全文获取类型
收费全文 | 56篇 |
免费 | 1篇 |
国内免费 | 24篇 |
专业分类
林业 | 4篇 |
农学 | 1篇 |
基础科学 | 11篇 |
18篇 | |
综合类 | 35篇 |
农作物 | 2篇 |
水产渔业 | 1篇 |
畜牧兽医 | 9篇 |
出版年
2022年 | 3篇 |
2021年 | 1篇 |
2020年 | 6篇 |
2019年 | 5篇 |
2018年 | 4篇 |
2017年 | 6篇 |
2016年 | 8篇 |
2015年 | 2篇 |
2014年 | 7篇 |
2013年 | 3篇 |
2012年 | 2篇 |
2011年 | 3篇 |
2010年 | 2篇 |
2006年 | 3篇 |
2005年 | 3篇 |
2004年 | 2篇 |
2003年 | 2篇 |
2002年 | 2篇 |
2001年 | 2篇 |
2000年 | 3篇 |
1999年 | 3篇 |
1995年 | 4篇 |
1994年 | 2篇 |
1992年 | 1篇 |
1991年 | 1篇 |
1990年 | 1篇 |
排序方式: 共有81条查询结果,搜索用时 15 毫秒
61.
62.
玉米是应用最广泛的饲料,有黄色和白色两种,但营养成分略有差别,黄色玉米比白色玉米含有的胡萝卜素多。 相似文献
63.
基于遥感和AquaCrop作物模型的多同化算法比较 总被引:1,自引:0,他引:1
为了研究不同数据同化方法在AquaCrop(FAO Crop model to simulate yield response to water)模型模拟作物地上生物量(above ground biomass,AGB)、冠层覆盖度(canopy cover,CC)和产量过程的效率,以冬小麦为研究对象,利用2012-2013、2013-2014和2014-2015年冬小麦田间试验数据,将标定的Aqua Crop生长模型与遥感光谱信息相结合开展同化技术分析,应用粒子群优化(particle swarm optimization,PSO)、模拟退火(simulated annealing,SA)和复合型混合演化(shuffled complex evolution,SCE-UA)3种数据同化算法,以不同生育期、不同水分处理和不同氮肥水平的AGB和CC为双变量开展多同化算法的模拟分析,对3种数据同化算法的运算效率和同化结果进行对比分析。结果表明:1)3种数据同化算法达到的应度值0.26时,SCE-UA同化算法用时最少(833 s),SA数据同化算法用时最多(1433 s),表明SCE-UA同化算法效率最优,SA数据同化算法效率最低;2)不同生育期的同化结果,AGB的同化精度随着生育期的推进而降低,AGB的模拟值在拔节期和挑旗期高于实测值,被高估,在开花期和灌浆期被低估,总的AGB被低估;CC在拔节期和挑旗期被低估,在开花期和灌浆期被高估,总的CC被低估;3)不同水分处理的同化结果,AGB普遍被低估,CC在雨养(W0)条件下被高估,在正常灌溉(W1)和过量灌溉(W2)条件下被低估;产量均被低估;4)不同氮肥水平,AGB的模拟精度随着施N量的增加而降低,并且普遍被低估,CC普遍被高估,产量均被低估。以上结果表明,PSO、SA和SCE-UA 3种数据同化算法均能有效模拟冬小麦的AGB、CC和产量,其中SCE-UA数据同化算法无论在运算效率还是同化结果的精度上均优于PSO和SA数据同化算法。 相似文献
64.
基于开花期氮素营养指标的冬小麦籽粒蛋白质含量遥感预测 总被引:4,自引:2,他引:2
籽粒蛋白含量(grain protein content,GPC)是衡量小麦品质的重要指标,及时准确的预测小麦GPC有利于小麦的分类收割和分级存储。为了能够选择一个合适的氮素营养指标作为中间变量来反演小麦GPC,该文研究分别以开花期植株氮素累积量(plant nitrogen accumulation,PNA)、植株氮素含量(plant nitrogen content,PNC)、叶片氮素累积量(leaf nitrogen accumulation,LNA)和叶片氮素含量(leaf nitrogen content,LNC)4个氮素营养指标为中间变量,并运用支持向量机(support vector machines,SVM)算法实现4个氮素营养指标的估测,最后构建及评价基于开花期"植被指数(vegetation index,VI)-氮素营养指标(nitrogen nutrition index,NNI)-GPC"模式的冬小麦GPC预测模型。结果表明:1)通过分析植被指数与氮素营养指标的相关性,选择植被指数MSAVI、PSRI、DVI、RDVI和GNDVI作为氮素营养指标模型的构建变量;2)运用SVM方法构建的VI-NNI模型中LNC的建模精度与验证精度相对最优,其建模决定系数(coefficient of determination,R~2)和验证集标准均方根误差(normalized root mean squared error,n RMSE)及验证标准化平均误差(normalized average error,NAE)分别为0.820、9.553%、-1.4%,验证结果稳定性较好;3)构建NNI-GPC模型中PNC的建模精度与验证精度相对最好,其建模R~2和验证n RMSE及NAE分别为0.653、9.843%、-0.3%;4)最终构建的VI-NNI-GPC模型中,以开花期PNC为中间变量的模型建模及反演精度最好,其建模R~2和验证n RMSE及NAE分别为0.631、8.564%、-0.9%。以氮素营养指标为中间变量的GPC遥感反演是可行的,并且比较4个氮素营养指标为中间变量反演GPC,PNC具有较高精度的预测结果,为精确反演GPC提供一个可靠的依据,具有一定的应用前景。 相似文献
65.
