全文获取类型
收费全文 | 75篇 |
免费 | 2篇 |
国内免费 | 80篇 |
专业分类
农学 | 3篇 |
基础科学 | 23篇 |
56篇 | |
综合类 | 56篇 |
农作物 | 13篇 |
水产渔业 | 1篇 |
畜牧兽医 | 2篇 |
植物保护 | 3篇 |
出版年
2024年 | 1篇 |
2023年 | 6篇 |
2022年 | 7篇 |
2021年 | 4篇 |
2020年 | 16篇 |
2019年 | 18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157条查询结果,搜索用时 15 毫秒
151.
基于无人机数码影像的大豆育种材料叶面积指数估测 总被引:6,自引:0,他引:6
利用低成本的无人机(Unmanned aerial vehicle,UAV)高清数码影像获取系统,于2016年7—9月在山东省济宁市嘉祥县圣丰大豆育种基地,获取大豆育种材料试验区的R1-R2、R3、R5-R6共3个关键生育期的高清数码影像,首先利用高清数码影像中的黑白定标布,对数码影像的DN(Digital number,DN)值进行归一化标定,并构建标定的18个数码影像变量,然后基于900个育种小区的叶面积指数实测数据构建大豆育种材料叶面积指数的一元线性回归、逐步回归、全子集回归、偏最小二乘回归、支持向量机回归和随机森林回归模型,最后基于模型建立和验证的决定系数(R~2)、均方根误差(RMSE)和归一化的均方根误差(nRMSE)3个指标,筛选估测叶面积指数的最佳模型。研究表明,全子集回归模型中采用4个数码影像变量B、RGBVI、GLA和B/(R+G+B)的多元线性回归模型对大豆育种材料叶面积指数的解析精度最优,模型建立的R~2、RMSE和nRMSE分别为0.69、0.99和17.90%,验证模型的R~2、RMSE和nRMSE分别为0.68、1.00和18.10%。结果表明,以无人机为遥感平台,搭载低成本的高清数码相机,利用高清数码影像进行大豆育种材料LAI估测是可行的,可以快速、有效、无损地获取大豆育种材料的长势信息,为筛选高产大豆品种提供一种低成本的可行方法。 相似文献
152.
耕地非粮化对粮食生产和农业可持续发展构成潜在威胁,精准监测不同的耕地非粮化类型对制定针对性的农业管理政策至关重要。该研究以河北省石家庄市藁城区为研究区,首先采用最大类间方差算法(OTSU)提取果园和耕地范围,然后利用Google Earth Engine(GEE)云计算平台构建了基于Sentinel-2遥感数据的特征集,包括光谱特征、物候特征和NDVI(normalized difference vegetation index)时序特征。结合面向对象分割和随机森林(radom forest, RF)、时间加权的动态时间规整(time-weighted dynamic time warping, TW-DTW)算法,构建了4种不同的分类模式用于提取粮食作物和露天蔬菜、大棚种植等非粮食作物。通过选择最优模式,提取了研究区2019-2022年间不同非粮化类型的空间分布信息,并探讨了不同模式的优点和局限性。结果表明:1) 采用面向对象的机器学习模式进行耕地内作物分类的精度最佳,两个生长季内总体精度分别达到93.23%和90.10%,Kappa系数分别达到0.91和0.88;2) 基于时间序列匹配的模式在区分粮食作物和其他地类方面表现出较高的准确性,冬小麦、玉米和大豆的用户精度分别高于95.60%、74.70%、82.70%,制图精度分别高于97.70%、86.40%、93.10%;3) 利用面向对象的机器学习模式进行耕地非粮化信息提取,在两个作物生长季的总体精度为87.00%和81.00%。分析耕地非粮化结果发现,藁城区2019-2022年的年际性非粮化面积为2753.09 hm2,其中果园占比最高;而季节性非粮化结果显示,秋粮非粮化面积(3174.86 hm2)明显高于夏粮非粮化面积(1060.27 hm2)。该研究利用Sentinel-2时序遥感数据,为一年两熟区耕地非粮化监测提供一种新的思路,可以为制定差异化农业管理政策提供依据。 相似文献
153.
