全文获取类型
收费全文 | 72篇 |
免费 | 5篇 |
国内免费 | 78篇 |
专业分类
农学 | 3篇 |
基础科学 | 23篇 |
56篇 | |
综合类 | 55篇 |
农作物 | 13篇 |
水产渔业 | 1篇 |
畜牧兽医 | 2篇 |
植物保护 | 2篇 |
出版年
2024年 | 1篇 |
2023年 | 6篇 |
2022年 | 6篇 |
2021年 | 4篇 |
2020年 | 16篇 |
2019年 | 17篇 |
2018年 | 12篇 |
2017年 | 13篇 |
2016年 | 18篇 |
2015年 | 9篇 |
2014年 | 10篇 |
2013年 | 5篇 |
2012年 | 5篇 |
2011年 | 7篇 |
2010年 | 6篇 |
2009年 | 2篇 |
2008年 | 3篇 |
2007年 | 4篇 |
2006年 | 2篇 |
2005年 | 1篇 |
2004年 | 1篇 |
2002年 | 5篇 |
2001年 | 1篇 |
1996年 | 1篇 |
排序方式: 共有155条查询结果,搜索用时 46 毫秒
101.
基于改进水云模型和Radarsat-2数据的农田土壤含水量估算 总被引:3,自引:2,他引:1
为了直接将雷达遥感中"水云模型"进行反演应用,该研究将"水云模型"中植被参数改为雷达植被指数,利用全极化数据直接支持遥感反演土壤含水量,无需遥感反演植被参数输入。改进模型为利用雷达遥感结合"水云模型"进行土壤含水量监测提供了一种高效便捷方法。基于Radarsat-2全极化数据对冬小麦覆盖的农田土壤含水量进行估算,利用2014年在陕西杨凌区获取的4个生育期内Radarsat-2卫星数据及同步田间测量108组冬小麦农田土壤含水量地面测量数据进行模型参数校正和精度验证。验证结果精度为:改进的雷达植被指数模型原叶面积指数模型(实测叶面积指数验证)原叶面积指数模型(光学遥感反演叶面积指数验证),且改进的雷达植被指数模型可以在多个生育期内对农田土壤含水量进行监测。 相似文献
102.
为探究小麦条锈病病情状况与冠层光谱的关系,通过田间人工接种条锈病菌,在不同生育期测定各个种植小区的冠层光谱、病情指数,对测定的光谱进行了连续统去除,提取光谱吸收深度、吸收峰总面积、吸收峰左端面积、对称度等吸收特征参数,计算光谱敏感度值,以病害区光谱吸收特征参数和光谱敏感度两个指标定量分析了小麦病害随生育期推进的变化程度,并且以不同生育期的光谱敏感度值和全生育期吸收特征参数为自变量建立回归模型,精确反演了小麦全生育期的病情指数。结果表明,以光谱敏感度值为自变量的组合模型预测值拟合度为0.97,以光谱吸收特征参数为自变量的模型预测值拟合度为0.95,均达到显著水平。 相似文献
103.
