全文获取类型
收费全文 | 209篇 |
免费 | 19篇 |
国内免费 | 76篇 |
专业分类
农学 | 12篇 |
基础科学 | 22篇 |
96篇 | |
综合类 | 109篇 |
农作物 | 8篇 |
畜牧兽医 | 3篇 |
植物保护 | 54篇 |
出版年
2024年 | 2篇 |
2023年 | 6篇 |
2022年 | 4篇 |
2021年 | 7篇 |
2020年 | 6篇 |
2019年 | 10篇 |
2018年 | 8篇 |
2017年 | 9篇 |
2016年 | 16篇 |
2015年 | 13篇 |
2014年 | 12篇 |
2013年 | 13篇 |
2012年 | 24篇 |
2011年 | 19篇 |
2010年 | 12篇 |
2009年 | 18篇 |
2008年 | 14篇 |
2007年 | 17篇 |
2006年 | 19篇 |
2005年 | 22篇 |
2004年 | 6篇 |
2003年 | 8篇 |
2002年 | 8篇 |
2001年 | 2篇 |
2000年 | 3篇 |
1999年 | 3篇 |
1998年 | 4篇 |
1997年 | 7篇 |
1996年 | 4篇 |
1995年 | 3篇 |
1994年 | 3篇 |
1993年 | 1篇 |
1989年 | 1篇 |
排序方式: 共有304条查询结果,搜索用时 15 毫秒
101.
【目的】应用人工神经网络来解决苹果叶片叶绿素含量与高光谱数据之间的非线性关系,建立估测苹果叶片叶绿素含量的最佳模型,为苹果叶片叶绿素含量的快速无损监测提供参考。【方法】以位于陕西扶风杏林镇的树龄为4~5年的15棵苹果树为研究对象,2015年分别于果树花期(4月27日)、幼果期(5月30日)、果实膨大期(7月6日)、果实着色期(8月5日)、果实成熟期(9月11日)采集叶片样本,利用SVC HR-1024i型高光谱仪和SPAD-502叶绿素仪同步获取苹果叶片光谱值和对应的叶绿素含量,对原始光谱和一阶导数光谱与叶绿素含量之间的关系进行分析,从一阶导数光谱中提取苹果叶片光谱的5个红边参数,从5个红边参数中筛选出相关性好的红边参数,使用传统单变量回归算法、反向传播(back propagation,BP)神经网络和径向基函数(radial basis function,RBF)神经网络,建立叶绿素含量估测模型,用决定系数(R2)、均方根误差(RMSE)和相对误差(RE)来验证模型的准确性。【结果】与原始光谱相比,一阶导数光谱与苹果叶片叶绿素含量的相关性更高。5个红边参数中,红边位置、峰度系数、偏度系数与叶绿素含量的相关系数均较高,且均达极显著水平。建立的传统单变量回归模型中,基于红边位置、峰度系数和偏度系数的R2均大于0.7,其中基于偏度系数建立的多项式模型模拟精度最高,验证结果R2为0.872,RMSE为4.631,RE为8.81%。选取红边位置、峰度系数和偏度系数为人工神经网络的输入变量,分别优化BP神经网络的隐含层节点数和网络类型以及RBF神经网络的扩展系数(SPREAD值)来提高预测精度,结果发现,建立隐含层节点数为4的双隐含层BP神经网络最优模型R2为0.891,RMSE为3.844,RE为7.55%;当SPREAD值为0.6时,建立的RBF神经网络最优模型的R2为0.955,RMSE和RE分别为2.517和3.69%。【结论】估算苹果叶片叶绿素含量时,人工神经网络模型比传统单变量模型精度高,其中RBF神经网络模型学习速度快、精度高,拟合结果更加可靠。 相似文献
102.
结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度 总被引:3,自引:1,他引:2
103.
基于高光谱和BP神经网络模型苹果叶片SPAD值遥感估算 总被引:2,自引:0,他引:2
叶绿素含量表征植被的营养生长状况,为西北地区苹果的大面积、无损、实时生长监测提供科学依据,使用SVC HR-1024I型便携式野外光谱辐射仪和SPAD-502型叶绿素仪测定不同生育期苹果叶片光谱反射率和SPAD值。分析不同生育期苹果叶片SPAD值及其高光谱变化特征,不同生育期叶片SPAD值与原始光谱反射率和光谱特征参数的相关性,构建基于光谱特征参数的单因素回归模型、多元线性逐步回归模型和基于逐步回归分析的BP神经网络模型,并对反演模型进行验证。结果表明,1)从新梢开始生长到果实成熟,苹果叶片SPAD值呈现先上升后下降趋势;2)基于光谱特征参数构建估算叶片SPAD值的单因素回归模型、多元线性逐步回归模型和基于逐步回归分析的BP神经网络模型均通过显著性检验,在秋梢停止生长期各模型反演和预测精度均最高;3)在各生育期,基于光谱特征参数建立的单因素回归模型中,均以蓝边幅值Db和绿峰面积SRg为自变量建立的回归方程拟合和预测能力最优;4)在各生育期,基于逐步回归分析的BP神经网络模型反演和预测能力较单因素回归模型和多元逐步回归模型表现最优,建模R2和验证R2分别达到0.90和0.84以上,验证RMSE4.41,验证RE8.42%,是一种快速、高效估算苹果叶片SPAD值的良好反演方法。 相似文献
104.