为实现快速无损获取马铃薯株高和地上生物量信息,分别获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期、成熟期的高光谱影像,实测马铃薯株高H、地上生物量(AGB)和地面控制点(GCP)的三维空间坐标,基于无人机高光谱影像结合GCP生成试验田的数字表面模型(DSM),利用DSM提取马铃薯的株高Hdsm ;然后,对马铃薯AGB与原始无人机冠层光谱和高光谱指数分别进行相关性分析,筛选出最优光谱指数和前10个光谱指数,利用指数回归(Exponential regression,ER)构建单变量模型;最后,采用多元线性回归(Multiple linear regression, MLR)、偏最小二乘回归(Partial least square regression, PLSR)和随机森林(Random forest, RF)3种方法构建不同生育期的估算模型,并进行对比,挑选出马铃薯AGB估算的最优模型。结果表明:将提取的马铃薯株高与实测值进行线性拟合,R 2 为0.84;在单变量模型中,每个生育期以ER估算AGB得到的验证精度高于相应的建模精度,其中构建模型效果优劣次序依次为最优光谱指数、Hdsm 、H,块茎增长期以CIrededge指数估测精度最高(R 2 =0.45);在多变量模型中,每个生育期采用3种方法构建AGB估算模型,每种方法以光谱指数加入Hdsm 的模型精度更高、稳定性更强;每个生育期利用MLR以光谱指数和Hdsm 为变量的AGB模型(R 2 为0.64、0.70、0.79、0.68、0.63)效果优于PLSR(R 2 为0.62、0.68、0.75、0.67、0.60)和RF(R 2 为0.56、0.61、0.67、0.63、0.53)模型。利用MLR模型进行马铃薯AGB填图,5个生育期的AGB空间分布与实际生长情况一致。利用融入Hdsm 的MLR模型可估测大面积马铃薯AGB,为精准农业定量化研究提供技术支持。 相似文献
154.
基于改进分离阈值特征优选的秋季作物遥感分类 总被引:1,自引:0,他引:1
为了提高秋季作物分类精度,以多时相的Sentinel 2为数据源,以生育进程相近的秋季作物为分类对象,提出一种基于Relief F算法和信息熵改进分离阈值算法(Modified ISEaTH based entropy,EMISE)的多评价准则融合特征优选算法——改进分离阈值组合式特征优选算法(Modified EMISE based Relief F,ReEMISE),并分析了不同特征对秋季作物分类的重要性。首先,利用Relief F算法对特征进行初选,结合EMISE算法对2种评价准则进行融合,再优化初选特征集,进而利用随机森林(Random forest,RF)方法提取农作物种植面积,并与单评价准则的Relief F算法和EMISE算法的随机森林分类精度进行比较。同时,利用多时相光谱特征、传统指数特征、红边指数特征、纹理特征、不同时相波段差值特征、不同时相波段比值特征及优选特征,通过7组不同的特征组合提取秋季作物种植面积,分析不同特征组合对秋季作物分类精度的影响。结果表明:ReEMISE特征优选的随机森林法在特征变量为9个时精度最高,总体精度和Kappa系数分别为95.3918%和0.9397;综合多特征是提高农作物分类精度的关键,在多时相光谱特征基础上分别加入传统指数特征和红边特征,总体精度分别提高1.5021、1.5715个百分点,Kappa系数分别提高0.0198、0.0207。因此综合多特征的ReEMISE特征优选的随机森林法可以有效提高秋作物分类精度和效率。 相似文献
155.
