全文获取类型
收费全文 | 271篇 |
免费 | 38篇 |
国内免费 | 74篇 |
专业分类
林业 | 18篇 |
农学 | 7篇 |
基础科学 | 89篇 |
84篇 | |
综合类 | 136篇 |
农作物 | 11篇 |
水产渔业 | 3篇 |
畜牧兽医 | 29篇 |
园艺 | 1篇 |
植物保护 | 5篇 |
出版年
2024年 | 41篇 |
2023年 | 96篇 |
2022年 | 76篇 |
2021年 | 56篇 |
2020年 | 36篇 |
2019年 | 27篇 |
2018年 | 7篇 |
2017年 | 11篇 |
2016年 | 4篇 |
2015年 | 3篇 |
2014年 | 3篇 |
2013年 | 6篇 |
2012年 | 2篇 |
2011年 | 1篇 |
2010年 | 1篇 |
2009年 | 2篇 |
2008年 | 2篇 |
2007年 | 3篇 |
2006年 | 2篇 |
2005年 | 1篇 |
2004年 | 1篇 |
2001年 | 1篇 |
1996年 | 1篇 |
排序方式: 共有383条查询结果,搜索用时 468 毫秒
1.
熊蜂 (Bombus spp.) 和蜜蜂 (Apis mellifera L.) 是自然界中的重要传粉昆虫,近年来因为农药的大规模不合理使用造成了世界多个地区熊蜂和蜜蜂种群的持续下降。为了更好地评估农药对熊蜂和蜜蜂的毒性,本研究收集了61个共有的农药蜂毒数据,采用12种分子指纹联合8种机器学习算法,分别建立了农药对熊蜂和蜜蜂急性接触毒性LD50值的分类预测模型。结果表明:农药对熊蜂和蜜蜂的急性接触毒性分类模型预测准确率分别达86.7%和80.0%。随机森林 (Random Forest)、神经网络 (Neural Network) 和支持向量机 (SVM) 3种算法联合Fingerprinter、Klekota-Roth Count和Extend 3种分子指纹在本研究中的预测能力较好。此外,分别采用构建的熊蜂毒性预测模型和蜜蜂毒性预测模型开展交叉毒性预测,准确率分别为72.9%和66.7%,表明熊蜂毒性模型预测蜜蜂毒性的准确性高于蜜蜂毒性模型预测熊蜂毒性的准确性。本研究可为设计低蜂毒化合物提供理论指导,同时为开展不同昆虫靶标的毒性交叉预测提供借鉴。 相似文献
2.
3.
草地地上物生物量(AGB)是评价草地生产力的重要指标,精准反演天然草地的AGB,对草地长势监测和草畜平衡评估具有重要的意义。由于常用的遥感数据(如Landsat和MODIS等)受较低时间或空间分辨率引发的诸多问题的影响,因此探索具有更高时空分辨率及更多光谱波段的Sentinel-2卫星数据在县域尺度的草地植被监测状况具有极其重要的作用。利用Sentinel-2卫星遥感影像和青海门源县实测草地AGB数据,构建了基于随机森林(RF)、支持向量机(SVM)和人工神经网络(ANN)3种机器学习方法的草地生物量估算模型,研究了2019-2021年门源县天然草地生物量时空分布特征。结果表明:1)Sentinel-2卫星影像的3个原始波段(B2、B6、B11)和2种植被指数[反红边叶绿素指数(IRECI)和特定色素简单比值植被指数(PSSRa)],是草地AGB敏感的特征变量。其中,红边波段(B5、B6、B7)对天然草地AGB遥感反演具有重要作用。2)基于RF算法的草地AGB估测模型是门源县天然草地生物量估测的最优模型(验证集R2为0.72,RMSE为622.616 kg·hm-2),优于SVM模型(... 相似文献
5.
基于人工智能的木材缺陷检测研究进展 总被引:1,自引:1,他引:0
木材缺陷检测是木制品加工前的重要步骤,为了提高检测效率和经济效益,木材缺陷检测也从传统的人工方法向智能化方向转变。随着计算机技术的不断提高,人工智能得到快速发展,人工智能在木材缺陷检测中的应用也进一步增加。目前,人工智能主要通过机器学习、人工神经网络、深度学习等算法实现对木材缺陷的预处理和检测。文中阐述部分常用人工智能算法在木材缺陷检测中的应用,包括相关算法的原理、特点;综合分析算法优缺点,并对人工智能技术在木材缺陷检测中的研究进行了展望。 相似文献
6.
