全文获取类型
收费全文 | 6034篇 |
免费 | 235篇 |
国内免费 | 678篇 |
专业分类
林业 | 442篇 |
农学 | 504篇 |
基础科学 | 1338篇 |
1016篇 | |
综合类 | 2967篇 |
农作物 | 130篇 |
水产渔业 | 176篇 |
畜牧兽医 | 195篇 |
园艺 | 56篇 |
植物保护 | 123篇 |
出版年
2024年 | 73篇 |
2023年 | 184篇 |
2022年 | 261篇 |
2021年 | 279篇 |
2020年 | 232篇 |
2019年 | 248篇 |
2018年 | 123篇 |
2017年 | 195篇 |
2016年 | 216篇 |
2015年 | 215篇 |
2014年 | 317篇 |
2013年 | 248篇 |
2012年 | 435篇 |
2011年 | 491篇 |
2010年 | 415篇 |
2009年 | 375篇 |
2008年 | 338篇 |
2007年 | 373篇 |
2006年 | 350篇 |
2005年 | 342篇 |
2004年 | 281篇 |
2003年 | 176篇 |
2002年 | 149篇 |
2001年 | 108篇 |
2000年 | 95篇 |
1999年 | 77篇 |
1998年 | 67篇 |
1997年 | 52篇 |
1996年 | 42篇 |
1995年 | 37篇 |
1994年 | 16篇 |
1993年 | 21篇 |
1992年 | 22篇 |
1991年 | 26篇 |
1990年 | 17篇 |
1989年 | 11篇 |
1988年 | 16篇 |
1987年 | 4篇 |
1986年 | 4篇 |
1985年 | 1篇 |
1984年 | 2篇 |
1982年 | 2篇 |
1981年 | 1篇 |
1979年 | 1篇 |
1978年 | 1篇 |
1977年 | 3篇 |
1956年 | 3篇 |
1955年 | 2篇 |
排序方式: 共有6947条查询结果,搜索用时 0 毫秒
81.
利用气象部门技术和装备优势,采用双向纵横联网方式及“互联网+电视+广播+报纸+墙报+信息小报+121电话”的信息分发和传播模式,建立基于气象部门卫星业务网络、INTERNET网络、传真等方式的市、县(区)、乡信息快速汇交平台为一体的农村经济信息网络服务系统。 相似文献
82.
83.
84.
85.
运用BP神经网络的理论和方法,构建了县域城镇化发展水平BP神经网络模型,并对2008年陕西省83个县域城镇化发展水平进行了综合评价。结果表明:陕西省县域城镇化发展水平区域差异显著,评价结果与专家的判断基本一致;根据评价结果,结合ARC-GIS9.2中的自然断点法(natural breaks)将BP测度得出的得分值分为5个等级,发现县域城镇化发展水平较高的县域主要集中在陕北地区,关中地区次之,陕南地区最低。BP神经网络用于评价县域城镇化发展水平简单、实用,且避免了人工确定指标权重的主观性,具有很好应用前景。 相似文献
86.
87.
简要介绍了以UNIX为操作系统的SUN、SGI系列工程工作站及MC68000系统与以DOS为操作系统的PC机系统的互连,从而构成异型机及网间的互连通讯,达到数据共享,节省资源的目的。该方法实现简单,具有广泛的应用前景。 相似文献
88.
89.
以甘肃省西峰市南小河沟小流域径流场为研究对象,利用BP神经网络对4种植被类型的径流小区(农田、林地、人工草地和天然荒坡)进行了产流产沙量模拟和预测。其模拟产流量的相对误差分别为0.2%~5.7%,0.1%~2.5%,0.7%~2.9%和0.1%~3%;模拟产沙量的相对误差分别为0.1%~3.2%,0.2%~3.1%,0.6%~4.2%和0.2%~2.7%。预测农地、林地、草地和天然荒坡产沙量最大相对误差分别为-11%,14%,-14.6%,18%,产流量最大相对误差分别为10.9%,27.3%,15%,26.3%。结果表明,BP神经网络预测产流产沙的效果较好,对径流小区运用神经网络进行蓄水拦沙指标分析是可行的。 相似文献
90.
土地利用变化的监测需要高精度的土地利用分类图,遥感技术的发展为这一工作提供了便利。然而,传统分类方法往往无法针对性的利用影像中的信息,其分类结果中地物边缘信息模糊,分类精度不高且噪声较大,难以满足土地变化监测的需要。该研究针对传统方法分类结果不理想的问题,提出一种基于残差-挤压激励单元的混合卷积神经网络模型,采用膨胀卷积层对影像进行光谱-空间特征提取,并引入残差-挤压激励单元,实现特征重用的同时,选择性的强调信息性特征,对噪声性特征进行抑制,最后对得到的特征进行整合实现对遥感影像的分类。该研究提出的模型与k-最邻近算法(K-Nearest Neighbor, KNN)、支持向量机(Support Vector Machine, SVM)、二维卷积网络(2D- Convolutional Neural Network, 2D-CNN)以及混合卷积网络(HybridSN)相比,在试验数据集上总体精度分别提高了11.15个百分点、11.18个百分点、0.06个百分点和2.46个百分点。且有效减少了地物边缘信息的损失,验证了该方法的有效性。此外,基于该方法分类结果统计出的耕地面积与试验区真实耕地面积仅相差0.77%,误差绝对值远低于其他分类方法。 相似文献