全文获取类型
收费全文 | 6334篇 |
免费 | 344篇 |
国内免费 | 1161篇 |
专业分类
林业 | 1162篇 |
农学 | 295篇 |
基础科学 | 598篇 |
1776篇 | |
综合类 | 2451篇 |
农作物 | 212篇 |
水产渔业 | 171篇 |
畜牧兽医 | 668篇 |
园艺 | 167篇 |
植物保护 | 339篇 |
出版年
2024年 | 68篇 |
2023年 | 184篇 |
2022年 | 261篇 |
2021年 | 288篇 |
2020年 | 270篇 |
2019年 | 348篇 |
2018年 | 189篇 |
2017年 | 296篇 |
2016年 | 360篇 |
2015年 | 342篇 |
2014年 | 421篇 |
2013年 | 398篇 |
2012年 | 572篇 |
2011年 | 566篇 |
2010年 | 495篇 |
2009年 | 437篇 |
2008年 | 372篇 |
2007年 | 409篇 |
2006年 | 342篇 |
2005年 | 254篇 |
2004年 | 175篇 |
2003年 | 157篇 |
2002年 | 123篇 |
2001年 | 99篇 |
2000年 | 68篇 |
1999年 | 67篇 |
1998年 | 53篇 |
1997年 | 33篇 |
1996年 | 28篇 |
1995年 | 27篇 |
1994年 | 33篇 |
1993年 | 15篇 |
1992年 | 21篇 |
1991年 | 11篇 |
1990年 | 12篇 |
1989年 | 19篇 |
1988年 | 16篇 |
1987年 | 5篇 |
1985年 | 1篇 |
1981年 | 1篇 |
1976年 | 1篇 |
1962年 | 1篇 |
1955年 | 1篇 |
排序方式: 共有7839条查询结果,搜索用时 15 毫秒
181.
基于遥感的冬小麦长势等级与气象因子相关性分析 总被引:2,自引:0,他引:2
利用遥感数据,以陕西、甘肃两省为例,探讨了冬小麦不同生育期内不同等级的长势状况及其与气温、降水、日照等气象因子的相关性。将冬小麦的生长发育过程分为7个不同的生育期,借助植被指数NDVI,利用GIS空间分析方法,分析了不同生育期内作物生长发育动态变化状况;探讨了2011—2012年不同生长发育期内,不同等级的冬小麦长势状况与同生育期、前一生育期及生育期内累计温度、降水、日照时数等气象因子的相关性。结果表明,2011—2012年,陕西、甘肃两省冬小麦长势在空间上呈现越冬前较好,越冬期略变差,之后恢复变好的状况,但同时存在时空分布差异。相关分析结果表明,就平均来说,无论冬小麦长势状况如何,冬小麦长势和累计降水之间的相关性都大于同期和前一生育期的相关性,显示了降水在冬小麦整个生育期内的重要性;温度对冬小麦的影响根据冬小麦长势等级的不同而不同;日照方面,不论冬小麦长势等级如何,各种不同等级的长势都和累计日照时数相关关系最大。研究同时表明,长势好和长势差的冬小麦对降水较为敏感,而温度在整体上对长势正常的冬小麦影响较大。 相似文献
182.
基于随机森林回归算法的小麦叶片SPAD值遥感估算 总被引:12,自引:0,他引:12
使用机器学习中的随机森林(RF)回归算法构建小麦叶片SPAD值遥感反演模型。以2010—2013年江苏地区试验点稻茬小麦3个生育期(拔节、孕穗、开花)的叶片为材料,结合我国自主研发的环境减灾卫星HJ-1对研究区域进行同步监测,分析了各生育期叶片SPAD值与8种植被指数间的相关性;以0.01水平下显著相关的植被指数作为输入参数,使用RF回归算法构建了每个生育期的小麦SPAD反演算法模型,即RF-SPAD模型,以支持向量回归(SVR)和反向传播(BP)神经网络算法构建的SVR-SPAD模型和BP-SPAD模型作为比较模型,以R2和均方根误差(RMSE)为指标,分析了每个生育期3个模型的学习能力和回归预测能力,结果表明:RF-SPAD模型在3个生育期都表现出最强的学习能力,R2和RMSE在拔节期分别为0.89和1.54,孕穗期分别为0.85和1.49,开花期分别为0.80和1.71;RF-SPAD模型在3个生育期的回归预测能力都高于BP-SPAD模型,高于或接近于SVR-SPAD模型,R2和RMSE在拔节期分别为0.55和2.11,孕穗期分别为0.72和2.20,开花期分别为0.60和3.16。 相似文献
183.
基于MK—SVR模型的小麦叶面积指数遥感反演 总被引:1,自引:0,他引:1
提出了运用多核支持向量回归(MK-SVR)算法构建小麦叶面积指数(LAI)遥感监测模型。以2010—2013年试验样点小麦拔节、孕穗、开花3期的实测LAI数据为基础,同步获取我国自主研发的环境减灾卫星HJ-CCD对该研究区域的影像数据,分析了各生育期小麦LAI与8种植被指数间的相关性。以显著相关的植被指数作为输入参数,使用MK-SVR算法构建了每个生育期的小麦LAI反演模型,即MK-SVR-LAI模型。为了评价模型,每期使用单一核支持向量回归(SK-SVR)、偏最小二乘(PLS)回归算法构建了SK-SVR-LAI、PLS-LAI模型。将模型估算LAI值和田间观测LAI值进行比对,以决定系数(R2)和均方根误差(RMSE)为指标评价并比较了模型。结果表明:3个生育期MK-SVR-LAI模型的RMSE值均低于参比模型,拔节期为0.293 1,孕穗期为0.466 8,开花期为0.548 6,且该模型的R2也都最高,拔节期为0.762 4,孕穗期为0.801 8,开花期为0.668 9。 相似文献
184.