基于综合指标的冬小麦长势无人机遥感监测 总被引:10,自引:7,他引:3
作物长势监测可以及时获取作物的长势信息,该文尝试建立新型长势指标,监测小麦总体长势情况。将反映小麦长势的叶面积指数(leaf area index,LAI)、叶片叶绿素含量、植株氮含量、植株水分含量和生物量5个指标按照均等权重综合成一个指标,综合长势指标(comprehensive growth index,CGI)。利用450~882 nm范围内单波段和任意两个波段构建归一化光谱指数(normalized difference spectral index,NDSI),比值光谱指数(ratio spectral index,RSI)和简单光谱指数(simple spectral index,SSI),计算CGI与光谱指数的相关性,筛选出相关性好的光谱指数,结合偏最小二乘回归(partial least squares regression,PLSR)建立反演模型。以CGI为指标,运用无人机高光谱影像对2015年小麦多生育期的长势监测。结果表明:1)冬小麦各生育期,总体上CGI与光谱指数的决定系数R~2均好于各项单独指标与相应光谱指数的R~2。仅孕穗期CGI和RSI(754,694)的R~2比叶绿素和RSI(486,518)的R~2低,开花期的CGI和R570的R~2比生物量和R834的R~2低以及灌浆期CGI和SSI(582,498)的R~2比植株含水量和SSI(790,862)的R~2低。2)拔节期,孕穗期,开花期,灌浆期和全生育期PLSR模型的建模R~2分别为0.70,0.72,0.78,0.78和0.61。拔节期,孕穗期和开花期的无人机CGI影像验证模型的均方根误差RMSE(root mean square error)分别为0.050,0.032和0.047。CGI与相应光谱指数的R~2高于单独各项指标与相应光谱指数的R~2,光谱指数能够很好反映CGI包含的信息。无人机高光谱影像反演CGI精度较高,能够判断出小麦总体的长势差异,可为监测小麦长势提供参考。 相似文献
66.
基于无人机多光谱影像的夏玉米叶片氮含量遥感估测 总被引:6,自引:6,他引:0
利用无人机平台搭载多光谱相机组成的遥感监测系统在农业上已取得了一些成果,但利用无人机多光谱影像开展作物氮素估测研究少有尝试。基于此,该文利用国家精准农业基地2017年夏玉米3个关键生育期无人机多光谱影像和田间实测叶片氮含量数据,开展夏玉米叶片氮素含量的无人机遥感估测研究。对该研究选用的15个光谱变量,通过相关性分析解析光谱变量与LNC的相关关系,筛选出对玉米叶片氮素含量敏感的光谱变量;应用后向逐步回归方法分析不同变量指数下估测精度变化,最终确定不同生育期夏玉米LNC估测的光谱变量,实现对夏玉米叶片氮含量的较高精度监测。研究发现:1)在3个生育时期,GRE和GNDVI与LNC都有很强的相关性,表明绿波段可以很好地进行夏玉米生物理化参数的反演;2)在喇叭口期和灌浆期,OSAVI、SAVI与LNC具有高度相关性,证明在夏玉米生长前期和后期选择控制土壤因素的光谱变量可以提高对氮素估测的能力。在筛选最优光谱变量建模过程中发现,喇叭口期选取5个光谱变量(GNDVI、GRE、OSAVI、REG、SAVI)建模效果最好,估测模型的R~2、RMSE和nRMSE分别为0.63、27.63%、11.62%;抽雄吐丝期选取6个光谱变量(REG、GRE、GNDVI、MNLI、RED、NDVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.64、20.50%、7.80%;灌浆期选取5个光谱变量(GRE、GNDVI、RED、NDVI、OSAVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.56、31.12%、12.71%;在不同生育期选取最优光谱变量进行夏玉米LNC估测具有很好的效果。应用无人机多光谱遥感影像数据可以很好地监测田块尺度夏玉米LNC的空间分布,可为玉米田间氮素精准管理提供空间决策服务信息支持。 相似文献
67.
