全文获取类型
收费全文 | 2398篇 |
免费 | 802篇 |
国内免费 | 324篇 |
学科分类
地球科学 | 3524篇 |
出版年
2024年 | 7篇 |
2023年 | 233篇 |
2022年 | 288篇 |
2021年 | 269篇 |
2020年 | 177篇 |
2019年 | 211篇 |
2018年 | 108篇 |
2017年 | 81篇 |
2016年 | 77篇 |
2015年 | 76篇 |
2014年 | 152篇 |
2013年 | 111篇 |
2012年 | 132篇 |
2011年 | 106篇 |
2010年 | 123篇 |
2009年 | 107篇 |
2008年 | 144篇 |
2007年 | 86篇 |
2006年 | 96篇 |
2005年 | 93篇 |
2004年 | 99篇 |
2003年 | 84篇 |
2002年 | 90篇 |
2001年 | 69篇 |
2000年 | 59篇 |
1999年 | 40篇 |
1998年 | 48篇 |
1997年 | 52篇 |
1996年 | 44篇 |
1995年 | 35篇 |
1994年 | 35篇 |
1993年 | 33篇 |
1992年 | 29篇 |
1991年 | 20篇 |
1990年 | 23篇 |
1989年 | 18篇 |
1988年 | 8篇 |
1987年 | 4篇 |
1986年 | 4篇 |
1985年 | 7篇 |
1983年 | 3篇 |
1980年 | 2篇 |
1979年 | 3篇 |
1965年 | 2篇 |
1964年 | 2篇 |
1961年 | 2篇 |
1960年 | 4篇 |
1957年 | 8篇 |
1956年 | 2篇 |
1954年 | 4篇 |
排序方式: 共有3524条查询结果,搜索用时 15 毫秒
1.
场源中心位置的计算是重磁数据反演的主要任务之一,现主要通过异常与场源位置之间的数学物理方程来估算地质体的位置.为了快速、准确获得地质体的位置信息,提出基于重磁梯度比值的深度学习技术实现场源位置的获取;其利用深度学习技术所建立的重磁梯度比值水平分布与地质体埋深、构造指数的关系,快速实现异常场源位置计算,且提出利用多个值的相互关系来更加准确、稳定地计算出地质体的信息.该方法可以计算复杂地质体的中心位置,且避免了以往线性方程反演方法需对结果进行筛选的复杂过程,对于存在剩磁的磁异常则采用解析信号的深度学习方法来进行位置反演.理论模型试验证明利用梯度比值的深度学习方法可以准确获得地质体的深度,且通过对比更多点的深度学习计算结果发现,采用多个不同比例极值点可以减弱噪声带来的干扰,从而得到更加准确的位置.最后将该方法应用于实测磁异常的反演工作,获得了地下磁性物体的中心位置,且计算结果与欧拉反褶积法相接近,因此该方法具有良好的实用性. 相似文献
2.
《地球物理学报》2021,64(6)
微地震震相识别和初至拾取是水力压裂微地震监测资料处理中的两个关键步骤,其结果会对后续事件定位和压裂裂缝缝网解释产生重要影响.常规方法如STA/LTA法、模板匹配法、多道互相关法等需要提取有效信号与噪声间振幅、偏振、频率、波形相似性等方面的特征差异完成震相识别和拾取工作.本文基于深度学习技术的自动特征提取能力,根据井中微地震观测系统的多道数据源特点,提出基于U-Net的多道联合震相识别和初至拾取方法(MT-Net).方法采用具有"逐采样点"识别能力的U-Net模型,模型训练阶段以具有不同信号特征的多道微地震监测记录作为输入,以P波、S波及噪声的概率分布标签作为输出,通过设置二维卷积操作使得道内与道间的波形信息同时被自适应地学习,以满足对相邻道间波形记录处理结果高度一致性的要求;测试阶段将连续记录中的分段波形馈入模型,通过设定P波、S波概率分布曲线阈值完成单震相、双震相和噪声的波形分类,同时对含有效震相的微地震事件完成初至拾取.实际微地震资料处理结果显示,本文方法与同样基于U-Net的单道方法(ST-Net)相比,显著降低了震相识别中低信噪比事件漏拾与误拾发生的概率;同时有效避免了部分单道发生严重的初至拾取结果偏差及P、S震相误拾等情况.本文方法的识别与拾取结果整体上达到了与多道互相关法接近的水平,可满足微地震监测资料处理中实时性和准确性的要求. 相似文献
3.
实时烈度预测可在破坏性地震波到达前,根据P波估计地震可能造成的最大影响.预警对象可以采取措施,降低可能造成的损失.P波位移幅值是一种有效估计地震动峰值的参数,然而单个或多个参数难以全面表征地震动中的信息.同时,参数的计算需要确定时间窗大小,无法实现连续预测.为了解决上述问题,提出了一种基于长短期记忆网络的实时地震烈度预测模型.基于2010-2021年K-NET数据构建模型,并选取2022年3月MJMA7.3地震事件作为案例验证模型.结果表明,P波到达后可以在记录的每个时间步预测烈度,P波到达3 s时在测试集中准确率为96.47%.提出的LSTM模型改善了烈度预测的准确性和连续性,可为地震预警、应急响应等提供科学依据. 相似文献
4.