我国白羽肉鸡育种中,通过遗传途径提高产蛋数和控制合适的蛋重是培育优良品系的一个重要方面。为探索适合我国白羽肉鸡育种中的基因组选择模型,本研究以2 474只白羽肉鸡品系的产蛋性状为研究对象,主要分析了机器学习算法KAML、BLUP(包括:PBLUP、GBLUP、SSGBLUP)和Bayes(包括:Bayes A、Bayes B和Bayes Cπ)方法对产蛋数和蛋重性状的预测准确性,准确性以5倍交叉验证进行评估。利用系谱以及基因组信息估计了产蛋数和蛋重性状的遗传力和遗传相关。结果表明,产蛋数性状遗传力为0.061~0.16,属于低遗传力性状;蛋重遗传力为0.28~0.39,属于中等遗传力性状;产蛋数与蛋重是中等遗传负相关(-0.518~-0.184),不同阶段产蛋数之间是强的遗传正相关(0.736~0.998)。不同模型预测43周产蛋数和52周蛋重的育种值估计准确性结果表明,KAML方法对两者的预测准确性分别为0.115和0.266,与GBLUP方法(准确性分别为0.118和0.283)和SSGBLUP方法(准确性分别为0.136和0.259)的准确性差异显著,同时显著低于Bayes方法(准确性分别为0.230~0.239、0.336~0.340)的预测准确性, PBLUP方法预测准确性最低(准确性分别为0.095和0.246)。因此,在白羽肉鸡产蛋数和蛋重性状中应用Bayes方法将获得最高的育种值估计准确性。 相似文献
7.
【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
8.
为及时获取大田作物根区土壤含水率(Soil moisture content, SMC),实现精准灌溉,运用高光谱技术,通过连续2年(2019—2020年)田间试验采集了冬小麦拔节期不同土层深度SMC及高光谱数据,构建了3类植被指数(蓝、黄和红边面积等三边光谱参数,与冬小麦根区SMC相关性最高的任意两波段植被指数和前人研究与作物参数相关性较好的经验植被指数)并筛选与各土层深度SMC相关系数最高的植被指数,随后将筛选后的植被指数作为模型输入,分别采用随机森林(Random forest, RF)、反向神经网络(Back propagation neural network, BPNN)和极限学习机(Extreme learning machine, ELM)构建冬小麦拔节期不同土层深度SMC估算模型。结果表明,绝大部分三边参数、任意两波段植被指数和经验植被指数在深度0~20 cm土层的SMC相关系数较20~40 cm和40~60 cm更高,在深度0~20 cm土层两波段组合构建的光谱指数与SMC的相关系数最高,均超过0.8,其中RI与SMC的相关系数最高,为0.851,其波长组合为675... 相似文献
9.
《河北农业大学学报》2021,44(3)
科学统计粮食产量数据并合理预测其发展趋势有助于稳定粮食生产、保障粮食安全。本文基于差分整合移动平均自回归(ARIMA)模型、广义回归神经网络(GRNN)模型以及长短期记忆人工神经网络(LSTM)模型,运用皮尔逊相关性分析方法选出影响粮食产量的主要因素并进行预测。以河北省保定市在1996—2014年粮食产量及16个粮食产量影响因素等历史数据为例,预测2015、2016和2017年粮食产量。试验结果表明,基于ARIMA模型预测的平均相对误差为0.96%,基于LSTM模型预测的平均相对误差为2.20%,基于ARIMAGRNN组合模型预测的的平均相对误差为0.47%。相比于其他预测模型,ARIMA-GRNN组合模型可有效地对粮食产量进行预测,并为粮食产量的预测提供了1种新方法。 相似文献
10.
为了提高农业无人机作业时的自主学习能力,基于人工智能技术将深度学习算法应用到了无人机机器学习系统的设计上,并提出了基于神经网络深度学习的农业无人机智能识别系统,有效提高了无人机的自动学习和识别能力。以采摘机器人的设计为例,对智能机器学习系统的可靠性进行了验证,并对不同学习算法果实识别的准确性进行了测试。测试结果表明:基于神经网络的深度学习算法在果实的成熟度识别方面具有明显的优势,从而验证了算法的可靠性。 相似文献