全文获取类型
收费全文 | 839篇 |
免费 | 32篇 |
国内免费 | 33篇 |
专业分类
系统科学 | 16篇 |
丛书文集 | 25篇 |
教育与普及 | 6篇 |
现状及发展 | 36篇 |
综合类 | 821篇 |
出版年
2024年 | 1篇 |
2023年 | 5篇 |
2022年 | 9篇 |
2021年 | 8篇 |
2020年 | 10篇 |
2019年 | 14篇 |
2018年 | 15篇 |
2017年 | 12篇 |
2016年 | 11篇 |
2015年 | 21篇 |
2014年 | 43篇 |
2013年 | 29篇 |
2012年 | 44篇 |
2011年 | 37篇 |
2010年 | 48篇 |
2009年 | 51篇 |
2008年 | 43篇 |
2007年 | 40篇 |
2006年 | 41篇 |
2005年 | 50篇 |
2004年 | 39篇 |
2003年 | 42篇 |
2002年 | 37篇 |
2001年 | 29篇 |
2000年 | 61篇 |
1999年 | 32篇 |
1998年 | 12篇 |
1997年 | 18篇 |
1996年 | 10篇 |
1995年 | 15篇 |
1994年 | 15篇 |
1993年 | 5篇 |
1992年 | 6篇 |
1991年 | 16篇 |
1990年 | 10篇 |
1989年 | 7篇 |
1988年 | 10篇 |
1987年 | 1篇 |
1986年 | 3篇 |
1985年 | 4篇 |
排序方式: 共有904条查询结果,搜索用时 0 毫秒
901.
通过对 3 Cr2 W8 V 热锻模失 效组织 的电镜 观测 和 对断 裂韧 性 K I C 值的 测定 ,认 为 K I C 值 偏 低是3 Cr2 W8 V 热锻 模早期开 裂和热 疲劳的主 要原因 实践 证明, 采用 1 200 ℃ 高 温淬 火 和680 ℃高 温 回火( 即高淬 高 回) 的 新 工 艺, 能 大 幅 度 提 高 材 料的 K I C 值, 延 长 该 类 模 具 寿 命 4 倍 左 右 因 而 K I C 值 是3 Cr2 W8 V 热锻 模的主 要韧性指 标,而冲 击韧性α K 值仅 能作为 参考图 2 ,表 1 ,参6 相似文献
902.
作者根据可持续发展理念认为欲实现可持续发展 ,对人才有极高的期望 ,因而赋予教育新的使命 ,而教育要完成这一使命的希望在于改革 . 相似文献
903.
联合LiDAR和多光谱数据森林地上生物量反演研究 总被引:1,自引:0,他引:1
【目的】森林地上生物量的准确估测对于实时掌握全球碳储量变化及应对气候变化有着重要的意义。组合多种遥感数据特征优选,分类建模反演森林地上生物量,是提高森林地上生物量精度的有效方法。【方法】以根河市大兴安岭生态观测站寒温带天然林为研究对象,以机载激光雷达(LiDAR)、Landsat8 OLI两种遥感数据源结合55块地面调查数据,采用偏最小二乘算法优化筛选变量,再以线性多元逐步回归和快速迭代特征选择的最近邻算法(KNN-FIFS)构建模型,在两种数据源的不同组合方式下进行森林地上生物量反演。【结果】①基于线性多元逐步回归模型下的单一LiDAR数据反演精度决定系数(R2)为 0.76,均方根误差(RMSE)为 21.78 t/hm2;单一Landsat8 OLI数据的反演精度R2为 0.24,RMSE为39.27 t/hm2;LiDAR和Landsat8 OLI联合反演精度R2 为 0.84,RMSE为18.16 t/hm2;②基于KNN-FIFS模型下的单一LiDAR数据反演精度R2为 0.74,RMSE为23.83 t/hm2;单一Landsat8 OLI数据的反演精度R2为0.60,RMSE为 29.63 t/hm2;LiDAR和Landsat8 OLI联合反演精度R2为0.80,RMSE为21.15 t/hm2。【结论】①特征优选支持下的3种组合方式中,LiDAR和Landsat8 OLI两种数据的组合在两种模型中反演精度均最高,其中线性多元逐步回归模型的反演精度最高,说明LiDAR和Landsat8 OLI数据组合,激光雷达与光学数据优势特征互补,协同反演可有效提高森林地上生物量的反演精度;②单一数据源反演森林地上生物量精度中,LiDAR数据比Landsat8 OLI数据在两种模型反演精度中均较高,这与LiDAR数据空间分辨高、可获得垂直结构特征参数有关。 相似文献
904.
基于人工神经网络集合预报的济南市臭氧预报方法 《山东科学》2022,35(3):89-99
由于观测的不准确以及资料分析、同化中的误差,单一预报仅是一个可能的解。为弥补其不足,提出了一种基于人工神经网络集合预报的臭氧(O3)预报模型,选取8类气象因子及2类污染物因子,搭建人工神经网络预报模型,并采用随机扰动方法,产生15组相互独立的随机扰动气象场,搭建人工神经网络集合预报模型,并以2013年—2019年5月—9月数据作为训练集,以2020年5月—9月数据作为测试集。结果表明:与单一人工神经网络预报相比,人工神经网络集合预报准确率明显提高,O3污染命中率明显提高,O3污染漏报率明显减少,O3污染空报率略有增加;人工神经网络集合预报对O3污染预报有过多倾向,而单一人工神经网络预报则有过少倾向;以2020年7月3日—9日的一次O3重污染过程为例,与单一人工神经网络的确定性预报相比,人工神经网络集合预报能够更好地反映出污染的迅速累积上升及持续过程。通过提供定量的概率预报,人工神经网络集合预报可以给出多种可能性及其发生的概率,能为预报员提供包括不确定性在内的更多预报信息,该模型具有一定的实际应用价值。 相似文献