全文获取类型
收费全文 | 181篇 |
免费 | 8篇 |
国内免费 | 8篇 |
专业分类
林业 | 3篇 |
农学 | 4篇 |
基础科学 | 101篇 |
4篇 | |
综合类 | 54篇 |
农作物 | 2篇 |
水产渔业 | 1篇 |
畜牧兽医 | 24篇 |
园艺 | 1篇 |
植物保护 | 3篇 |
出版年
2024年 | 28篇 |
2023年 | 57篇 |
2022年 | 32篇 |
2021年 | 14篇 |
2020年 | 8篇 |
2019年 | 4篇 |
2018年 | 4篇 |
2017年 | 2篇 |
2016年 | 3篇 |
2014年 | 2篇 |
2013年 | 9篇 |
2012年 | 3篇 |
2011年 | 7篇 |
2010年 | 3篇 |
2009年 | 2篇 |
2008年 | 4篇 |
2007年 | 3篇 |
2005年 | 2篇 |
2004年 | 2篇 |
2003年 | 2篇 |
1996年 | 1篇 |
1995年 | 1篇 |
1994年 | 1篇 |
1991年 | 3篇 |
排序方式: 共有197条查询结果,搜索用时 31 毫秒
1.
在气候变化和人类活动的综合影响下,青海省生态环境发生了明显变化。在此背景下,以GIMMS NDVI 3g.v1为数据源,采用Sen+Mann-Kendal方法研究青海省1982-2015年植被覆盖区域NDVI时空变化,将趋势分析和R/S(rescaled range analysis)分析叠加,研究植被生长季NDVI变化的持续性特征,并揭示植被对气候变化及人类活动的响应规律。结果表明:1)近34年青海省植被NDVI整体呈从西北到东南的增加趋势;且变异系数显示,波动性较大地区集中在柴达木盆地周边和青南牧区西北部等植被NDVI较低的区域,波动性较小地区集中在祁连山东部、东部农业区和青南牧区东南部等植被NDVI较高的区域。2)近34年青海省植被NDVI整体呈增加趋势,增长率为0.38%·10a~(-1);且NDVI变化具有明显的阶段性,存在1994年和2000年两个突变点。3)近34年青海省植被改善区域(75.4%)远大于退化区域(24.6%),其中显著改善面积占植被覆盖区域面积的40.9%,退化区随时间变化在空间上表现出明显的转移现象。4)Hurst指数表明,青海省植被变化反持续性较强,趋势分析与Hurst指数叠加得出,由退化转为改善的区域占植被覆盖区面积的13.7%,由改善转为退化的区域占植被覆盖区面积的44.3%,另41.5%的区域无法确定未来变化趋势。5)青海省植被生长季NDVI受气候变化和人类活动的双重影响,且不同植被类型对气候变化的响应存在较大差异。 相似文献
2.
非洲猪瘟病毒基因缺失疫苗株的构建和免疫保护特性 总被引:1,自引:0,他引:1
《中国兽医学报》2019,(8):1421-1427
以我国首例非洲猪瘟疫情中分离的流行毒株(SY18)为亲本株构建了多基因家族(MGF)基因和CD2v基因缺失的非洲猪瘟病毒基因缺失疫苗候选株,针对基因缺失株的安全性和免疫保护效果进行了特性研究。结果显示,MGF和CD2v双基因缺失株(ASFV SY18ΔMGF/ΔCD2v)对猪安全,接种猪能够100%抵抗亲本强毒株SY18株的攻击,对照猪全部死亡;说明该毒株可作为非洲猪瘟疫苗候选株。 相似文献
3.
针对自然环境下橙子检测存在枝叶遮挡、相邻果实重叠等情况而导致检测效果差的问题,提出一种改进的YOLO v5方法。首先,在主干网络部分使用RepVGG(re-param VGG)模块替换原始C3模块,加强网络对特征信息的提取能力;其次,在颈部网络使用鬼影混洗卷积(ghost-shuffle convolution)代替原有的标准卷积,能够在保证精度的前提下,降低模型参数量;再次,在预测头前加入ECA(efficient channel attention)注意力模块,能够更加准确定位目标信息;最后,引入EIOU(efficient intersection over union)损失函数加速预测框的收敛,提高其回归精度。改进的YOLO v5网络在自然环境下的橙子检测中平均精度达到90.1%,相比于目前热门的检测网络CenterNet、YOLO v3和YOLO v4其在识别效果方面有一定的提升。可见,所提出的改进网络在橙子检测上更有优势,能为今后智能采摘机器人的研发提供理论支撑和技术参考。 相似文献
4.
5.
6.
7.
8.
阐述了蓝沙还原卡v9.2在保护电子阅览室计算机系统方面上的优势、工作原理、以及使用中常遇到的问题和解决方法。 相似文献
9.
10.
黄瓜霜霉病由古巴假霜霉病菌孢子通过侵染引起,严重影响了黄瓜的品质和产量;病菌孢子数量与病情严重度相关,因此建立快速、简便和高效的病菌孢子定量检测方法,实现黄瓜霜霉病防治关口前移。基于YOLO v5模型提出了一种基于Faster-NAM-YOLO的黄瓜霜霉病菌孢子定量检测模型,该模型首先提出了一种特征提取模块C3_Faster,使用C3_Faster替换YOLO v5中的C3模块,有效降低了模型参数计算量和模型深度,提升了对黄瓜霜霉病菌孢子检测速度和精度;其次在主干网络中加入了NAM注意力模块,通过应用权重稀疏性惩罚抑制不显著权重,进而提高模型的特征提取能力和计算效率;最后实现了对黄瓜霜霉病菌孢子的定量检测。实验结果表明,Faster-NAM-YOLO模型在测试集上mAP@0.5和mAP@0.5:0.95分别达到95.80%和60.90%,对比原始YOLO v5模型分别提升1.80、1.20个百分点,较原始YOLO v5模型内存占用量和每秒浮点运算次数分别减少5.27 MB和1.49×1010;通过与YOLO v3、THP-YOLO v5、YOLO v7、YOLO ... 相似文献