全文获取类型
收费全文 | 4300篇 |
免费 | 287篇 |
国内免费 | 859篇 |
学科分类
农业科学 | 5446篇 |
出版年
2024年 | 65篇 |
2023年 | 256篇 |
2022年 | 275篇 |
2021年 | 281篇 |
2020年 | 325篇 |
2019年 | 283篇 |
2018年 | 223篇 |
2017年 | 246篇 |
2016年 | 304篇 |
2015年 | 285篇 |
2014年 | 340篇 |
2013年 | 274篇 |
2012年 | 296篇 |
2011年 | 289篇 |
2010年 | 270篇 |
2009年 | 262篇 |
2008年 | 224篇 |
2007年 | 186篇 |
2006年 | 123篇 |
2005年 | 104篇 |
2004年 | 91篇 |
2003年 | 73篇 |
2002年 | 35篇 |
2001年 | 38篇 |
2000年 | 26篇 |
1999年 | 28篇 |
1998年 | 21篇 |
1997年 | 15篇 |
1996年 | 24篇 |
1995年 | 21篇 |
1994年 | 32篇 |
1993年 | 29篇 |
1992年 | 18篇 |
1991年 | 20篇 |
1990年 | 27篇 |
1989年 | 10篇 |
1988年 | 11篇 |
1987年 | 7篇 |
1986年 | 1篇 |
1984年 | 2篇 |
1983年 | 3篇 |
1982年 | 1篇 |
1981年 | 1篇 |
1980年 | 1篇 |
排序方式: 共有5446条查询结果,搜索用时 15 毫秒
32.
33.
34.
随着公路建设的发展,路面材料变得更加多元化。利用高光谱监测不同性质的路面材料,非常值得关注。本研究采用美国ASD公司生产的地物波谱辐射仪(波段范围350~2 500 nm),开展了对沥青、混凝土、裸土和草地等典型路面材料的高光谱数据的野外观测,利用光谱均值、一阶微分、二阶微分、倒数后对数等方法,对原始光谱数据进行变换,得到4种材料的光谱特征曲线图,并进行对比和分析。结果表明:在多种数据变换方法中,倒数后对数方法最好,利用高光谱遥感方法能实现对不同路面材料的分类和识别,说明高光谱遥感技术能实现对道路材料和结构的监测。 相似文献
35.
36.
《土壤通报》2014,(4):795-800
以黑龙江农田黑土为研究对象,利用遗传算法(GA)波长选择结合偏最小二乘法(PLS)回归建立土壤有机碳(SOC)的预测模型。通过设定以下GA参数:波长选择数量上限k、初始种群大小P及迭代次数N,采用单点优化方式逐一确定各参数。结果表明,在主成份数为7的情况下,当GA的参数取N=300、P=300、k=50时,GA模型最优;模型的校正决定系数R2=0.922、校正均方根误差RMSEC=1.74、交叉检验均方根误差RMSECV=1.80;模型的预测决定系数R2=0.931、预测均方根误差RMSEP=1.84、预测相对误差RPD=3.81。与原始光谱的PLS模型相比,R2由0.900提升至0.922,RPD由3.38提升至3.81。结果表明,通过GA进行波长选择能够优化模型,提升模型稳定性以及预测精确性。 相似文献
37.
38.