基于压缩感知的图像降噪处理研究 总被引:1,自引:0,他引:1
在农产品图像的动态采集中,可能会出现粘结、叠加及背景干扰等一系列缺陷,同时稀疏采样的图像也可能是不完整的。对于这个棘手的问题,由压缩感知理论可以找到答案。压缩感知理论首先对采集的图像进行稀疏表达,然后选取适合图像的最优小波基,采用凸优化理论及其算法,可以得到花生图像的特征点(降噪点)并进行处理,从而完成噪声的去除。为此,在压缩感知理论的基础上,提出了运用快速迭代阈值收缩(FISTA)算法进行去噪处理,与其他的图像降噪方法相比,体现了速度快、效率高、去噪效果好等优势。 相似文献
185.
验证MODIS/FAPAR产品在温性草原地区的精度,以提高NPP估算精度,为区域碳平衡监测及合理安排草地畜牧业生产提供服务。该文选取两块2 km×2 km温性草甸类草地设计和进行FAPAR实测试验。以分辨率为32 m的北 京-1号卫星遥感数据对样地进行异质性分析,然后进行尺度上推,利用地面实测数据对1km的MODIS/FAPAR草原地区产品进行验证。结果表明,在草地生长季,MODIS/FAPAR产品的草地FAPAR季节变化与实测FAPAR季节变化趋势基本一致,但总体要比实测FAPAR要高,针茅样地MODIS/FAPAR值比实测值要高约13.7%,羊草样地为18.7%。MODIS/FAPAR算法对于局部区域过于粗糙,对草地类型多样的中国来说,需更多的野外试验资料,以反演适合不同草地类型的FAPAR算法。 相似文献
186.
187.
基于平稳小波变换的冬小麦覆盖度高光谱监测 总被引:1,自引:1,他引:1
在2010与2011年度冬小麦生长季,通过大田小区试验,实测了冬小麦冠层的高光谱反射率与覆盖度。分析了不同覆盖度下的冬小麦冠层光谱特征以及不同生育期冬小麦冠层光谱反射率与覆盖度的相关性,建立了基于归一化植被指数(NDVI)与比值植被指数(RVI)、小波能量系数的不同生育期冬小麦覆盖度估算模型。结果表明:覆盖度越大,冬小麦光谱反射率在可见光波段越小,在近红外波段越大。在可见光波段,光谱反射率与覆盖度负相关,在"红边"处,由负相关变成正相关。在返青期、拔节期,NDVI估算效果好(R2为0.835 9、0.805 7);在抽穗期、灌浆期,RVI估算效果好(R2为0.803 1、0.829 4)。在返青期、拔节期、抽穗期、灌浆期,以高频、低频小波能量系数为自变量的冬小麦覆盖度估算模型的R2分别达到0.911 2、0.895 4、0.880 2、0.927 5。 相似文献
188.
美国农业航空技术现状和发展趋势分析 总被引:36,自引:0,他引:36
美国是目前农业航空装备技术最先进、应用最广泛的国家,农业航空服务组织体系完善,航空施药作业规范,施药部件系列齐全.一些精准农业技术手段如GPS自动导航、施药自动控制系统、各种作业模型已步入实用阶段,作业精准、高效,对环境的污染低.随着精准农业的发展,航空遥感技术、空间统计学、变量施药控制等技术也用于美国农田产量监测,植物的水分、营养状况、病虫害监测.提出了为改善目前技术存在的不足,提高数据准确性和生产效率,需解决的主要技术问题和研究热点,包括:图像实时处理技术、多传感器数据融合技术、航空变量喷洒技术. 相似文献
189.
针对分割遥感图像建筑群时,标记不完全所产生的过分割和欠分割并存问题,提出一种基于自适应全局阈值融合标记的图像分割算法.该算法根据建筑群的分布和纹理特点,利用小波变换提取图像梯度,通过形态学重构对梯度图像进行滤波;采用局部极小值法提取背景标记,并应用自适应全局阈值法提取建筑群标记.采用逻辑运算进行标记融合,用融合后的标记修改加权像素的Sobel梯度图实现精准分割.实验结果表明,该算法能够弥补形态学滤波梯度图的局部极值标记不足问题,抑制了建筑群的过分割和欠分割,准确地将建筑群从背景中提取出来,分割正确率达到90.7%. 相似文献
190.
为了提高高光谱遥感影像的分类精度,提出了一种基于稀疏非负最小二乘编码的高光谱数据分类方法。采用非负最小二乘方法,将待测样本表示为训练样本的线性组合,并将得到的系数作为待测样本的特征向量,通过最小误差方法对待测样本进行分类。提出的方法在AVIRIS Indian Pines和萨利纳斯山谷高光谱遥感数据集上进行分类实验,并和主成分分析(PCA)、支持向量机(SVM)和基于稀疏表示分类器(SRC)方法进行比较,在2个数据集上本文方法的总体识别精度分别达到85.31%和99.56%,Kappa系数分别为0.816 3和0.986 7。实验结果表明本文方法的总体识别精度和Kappa系数都优于另外3种方法,是一种较好的高光谱遥感数据分类方法。 相似文献