花青素(Anthocyanin)是玉米体内的重要色素,对花青素含量的便捷、无损估测对监测玉米长势具有重要意义。利用关中地区拔节期、大喇叭口期、抽雄期以及乳熟期玉米冠层叶片Anth值及高光谱数据建立多个单因素模型和多因素模型。结果表明,不同生育期玉米叶片原始光谱特征总体一致、局部不同。变换光谱的特征波段与Anth值相关性优于原始光谱,其中一阶导数光谱特征波段最优。连续投影算法(SPA)降维能力较好,筛选出的建模参数在2~27个。最优单因素模型与多元性线性回归模型精度均为抽雄期最优,拔节期和大喇叭口期次之,乳熟期最差。所有模型中,抽雄期基于一阶导数光谱的麻雀搜索算法-极限学习机回归(SSA-ELMR)模型精度最佳,该模型建模与验证R2分别为0.847、0.895,相应nRMSE为6.44%和7.21%。本研究结果表明抽雄期是玉米叶片花青素含量反演的最佳时期,极限学习机能进一步提升传统模型精度。 相似文献
105.
西安市土地覆被时空变化及驱动因子研究 总被引:2,自引:1,他引:1
利用遥感以及地理信息技术,获取并分析西安市主城区1988年、1995年及2006年三期土地覆被数据。结果表明:近20年来,西安市建设用地持续增加,2006年建设用地的面积是1988年的3.1倍,增加的用地主要来自城市周围耕地,其以每年13.68 km2的速度在减少。1988年到1995年,建设用地增加了68.65%,耕地减少了15.23%,城市为填缝式发展;1995年到2006年,建设用地增加了80.77%,耕地减少了25.6%,交通用地大面积增加,城市为向外扩张式发展。根据土地利用/覆被变化转移矩阵分析,1988年到1995年以及1995年到2006年农用地转化为建设用地的面积分别为107.99 km2以及173.23 km2。城市化驱动因子主要是政策导向以及经济发展,另外,家庭结构的变化也是主要驱动因子之一。 相似文献
106.
在对地学信息图谱研究进展分析总结的基础上,阐述土壤侵蚀信息图谱的概念,及土壤侵蚀类型信息图谱、土壤侵蚀空间格局图谱和水土流失过程信息图谱3种基本类型的内涵,探讨土壤侵蚀信息图谱的构建过程,提出土壤侵蚀信息图谱的内容与表达方式,并对土壤侵蚀信息图谱的意义和发展进行展望。 相似文献
107.
108.
陕北黄土高原土地利用/覆盖变化及生态效应评价 总被引:5,自引:0,他引:5
基于1997年和2006年两期遥感影像获得陕北黄土高原地区土地利用变化数据,结合 RS和GIS技术,对陕北黄土高原土地利用/覆盖变化特征进行了分析.并采用生态服务价值的方法对陕北黄土高原土地利用变化的生态效应进行了综合评价.结果表明,1997-2006年,陕北黄土高原利用类型发生了显著变化,该区50.37%的耕地转换成为林地和草地,总体生态服务价值量显著增加7.67×106元,年增长率为0.2%,整体生态环境指数有所提高从0.145增长到0.157,土地利用/覆盖变化整体生态贡献指数变化明显,整体贡献指数为1.239,生态环境质量明显改善,表明退耕还林以来陕北黄土高原地区整体生态环境向着健康方向发展. 相似文献
109.
为实现干旱地区冬小麦冠层叶片含水量的快速测定,以陕西省乾县为研究区,基于野外冬小麦冠层高光谱数据和实测叶片含水量,对原始光谱进行连续小波变换(continuous wavelet transform,CWT)后得到的小波能量系数与实测含水量进行相关性分析;并通过竞争性自适应重加权采样(competitive adaptive reweighted sampling,CARS)过滤冗余变量,筛选与叶片含水量相关性较好的波长变量,作为优选变量集;通过粒子群算法(particle swarm optimization,PSO)对BP神经网络模型进行优化,构建冠层叶片含水量预测模型并进行分析。结果表明,从尺度1到尺度10,小波系数与冬小麦叶片含水量整体相关性先升后降,中等分解尺度在光谱波段去除噪声、提高相关性方面最佳;基于CARS优选变量集所建的两种模型中,BP-PSO模型预测能力明显优于普通BP神经网络模型,其决定系数可达0.82,均方根误差为0.86%,相对误差为0.82%。这说明CWT-CARS-BP-PSO耦合算法在提升相关性、过滤冗余波段、提高模型预测精度方面效果显著,可用于冬小麦叶片含水量预测。 相似文献
110.
基于纹理特征和SVM的QuickBird影像苹果园提取 总被引:3,自引:0,他引:3
为提高高空间分辨率遥感影像(高分影像)中苹果园提取精度,基于Quick Bird遥感数据,研究综合光谱特征和纹理特征的苹果园自动提取方法。该方法首先采用最佳指数因子(OIF)获取多光谱波段最佳组合,然后采用不同大小滑动窗口(从3像素×3像素到13像素×13像素)提取全色波段的灰度共生矩阵(GLCM)、分形和空间自相关3种纹理特征并分别与光谱特征组合,最后通过支持向量机(SVM)分类进行苹果园分类识别。研究表明:在分类特征上,与单一光谱或纹理特征相比,光谱特征结合纹理特征能有效提高苹果园提取精度(Fa)和总体分类精度(OA),其中光谱+GLCM纹理(9像素×9像素)分类精度最高,Fa和OA分别为96.99%和96.16%,比光谱+分形纹理分别提高0.63个百分点和1.56个百分点,比光谱+空间自相关纹理显著提高11.92个百分点和9.20个百分点。在分类方法上,通过对比分析SVM、最大似然和神经网络3种方法的分类结果,探明SVM分类识别苹果园精度最高。最后对苹果园提取结果进行面积统计,结果表明GLCM纹理结合SVM分类的苹果园面积估算与目视解译结果的一致性超过98%。 相似文献