96.48%,对健康叶、褐斑病、轮斑病和黑腐病的识别准确率分别达到98.04%、98.04%、95.83%和94.00%。最后,将最终的研究模型部署到移动端,实现了田间葡萄叶片病害的智能检测,为葡萄病害的智能诊断提供参考。 相似文献
80.
基于机器学习的棉花叶面积指数监测 总被引:2,自引:1,他引:1
为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400~780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。 相似文献