作物籽粒蛋白质含量遥感监测预报研究进展 总被引:2,自引:0,他引:2
【目的】梳理目前作物资料蛋白质含量遥感监测预报研究进展,掌握最新该方面的研究方法、技术等。为发展优质专用谷物并依据以蛋白质含量为主导的不同类型谷物分类收获和加工探明发展道路。【方法】通过收集国内外籽粒蛋白质含量遥感监测预测研究文献,整理、分析及归纳当前研究内容,综述前人研究等方法。【结果】概述了3种常规的作物籽粒蛋白质含量检测方法,包括常规的室内分析化学法、近红外分析方法及遥感技术预测方法;介绍了植物碳氮代谢过程与籽粒蛋白质含量形成机理以及作物籽粒蛋白质遥感预测的可行性;然后归纳了4类作物籽粒蛋白质含量遥感监测预测等方法,分别为基于‘遥感信息—籽粒蛋白质含量’模式的经验模型、基于‘遥感信息—农学参数—籽粒蛋白质含量’模式的定量模型、基于遥感数据和生态因子的籽粒蛋白质含量半机理模型、基于遥感信息和作物生长模型结合的机理解释模型,并分别综述了这4类预测模型的国内外研究进展。【结论】明确了当前在籽粒蛋白质含量遥感预测中存在的问题及进一步解决的对策。 相似文献
68.
基于冬小麦冠层高光谱的干生物量监测 总被引:1,自引:0,他引:1
冬小麦地上干生物量(AGB)能够表征麦田生态系统生产力的大小,提取AGB光谱特征信息和实现其准确估算,对于掌握冬小麦长势情况具有重要的作用。基于连续2 a的氮运筹试验,利用连续投影算法(SPA)提取原始光谱和一阶微分光谱的重要波段,并基于所提取的光谱特征利用多元线性回归(MLR)方法构建AGB的光谱监测模型。结果表明,利用SPA算法可有效降低光谱维度,基于原始光谱所筛选的重要波段分别为528,671,734,910,1 235 nm,而基于一阶微分光谱所筛选的波段为530,669,740,817,1 209 nm;基于一阶微分处理所建立的模型校正集与验证集模型均达到了较高的精度,Y=-5.01+2 043.86R530-7 772.11R669+348.54R740+14 462.04R817+14 196.13R1209,其R2,RMSE和RPD分别为0.72,1.92 t/hm2和2.53;验证集R2和RMSE分别为0.67,2.25 t/hm2。研究表明,结合SPA和MLR可以实现冬小麦AGB的实时估算,研究结果对冬小麦生长状况监测具有一定的参考价值。 相似文献
69.
70.
基于赤池信息量准则的冬小麦叶面积指数高光谱估测 总被引:5,自引:2,他引:3
冬小麦叶面积指数(leaf area index,LAI)是描述冠层结构的重要参数之一,对评价其长势和预测产量具有重要意义。该文利用灰色关联分析(grey relational analysis,GRA)对植被指数进行排序,用偏最小二乘法(partial least squares regression,PLS)选择不同的植被指数个数作为自变量进行回归建模,通过赤池信息量准则(Akaike’s information criterion,AIC)选择AIC值最小的模型作为冬小麦LAI最优估算模型,即GRA、PLS和AIC 3种方法整合建立冬小麦LAI最优估算模型。使用2008-2009年在中国北京通州区和顺义区获取的整个生育期冬小麦LAI和配套的光谱数据进行建模,利用2009-2010相关数据进行验证。研究表明:采用GRA评价标准与冬小麦LAI关联度最大的植被指数是VOG1,关联度最小的植被指数是SR;通过AIC建立的以8个植被指数作为自变量的冬小麦LAI模型效果最优,建模集的决定系数R2和标准误SE分别为0.76和0.009,验证集的R2和相对均方根误差RRMSE分别为0.63和0.004,预测模型和验证模型均具有较高的精度和可靠性。结果表明采用GRA-PLS-AIC方法进行冬小麦LAI反演是可行的,为提高冬小麦LAI遥感预测精度提供了一种有效的方法。 相似文献