【目的】研究猕猴桃叶片叶绿素含量的高光谱估算方法,为猕猴桃长势的遥感监测提供理论依据。【方法】以陕西杨凌蒋家寨村2018年不同生育期(初花期、幼果期、膨果期、壮果期、果实成熟期)的猕猴桃叶片为研究对象,分别测定其高光谱反射率和叶绿素含量(SPAD值),分析原始光谱和5个常见的植被指数(归一化植被指数、归一化叶绿素指数、改进的叶绿素吸收反射率指数、MERIS地面叶绿素指数、土壤调整指数)与叶绿素含量之间的相关关系,提取各生育期的特征波段,分别建立基于特征波段和植被指数的单波段叶绿素含量一元线性估算模型。利用主成分分析对原始光谱数据进行降维,将得到的主成分得分作为随机森林模型的输入变量,建立基于多波段信息的叶绿素含量多元估算模型,并对模型进行精度验证和分析。【结果】不同生育期猕猴桃叶片光谱反射率变化趋势基本一致,整体趋势为可见光波段反射率低,近红外波段反射率高;在可见光波段,光谱反射率随着叶绿素含量的升高而降低;在近红外波段,光谱反射率则随着叶绿素含量的增加而升高。通过相关性分析可知,初花期、幼果期、膨果期、壮果期、果实成熟期原始光谱的特征波段分别为729,548,707,707和712 nm,估算模型决定系数(R~2)分别为0.18,0.85,0.54,0.85和0.82,其中初花期估算模型未通过显著性检验,其余生育期均通过极显著性检验。在5个常用植被指数中,初花期与叶绿素含量相关性最高的是归一化叶绿素指数(NPCI),但是估算模型决定系数R~2只有0.1,未通过显著性检验;其他生育期与叶绿素含量相关性最高的是MERIS地面叶绿素指数(MTCI),所建立的估算模型拟合效果好,预测精度高。基于主成分分析和随机森林回归建立的不同生育期猕猴桃叶片叶绿素含量估算模型的R~2在0.91~0.98,均通过极显著性检验,其拟合效果和预测精度远高于单波段一元线性回归和基于植被指数的一元线性回归模型,是估算猕猴桃叶片叶绿素含量的最优模型。【结论】基于主成分分析的随机森林模型包含了更完整的波段信息,对不同生育期猕猴桃叶片叶绿素含量具有较好的预测能力。 相似文献
39.
基于无人机成像高光谱影像的冬小麦LAI估测 总被引:4,自引:0,他引:4
利用无人机Cubert UHD185 Firefly成像光谱仪和ASD光谱仪获取了冬小麦挑旗期、开花期和灌浆期的成像和非成像高光谱以及LAI数据。首先,对比ASD与UHD185光谱仪数据光谱反射率,评价两者精度;然后,选取7个光谱参数,分析其与冬小麦3个生育期LAI的相关性,并使用线性回归和指数回归挑选出最佳估测参数;最后利用多元线性回归、偏最小二乘、随机森林、人工神经网络和支持向量机构建了冬小麦3个不同生育期LAI的估测模型。结果表明:UHD185光谱仪光谱反射率在红边区域与ASD光谱仪趋势一致性很高,反射率在挑旗期、开花期、灌浆期的R^2分别为0.9959、0.9990和0.9968,UHD185光谱仪数据精度较高;7种光谱参数在挑旗期、开花期、灌浆期与LAI相关性最高的参数分别是NDVI(r=0.738)、SR(r=0.819)、NDVI×SR(r=0.835);LAI-MLR为冬小麦LAI的最佳估测模型,其中开花期拟合性最好,精度最高(建模R^2=0.6788、RMSE为0.69、NRMSE为19.79%,验证R^2=0.8462、RMSE为0.47、NRMSE为16.04%)。 相似文献
40.
为提高小麦条锈病的遥感探测精度,依据日光诱导叶绿素荧光和冠层反射光谱数据在小麦条锈病遥感探测中的优势及其与病情严重度之间的映射关系,在运用独立分量分析法对光谱数据降维的基础上,利用核学习算法分别确定冠层光谱特征和日光诱导叶绿素荧光特征反映小麦条锈病病情严重度的最优核,同时针对冠层光谱与叶绿素荧光特征组,建立基于不同特征最优核映射的多核学习支持向量机模型,并与基于特征直接拼接的模型结果进行对比。结果表明,对于冠层光谱而言,采用高斯核构建的支持向量机模型可较好估测小麦条锈病病情指数,而日光诱导叶绿素荧光指数则是采用多项式核的效果更优;采用直接拼接法融合叶绿素荧光指数和冠层光谱特征能够在一定程度上改善小麦条锈病病情指数估测精度,决定系数(r~2)最高为0.847,而单独利用冠层光谱信息或者叶绿素荧光信息时,r~2最高仅为0.802;对日光诱导叶绿素荧光和反射光谱特征分别利用其最优核进行映射构建的多核学习支持向量机模型精度最高,r~2为0.915,RMSE为0.090,优于基于特征直接拼接构建的支持向量机模型精度。 相似文献