全文获取类型
收费全文 | 450篇 |
免费 | 1篇 |
国内免费 | 4篇 |
专业分类
化学 | 2篇 |
力学 | 1篇 |
综合类 | 2篇 |
数学 | 1篇 |
物理学 | 48篇 |
综合类 | 401篇 |
出版年
2023年 | 9篇 |
2022年 | 6篇 |
2021年 | 11篇 |
2020年 | 11篇 |
2019年 | 8篇 |
2018年 | 2篇 |
2017年 | 13篇 |
2016年 | 5篇 |
2015年 | 7篇 |
2014年 | 15篇 |
2013年 | 13篇 |
2012年 | 13篇 |
2011年 | 19篇 |
2010年 | 15篇 |
2009年 | 15篇 |
2008年 | 21篇 |
2007年 | 26篇 |
2006年 | 11篇 |
2005年 | 15篇 |
2004年 | 16篇 |
2003年 | 14篇 |
2002年 | 10篇 |
2001年 | 14篇 |
2000年 | 13篇 |
1999年 | 18篇 |
1998年 | 17篇 |
1997年 | 19篇 |
1996年 | 9篇 |
1995年 | 18篇 |
1994年 | 11篇 |
1993年 | 17篇 |
1992年 | 16篇 |
1991年 | 7篇 |
1990年 | 7篇 |
1989年 | 10篇 |
1988年 | 3篇 |
1987年 | 1篇 |
排序方式: 共有455条查询结果,搜索用时 0 毫秒
451.
452.
商丘市2013年冬小麦生育期气象条件分析 总被引:1,自引:0,他引:1
利用2013年商丘市8个农业气象观测站冬小麦生育期资料和同期自动气象站光、温、水气象要素,分析了2013年气象条件对商丘市冬小麦生长的利弊影响.结果表明:2013年冬小麦全生育期间出现了干旱、低温冷害、晚霜冻、雨后青枯等气象灾害,对冬小麦生长发育造成了不利影响,2013年气象条件对冬小麦的影响是弊大于利.同时分析得出合理灌溉可有效预防和减轻晚霜冻等气象灾害对冬小麦造成的危害. 相似文献
453.
杨玉萍 《新乡学院学报(自然科学版)》2008,(1):52-55
测试了小麦苗期抗旱性生理生化指标,利用聚类分析对品种的抗旱性进行了分类。结果表明,测定时期、某些指标适应的作物不同等原因造成不同指标反应的抗旱性结果不同;可溶性糖含量、叶绿素荧光强度、过氧化氢(物)酶活性、束缚水含量与生理生化指标分析得到的抗旱性结果较一致。 相似文献
454.
氮素是作物生长发育必需的营养元素之一,作物的全氮含量是表征其氮素状况的主要指标。田块尺度的冬小麦全氮含量空间分布监测可以辅助其精准定量追肥,减少环境污染。无人机高光谱遥感具有分辨率高、时效性高、成本低等优势,可为作物长势信息反演提供重要数据源。XGBoost(extreme gradient boosting)作为一种新兴集成学习算法,运行效率高,泛化能力强,可以有效的应用于构建冬小麦全氮含量遥感反演模型,预测田块尺度冬小麦全氮含量空间分布。以农业部蒙城砂姜黑土生态环境站内拔节期冬小麦为研究对象,开展以下工作: (1)以低空无人机搭载高光谱成像仪获取冬小麦拔节期冠层成像光谱影像,结合地面采样数据,获取126个样点全氮含量数据;(2)分析拔节期冬小麦冠层光谱特征,并根据Person相关系数分析176个波段的光谱反射率与全氮含量之间的相关性;(3)构建基于XGBoost算法的不同土壤肥力条件下拔节期冬小麦全氮含量无人机高光谱反演模型。结果表明: (1)176个波段(400~1 000 nm)的光谱反射率与冬小麦全氮含量之间具有较强的相关性,除了735.5 nm外其他波段光谱反射率与全氮含量之间的相关系数均大于0.5;(2)基于XGBoost算法构建的拔节期冬小麦全氮含量无人机高光谱遥感反演模型具有较高的反演精度(R2=0.76,RMSE=2.68);(3)基于XGBoost算法的冬小麦全氮含量反演模型可以获取不同土壤肥力条件下田块尺度的全氮含量空间分布图,总体上呈现较为显著的空间差异。该研究可为冬小麦精准定量追肥提供一定的科学依据,也为发展无人机高光谱遥感的精准农业应用提供了参考。 相似文献
455.
叶绿素含量(SPAD)是作物长势评价的重要指标,可以监测农作物的生长状况,对农业管理至关重要,因此快速、准确地估算SPAD具有重要意义。以冬小麦为研究对象,利用无人机高光谱获取了拔节期、挑旗期和开花期的影像数据,获取植被指数和红边参数,研究植被指数与红边参数估算SPAD的能力。先将植被指数与红边参数分别与不同生育期的SPAD进行相关性分析,再基于植被指数、植被指数结合红边参数,通过偏最小二乘回归(PLSR)方法估算SPAD,最后制作SPAD分布图验证模型的有效性。结果表明,(1)大部分植被指数与红边参数在3个主要生育期与SPAD相关性均达到极显著水平(0.01显著);(2)单个植被指数构建的SPAD估算模型中,LCI表现最好(R2=0.56,RMSE=2.96,NRMSE=8.14%),红边参数中Dr/Drmin表现最好(R2=0.49,RMSE=3.18,NRMSE=8.76%);(3)基于植被指数结合红边参数构建的SPAD估算模型效果最佳,优于仅基于植被指数构建的SPAD估算模型,同时,随着生育期推移,两种模型均在开花期达到最高精度,R2分别为0.73和0.78,RMSE分别为2.49和2.22,NRMSE分别为5.57%和4.95%。因此,基于植被指数结合红边参数,并使用PLSR方法可以更好地估算SPAD,可以为基于无人机遥感的SPAD监测提供一种新的方法,也可为农业管理提供参考。 相似文献