地震数据中存在的多次波影响偏移成像,误导地震资料的解释,因此通常视为相干噪声而被去除.为了对多次波进行智能化衰减,本文提出了一种基于数据增广训练的使用深度神经网络的多次波压制方法.设计的深度神经网络包括卷积编码和卷积解码过程,其中卷积编码过程学习全波场数据中的一次波特征,卷积解码过程利用这些特征来重构一次波并压制多次波和随机噪声.在训练阶段,旋转训练集并在输入数据中加入随机噪声构成增广训练数据集来提升神经网络的抗噪稳定性和泛化性,通过迁移学习让深度神经网络具备跨工区压制多次波的能力.简单模型与Sigsbee2B模型三套模拟数据的实例验证了本文方法在一次波重构和多次波压制中的有效性、稳定性和良好泛化性;一套崎岖海底模型地震物理模拟数据的应用实例表明本文方法具有应用于复杂条件下压制地震多次波的能力. 相似文献
5.
蝗虫是常见的害虫之一,对农作物和生态系统具有很大的危害,采用常规的方法对蝗虫进行监测存在一定局限性,为了有效应用海量野外影像数据实现对蝗虫实时监测,本文建立了一种基于深度学习网络的蝗虫自动识别模型。利用手机模拟摄像头获取的内蒙古锡林浩特附近草原的280张蝗虫的RGB图像,采用深度学习算法中的Faster R-CNN(Faster Region-based Convolutional Neural Network)网络结构建立了蝗虫识别模型。经验证该模型的精确度为0.756,可以较准确地将蝗虫从野外复杂环境中识别出来,与以往同类研究相比,在识别结果和实用性方面均有较大的进步。该模型是建立蝗虫实时监测系统的基础,可以为蝗虫的防治提供辅助信息,同时该网络结构还可以应用于其他害虫的识别,具有较强的推广性,拓宽了深度学习算法的应用领域。 相似文献
6.
应用PLAXIS 2D/3D有限元分析软件,对某黄土洞室进行了二维、三维分步掘进、三维一次掘进等工况的弹塑性有限元分析,研究分析了不同工况下洞室围岩位移的变化规律,并对掌子面的空间效应进行了分析。分析结果表明,二维与三维分步计算的最终位移基本一致,可以用二维的计算结果来估算洞室开挖的最终位移。三维分步掘进的分析表明,不同埋深的洞室其位移比的变化规律基本一致,当L/B<1时(L为掘进深度,B为洞室跨度),位移比呈线性增加;当L/B>1时,位移比呈非线性增加;当L/B>3时,其最大位移接近最终位移。掌子面的空间效应分析表明,在掌子面处的位移约为最终位移的1/3,距掌子面0.5倍跨度处的位移约为最终位移的2/3,距掌子面2.5倍跨度处的位移基本达到了最终位移。 相似文献
8.
本文主要对PCM编码式的布设模式进行分析和改进,介绍PCM编码式和闭锁深度倍数式2种站点布设模式,然后在最小有效距离(MED)为6.31倍断层闭锁深度的情况下,通过精度评价方法对比2种布设模式的结果,发现二者相差不大。进一步研究MED的合理选择,结果表明,MED取20倍的闭锁深度比6.31倍的闭锁深度更为合理。在MED为20倍的情况下对比研究PCM编码式和常规闭锁深度倍数式布设模式的优劣,结果表明,PCM编码式的布设模式优于常规模式。将PCM编码式的布设模式应用于川滇地区的巧家-东川剖面进行检验,发现PCM编码式的结果优于目前站点分布得到的结果,说明合理的站点布设可得到精度更优的结果。本文研究对于断层形变监测中精确获取形变参数具有重要意义。 相似文献
9.
油气资源勘探结果揭示了耐高温石油的存在,但是根据传统理论难以实现对油气资源赋存极限深度的准确判断及预测。因此有必要探讨含烃类混合物在埋藏条件下作为液相稳定赋存的极限深度的合理取值。根据含烃类混合物最终演化为甲烷的地层温度和临界凝析温度,建立以地层温度为300℃、临界凝析温度为-82.55℃的地质温度约束条件,以及地层温度与临界凝析温度相等为取值条件的液相稳定赋存极限地层温度判识标志,通过对理论案例中不同期次含烃类混合物对应地层温度与临界凝析温度交会点的分析表明:液相稳定赋存极限地层温度为220.82℃,对应的埋深为5061.32m。对不同期次含烃类混合物地层温度与临界凝析温度交会点的分布特征,及其与极限地层温度判识标志间的关系,可划分为收敛、截交、发散和杂乱等4种类型,它们分别对应不同的地质意义与极限温度判识流程。以句容凹陷容3井下二叠统烃类流体为分析实例,预测极限温度为192.91℃,对应深度为5 763.58 m,预测结果与研究区耐高温石油的分布范围一致。因此,基于组分检测与相态模拟的含烃类混合物赋存深度下限预测技术具有较好的方法合理性与适用性。 相似文献
10.
水声目标识别技术是水声信号处理的重要组成部分,是水声信息获取与水声信息对抗的重要技术支撑。针对水声目标识别时探测数据量大、自动化程度不高、识别效率低下等问题,研究了深度学习在水声目标识别中的应用。首先,介绍了水声目标识别技术的研究现状及当前形势下面临的挑战。然后,对深度学习的网络结构原理及改进型进行了分析,并分别对深度学习在水声声信号识别领域和水声图像信号识别领域的应用现状做了阐述。最后,指出了由于受当前技术条件和水下复杂环境的制约,此方法尚且存在着不足之处。该方法为进一步优化深度学习算法、拓展深度学习技术应用范畴、提升水声目标识别效率提供了参考。 相似文献