全文获取类型
收费全文 | 578篇 |
免费 | 119篇 |
国内免费 | 138篇 |
专业分类
测绘学 | 45篇 |
大气科学 | 196篇 |
地球物理 | 87篇 |
地质学 | 269篇 |
海洋学 | 92篇 |
天文学 | 4篇 |
综合类 | 69篇 |
自然地理 | 73篇 |
出版年
2024年 | 2篇 |
2023年 | 21篇 |
2022年 | 42篇 |
2021年 | 27篇 |
2020年 | 33篇 |
2019年 | 41篇 |
2018年 | 48篇 |
2017年 | 28篇 |
2016年 | 32篇 |
2015年 | 32篇 |
2014年 | 45篇 |
2013年 | 32篇 |
2012年 | 46篇 |
2011年 | 41篇 |
2010年 | 31篇 |
2009年 | 35篇 |
2008年 | 36篇 |
2007年 | 31篇 |
2006年 | 21篇 |
2005年 | 28篇 |
2004年 | 18篇 |
2003年 | 23篇 |
2002年 | 21篇 |
2001年 | 16篇 |
2000年 | 14篇 |
1999年 | 9篇 |
1998年 | 13篇 |
1997年 | 7篇 |
1996年 | 10篇 |
1995年 | 7篇 |
1994年 | 5篇 |
1993年 | 8篇 |
1992年 | 7篇 |
1991年 | 1篇 |
1990年 | 6篇 |
1989年 | 1篇 |
1988年 | 2篇 |
1987年 | 2篇 |
1986年 | 3篇 |
1985年 | 2篇 |
1984年 | 3篇 |
1983年 | 1篇 |
1981年 | 1篇 |
1977年 | 1篇 |
1976年 | 1篇 |
1956年 | 1篇 |
排序方式: 共有835条查询结果,搜索用时 62 毫秒
831.
摘要:利用2016-2018年6-8月ECMWF细网格、GRAPES _MESO、黑龙江省822个自动站资料研究黑龙江省6-8月短时强降水(一般短时强降水和极端短时强降水)的预报方法和各项影响因子指标与他们之间的融合。采用双线插值法或临近格点法、分位数法、配料法、排除法、多重分析法,形成以水汽、不稳定、抬升为框架的客观预报方法。研究发现,强降水的环境背景不仅受限于各物理因子阈值,也与他们之间融合密切相关。各因子间存在一定旬差异和日较差,夜间与水汽相关的各阈值明显大于白天,白天热力不稳定性高于夜间。6月中上旬与水汽含量相关的各因子阈值小于其他时段。从检验结果上看,由于强降水的突发性、局地形和研究方法以及模式本身的特性,预报的空报率非常大,漏报率较低,TS评分最低且随着分布密度的降低而降低。一般强降水检验中,两种模式点对点检验的TS评分为0.015左右,14km和40km点对面检验夜间TS评分约0.03和0.08。极端强降水检验中,两种模式点对点检验TS评分约0.004,14km和40km点对面检验准确率约分别为0.005和0.02。7月份由于强降水分布密度相对较大,检验效果也相对较好。一般性强降水EC细网格TS评分高于GRAPES_MESO,而极端强降水检验TS评分刚好相反。 相似文献
832.
利用常规气象观测资料、区域自动站加密观测资料、FY 4卫星云图、新一代天气雷达、ECMWF细网格、GRAPES_MESO及NECP的1°×1°再分析资料,分析2019年8月6日08:00至8日08:00,黑龙江省中部和西南部的强降水过程动力机制,以及引发的降水性质和降水分布特征。结果表明:①强降水过程共分3个阶段2种性质:与冷涡相连的鞍形场的对流云降水;鞍形场和增强暖锋共同作用的混合云和对流云降水;台风“范斯高”残涡作用下,改变云系移动路径形成的对流云降水。②冷涡、副热带高压、台风的相互作用,是该过程产生的根本原因;副热带高压和台风外围暖湿气流配合冷涡冷空气,为强降水提供水汽和不稳定条件;狭窄的水汽输送通道造成了强降水的空间不连续性;低层辐合线为强降水提供触发条件;鞍形场的稳定结构、大小兴安岭南麓强迫抬升、台风系统阻挡延长强降水的持续时间。 相似文献
833.
834.
<正>铍(Be),原子序数为4,位于化学元素周期表第二周期第二主族,是最轻的碱土金属元素。铍具有很多特殊的物理化学性质,被广泛应用于工业制造、国防军工、核工业等高新技术领域,有“超级金属”“尖端金属”“空间金属”之称。随着高新技术产业的发展,中国对铍的需求量日益增大。铍已被归于中国的紧缺三稀资源,进口依存率越来越大,保障铍资源供应的稳定迫在眉睫。1铍的发现与性质铍的发现1798年,法国化学家沃克兰(L.N. Vanquelin, 1763—1829)对绿柱石进行分析时,首次发现了铍。 相似文献
835.
变化检测旨在观测地物在不同时序中的表达差异。深度学习已成为实现这一任务的主流手段,现有基于深度学习的遥感变化检测方法中,普遍更专注于对图像中的深度特征进行学习,而忽略了不同层级特征之间语义优势及差距,从而导致检测性能不足。为此,本文提出了一种联合空间约束与差异特征聚合的变化检测网络,通过控制特征信息在网络中的流动,消除检测对象底层特征和高层语义信息之间差异性,提高预测结果的质量。首先,利用孪生网络并结合特征金字塔结构生成多尺度差异特征;然后,使用所提出的坐标自注意力机制(CSAM)对低层特征进行空间约束,强化对变化区域边缘结构及精确位置的学习,并结合经典的卷积注意力模块充分捕捉上下文变化信息;最后,使用门控融合机制提取通道关系,控制多尺度特征的融合,以生成边界清晰、内部完整的变化图像。在变化检测数据集CDD和LEVIR-CD上对本文方法进行了试验,与已有变化检测网络模型进行比较,本文方法在不同场景下均表现出最佳的检测效果。 相似文献