冬小麦叶片光合特征高光谱遥感估算模型的比较研究 总被引:1,自引:0,他引:1
【目的】光合作用是农作物产量和品质形成的基础,农作物光合参数的准确定量遥感反演不仅能够了解农作物的生长发育和有机物累积状况,还能为基于遥感的生态系统过程模型提供参考。为快速准确的估算光合特征参量,本研究综合原始光谱、3种传统光谱变换技术和4种模拟方法构建冬小麦3种光合参数的高光谱反演模型,探讨高光谱反演冬小麦光合参数的可行性,对比不同类别光谱和模拟方法的适用性。【方法】本研究基于氮肥施用条件冬小麦气体交换和高光谱田间试验,获取不同叶位叶片的最大净光合速率(Amax)、PSⅡ有效光化学量子产量(Fv′/Fm′)、光化学猝灭系数(qP)和高光谱反射率,并对原始高光谱进行倒数、对数和一阶微分变换。根据3种光合参数和4种光谱的相关性分析结果,筛选显著性水平优于0.01的波段作为输入变量,采用偏最小二乘(PLS)、支持向量机(SVM)、多元线性回归(MLR)和人工神经网络(ANN)等方法建立冬小麦叶片光合参量反演模型,以建模和验证的决定系数(R 2)和均方根误差(RMSE)为依据,对不同模型的模拟精度进行比较分析。 【结果】(1)3种光合参数和4种光谱的相关性分析结果表明,原始、倒数和对数光谱对3种光合参数(Amax、Fv′/Fm′和qP)的敏感谱区均集中在400—750 nm波谱区间,一阶导数光谱对3个光合参数的敏感谱区为470—560、630—700和700—770 nm波谱区间。(2)Amax、Fv′/Fm′和qP的最优反演模型组合分别为基于倒数光谱的MLR模型、基于一阶导数光谱的MLR模型和基于原始光谱的MLR模型。模型的建模R 2分别为0.75、0.65和0.65,验证R 2分别为0.73、0.59和0.44,表明基于高光谱模拟Amax和Fv′/Fm′切实可行,模拟qP的有效性需要进一步验证。(3)不同变换的光谱表现能力不同,以PLS模拟Amax为例,光谱的表现能力顺序为原始光谱>倒数光谱>对数光谱>一阶导数光谱。(4)不同模型的估算能力也存在明显差异,以基于原始光谱的Amax模拟为例,不同模型的估算能力顺序为MLR>PLS>ANN>SVM。 【结论】通过对比分析4种光谱和4种模拟方法对3种冬小麦光合参数的高光谱反演结果发现,Amax和Fv′/Fm′可以很好通过高光谱进行模拟,而高光谱对qP解释能力偏低,有待进一步研究。高光谱信息对冬小麦光合参量具有较强的敏感性,同时受光谱类型和模拟方法的影响,可以用来监测冬小麦光合能力的动态变化,为把握农作物生长状况提供依据。 相似文献
104.
基于无人机数码影像的冬小麦株高和生物量估算 总被引:4,自引:4,他引:0
高效、快速地获取作物的株高和生物量信息,对农业生产有重要意义。该文利用2015年4月-6月获得了冬小麦拔节期、挑旗期和开花期的高清数码影像。首先基于无人机高清数码影像生成冬小麦的作物表面模型(crop surface model,CSM),利用CSM提取出冬小麦的株高(Hcsm),然后利用提取的21种数码影像图像指数,构建了拔节期、挑旗期和开花期混合的多生育期生物量估算模型,并进行单生育期和多生育期模型对比分析;最后选择逐步回归(stepwise regression,SWR)、偏最小二乘(partial least square,PLSR)、随机森林(random forest,RF)3种建模方法对多生育期估算模型进行对比,挑选出冬小麦生物量估算的最优模型。结果表明,提取的Hcsm和实测株高(H)具有高度拟合性(R2=0.87,RMSE=6.45 cm,NRMSE=11.48%);与仅用数码影像图像指数构建的生物量估算模型相比(R2=0.721 2,RMSE=0.137 2 kg/m2,NRMSE=26.25%),数码影像图像指数融入H和Hcsm所得模型效果更佳,其中融入Hcsm的模型精度和稳定性(R2=0.819 1,RMSE=0.110 6 kg/m2,NRMSE=21.15%)要优于加入株高H所构建的估算模型(R2=0.794 1,RMSE=0.117 9 kg/m2,NRMSE=22.56%);SWR生物量估算模型(R2=0.7212)效果优于PLSR(R2=0.677 4)和RF(R2=0.657 1)生物量估算模型。该研究为冬小麦生长状况高效、快速监测提供参考。 相似文献
105.
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
106.
