全文获取类型
收费全文 | 1552篇 |
免费 | 46篇 |
国内免费 | 52篇 |
专业分类
林业 | 162篇 |
农学 | 104篇 |
基础科学 | 113篇 |
95篇 | |
综合类 | 561篇 |
农作物 | 56篇 |
水产渔业 | 77篇 |
畜牧兽医 | 347篇 |
园艺 | 76篇 |
植物保护 | 59篇 |
出版年
2024年 | 23篇 |
2023年 | 48篇 |
2022年 | 53篇 |
2021年 | 35篇 |
2020年 | 28篇 |
2019年 | 45篇 |
2018年 | 52篇 |
2017年 | 34篇 |
2016年 | 28篇 |
2015年 | 48篇 |
2014年 | 108篇 |
2013年 | 58篇 |
2012年 | 77篇 |
2011年 | 46篇 |
2010年 | 58篇 |
2009年 | 57篇 |
2008年 | 64篇 |
2007年 | 38篇 |
2006年 | 61篇 |
2005年 | 48篇 |
2004年 | 48篇 |
2003年 | 45篇 |
2002年 | 33篇 |
2001年 | 34篇 |
2000年 | 35篇 |
1999年 | 34篇 |
1998年 | 36篇 |
1997年 | 49篇 |
1996年 | 28篇 |
1995年 | 25篇 |
1994年 | 36篇 |
1993年 | 27篇 |
1992年 | 20篇 |
1991年 | 34篇 |
1990年 | 36篇 |
1989年 | 22篇 |
1988年 | 13篇 |
1987年 | 15篇 |
1986年 | 12篇 |
1985年 | 17篇 |
1984年 | 5篇 |
1983年 | 10篇 |
1982年 | 5篇 |
1981年 | 6篇 |
1980年 | 4篇 |
1964年 | 2篇 |
1959年 | 1篇 |
1956年 | 1篇 |
1955年 | 1篇 |
1954年 | 1篇 |
排序方式: 共有1650条查询结果,搜索用时 18 毫秒
51.
52.
我国进出境动物检疫简史李通瑞(国家动植物检疫局,北京100026)国际上动物检疫始于意大利。1879年,欧洲一些国家发现由美国进口的肉类中有旋毛虫,为此意大利政府首先下令禁止进口美国肉类,至1881年,奥地利、德国、法国也相继宣布不准美国肉类进口,这... 相似文献
53.
54.
55.
通过加大网箱的长,宽,深度,由3×3×3(米)正方形小网箱改为6×6×4(米)相对较大规格的网箱,以扩大网箱内容水体,在同一海区同等管理条件下,进行网箱养鱼对比试验,结果后者明显比前者扩大了养殖鱼的活动范围,提高了成活率,起到了预防鱼病作用,降低了养殖成本,增加产量,增加收益,提高了经济效益,尤其是具有资金实力下采用后者的钢管架网箱养殖,或设置其在网箱养殖区域四周,具有加固,增强抗击风浪能力,是现 相似文献
56.
在种子行政执法工作中遇到这样一个案例:甲市乙县几个农民到邻省丙市××种苗公司购买西瓜种子79桶,育苗后将西瓜种苗分给13户农民种植.共种植西瓜88棚133.3亩.西瓜结果后,因为果实杂色相当严重,种植户怀疑西瓜种子有质量问题.多次通过电话向××公司反映,但××公司不予理睬.农民投诉到乙县农业局,县农业局认为案情重大,建议农民向甲市农业局投诉,后来甲市农业局受理投诉,立案调查. 相似文献
57.
59.
【目的】评估建立奶牛疾病预测模型的6种机器学习(machine learning,ML)算法的性能及预测变量的重要性。【方法】选取2020年12月至2021年11月,共计944头泌乳牛的生产信息、行为信息作为预测因子,疾病信息作为输出变量,训练并验证模型。将日产奶量、反刍量、活动量、胎次和泌乳天数作为输入变量,利用ML算法建立奶牛疾病的预测模型,评估决策树(Decision Tree,DT) C5.0、CHAID算法、人工神经网络(Artificial Neural Network,ANN)、随机森林(Random Forests,RF)、贝叶斯网络(Bayesian Networks,BN)和逻辑回归(Logistic Regression,LR)6种ML算法的性能,评估预测变量的重要性,以及将胎次和泌乳天数纳入预测变量后模型性能的改善情况。采用敏感性和特异性评估模型性能,按照权重排序评估输入变量对模型预测的重要性。【结果】DT C5.0算法敏感性>85%,特异性>90%,为性能最佳的模型;RF总敏感性为56.8%,对各类牛预测的性能较稳定;ANN、BN、DT CHAID则对样本量较多的疾病预测性能较好,可达74.4%;LR对病牛正确识别率不足40.0%,大多识别为健康牛。产奶量为RF、ANN、LR最重要的预测变量,泌乳天数为DT C5.0、CHAID和BN最重要的预测变量;纳入胎次和泌乳天数后,模型预测的敏感性平均提高9.8%。【结论】ML算法在对奶牛疾病的预测方面表现出很大潜力,其中,DT C5.0更适合用于预测奶牛疾病。产奶量和泌乳天数为疾病预测模型中相对重要的变量,此外,将胎次和泌乳天数纳入预测变量,可提高模型的预测精度。 相似文献
60.