基于注意力机制和多尺度残差网络的农作物病害识别 总被引:3,自引:0,他引:3
针对传统农作物病害识别方法依靠人工提取特征,步骤复杂且低效,难以实现在田间环境下识别的问题,提出一种多尺度卷积结构与注意力机制结合的农作物病害识别模型。该研究在残差网络(ResNet18)的基础上进行改进,引入Inception模块,利用其多尺度卷积核结构对不同尺度的病害特征进行提取,提高了特征的丰富度。在残差结构的基础上加入注意力机制SE-Net(Squeeze-and-excitation networks),增强了有用特征的权重,减弱了噪声等无用特征的影响,进一步提高特征提取能力并且增强了模型的鲁棒性。实验结果表明,改进后的多尺度注意力残差网络模型(Multi-Scale-SE-ResNet18)在复杂田间环境收集的8种农作物病害数据集上的平均识别准确率达到95.62%,相较于原ResNet18模型准确率提高10.92个百分点,模型占用内存容量仅为44.2MB。改进后的Multi-Scale-SE-ResNet18具有更好的特征提取能力,可以提取到更多的病害特征信息,并且较好地平衡了模型的识别精度与模型复杂度,可为田间环境下农作物病害识别提供参考。 相似文献
156.
叶绿素是衡量作物光合作用的重要指标,监测马铃薯关键生育期叶片叶绿素含量(Leaf chlorophyll content, LCC)至关重要。获取马铃薯块茎形成期、块茎增长期和淀粉积累期的无人机RGB和多光谱影像,提取无人机多光谱影像的光谱反射率构建植被指数(Vegetation index, VIs),利用Gabor滤波器提取RGB影像的纹理信息(Texture information, TIs)。然后利用机器学习SVR-REF方法进行数据降维获取植被指数和纹理特征重要性排序,并采用迭代的方法在植被指数最佳模型中加入纹理信息,观察每次加入的纹理信息对模型的动态影响。最后使用支持向量机(Support vector machine, SVR)和K-最近邻算法(K-nearest neighbor, KNN)2种机器学习方法进行建模。结果表明,马铃薯3个关键生育期,加入纹理特征后的2种模型精度和稳定性均有提高,且SVR模型精度优于KNN。块茎形成期,SVR模型建模R2由0.61提升至0.71,RMSE由0.20 mg/g降为0.17 mg/g,精度提升14.2%,验... 相似文献
157.
基于日气温特征值与冷/热积量模型耦合的苹果始花期预报模型 总被引:1,自引:0,他引:1
以临猗、洛川和栖霞3个富士系苹果主产区为研究区,基于2019−2020年各地调查样点的1km格网气象数据、实际始花期数据以及冷小时模型(Chilling Hour Model,CHM)和生长度小时(Growing Degree Hour,GDH)模型,利用网格搜索法得到苹果始花期最优冷/热需求量;然后将日气温特征值(日最高温Tmax、日最低温Tmin和日平均温Tavg)划分为单因子、双因子和三因子7种日气温特征因子组合方式,利用随机森林算法(Random Forest,RF)构建3个地区不同日气温特征因子组合下的日冷/热积量模型,以筛选最优日气温特征因子;在此基础上,基于最优日气温特征因子,利用RF构建苹果始花期预报模型,并通过独立实际始花期数据对预报模型进行精度评价。结果表明:(1)临猗地区的苹果始花期最优冷/热需求量分别为730CH和7350GDH,洛川地区分别为345CH和4950GDH,栖霞地区分别为520CH和4450GDH;(2)7种日气温特征因子组合中,Tmax、Tmin和Tavg三因子组合下的3个地区日冷/热积量模型在估算日冷/热积量时均具有较高的准确性,日冷积量估算值与基于CHM模型得到的日冷积量间的RMSE为0.97~2.50CH,日热积量估算值与基于GDH模型得到的日热积量间的RMSE为1.73~15.76GDH;(3)利用苹果始花期预报模型估算日冷/热积量,日冷/热积量估算值与基于CHM/GDH模型得到的日冷/热积量间的RMSE分别为1.08~1.14CH和2.03~3.74GDH;当利用该模型进行苹果始花期预报时,预报值与实际值R2为0.92,RMSE为3.44d,其精度与基于真实逐小时气温数据的精度整体一致,表明本研究构建的苹果始花期预报模型可以有效将输入气温数据从逐小时尺度转换为日尺度,这在后续苹果始花期预报工作中具有较好的应用价值和潜力。 相似文献