为给作物的田间管理决策提供参考依据,本文以国家精准农业研究示范基地2013-2014年的冬小麦试验为基础,设置常规推荐施氮(NM,施氮量150 kg·hm-2)、不施氮(CK)、饱和施氮(BH,施氮量为NM处理的150%)、基于SPAD的变量施氮(S)、基于Dualex的变量施氮(D)、基于Multiplex的变量施氮(M)、基于光谱参数OSAVI的变量施氮(A)等8个处理,采用常规统计与地统计分析法探索植株氮素累积量与生物量的时空变化特征,并分析变量施肥对植株氮素累积的影响。结果表明,冬小麦生育期内植株氮素累积量与生物量整体呈上升趋势,在起身期二者变异系数分别为31.32%和28.64%,收获期分别为16.38%和 15.20%;在开花与灌浆期,8个处理间植株氮素累积量差异没有达到极显著水平(P>0.01);在拔节期与挑旗期,不同处理间生物量差异也均没有达到极显著水平(P>0.01);在其他时期,CK、BH、NM、A、D处理间二指标的差异均极显著(P<0.01)。地统计分析表明,试验区小麦在开花期植株氮素累积量普遍较低,其块基比为 40.53%,变程为80 m,具有强烈的空间自相关性;灌浆期与收获期空间植株氮素累积量分布较连续,块基比分别为45.84%和43.60%,变程分别为62.9 和67.0 m,西部累积量高于东部;起身期、拔节期、挑旗期植株氮素累积量空间分布差异大,块基比分别为55.14%、57.59%和72.74%,变程分别为28.9、41.3和31.9 m,南部含量高于北部;生物量在起身期、开花期、收获期空间分布图连续性强,挑旗期块基比为69.22%,变程最小,为10.4 m,空间分布差异大,拔节期与灌浆期块基比分别为64.59%和72.04%,变程分别为34.5 和27.3 m,有中等程度的空间自相关性;试验区在起身期南部生物量大于北部,开花期、灌浆期与收获期西部生物量高于东部。 相似文献
107.
扫描成像光谱仪和地物光谱仪在单叶尺度上的对比研究 总被引:3,自引:1,他引:2
【目的】对图谱合一的冬小麦叶片高光谱数据进行分析,验证扫描成像光谱仪(PIS)在近地使用的可行性。【方法】利用扫描成像光谱仪和地物光谱仪(ASD)获取冬小麦关键生育期的叶片光谱信息,比较两仪器在450—850nm获得的光谱曲线;选取15种植被指数,对两仪器获得的光谱值进行植被指数运算,并将结果与叶片叶绿素含量进行相关分析。【结果】在冬小麦的不同生育期,扫描成像光谱仪和地物光谱仪获得叶片的反射率曲线趋势一致,在对应的波段均表现出相应的波峰、波谷、高反射区等特征,但扫描成像光谱仪获得的反射率值都高于地物光谱仪。对比两仪器15种植被指数和叶绿素含量之间的相关系数得出,扫描成像光谱仪获得的相关系数普遍高于地物光谱仪。【结论】扫描成像光谱仪和地物光谱仪获取的数据有相同的曲线特征,说明扫描成像光谱仪获得的数据是可靠的;植被指数与叶绿素含量的相关系数比较结果表明,扫描成像光谱仪获得的图谱合一的数据在近地遥感研究中有很大的优势。 相似文献
108.
[目的]探讨边缘效应对贺兰山东坡直翅目昆虫群落的影响。[方法]样带法采集取样,记录不同种类及生境中直翅目昆虫的数量。[结果]斑翅蝗科、斑腿蝗科和癞蝗科个体数量分别占总数的42.65%、29.15%和12.76%,构成研究区域直翅目昆虫的优势类群。直翅目昆虫数量沿疏林草地、边缘和荒漠草地依次增加,边缘多样性高于疏林草地和荒漠草地内部,且边缘与疏林草地差异显著;无论是疏林草地还是荒漠草地,直翅目昆虫群落多样性都是随着距边缘距离的增加而降低。在疏林草地-荒漠草地过渡带出现了栖息地广布种、利用边缘的栖息地广布种、利用边缘的栖息地特异种和逃避边缘的栖息地特异种4种边缘反应类型。[结论]该研究可为直翅目昆虫生物多样性的保护和开发利用及保护生物学的发展提供数据和理论基础。 相似文献
109.
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
110.
基于随机森林算法的冬小麦叶面积指数遥感反演研究 总被引:10,自引:1,他引:9
【目的】通过利用随机森林算法(random forest,RF)反演冬小麦叶面积指数(leaf area index, LAI),及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析(correlation coefficient,r)和袋外数据(out-of-bag data,OOB)重要性分析与随机森林算法(random forest,RF)相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数(R2)分别为0.805、0.899,均方根误差(RMSE)分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R2为0.761,RMSE为0.320,数值范围(1.02-6.41)与地面实测(1.29-6.81)亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。 相似文献