收费全文 | 7815篇 |
免费 | 1661篇 |
国内免费 | 2683篇 |
测绘学 | 1257篇 |
大气科学 | 1228篇 |
地球物理 | 1473篇 |
地质学 | 4784篇 |
海洋学 | 1408篇 |
天文学 | 190篇 |
综合类 | 686篇 |
自然地理 | 1133篇 |
2024年 | 138篇 |
2023年 | 327篇 |
2022年 | 603篇 |
2021年 | 777篇 |
2020年 | 559篇 |
2019年 | 600篇 |
2018年 | 512篇 |
2017年 | 531篇 |
2016年 | 577篇 |
2015年 | 574篇 |
2014年 | 533篇 |
2013年 | 623篇 |
2012年 | 666篇 |
2011年 | 616篇 |
2010年 | 617篇 |
2009年 | 511篇 |
2008年 | 538篇 |
2007年 | 472篇 |
2006年 | 388篇 |
2005年 | 324篇 |
2004年 | 244篇 |
2003年 | 222篇 |
2002年 | 313篇 |
2001年 | 301篇 |
2000年 | 192篇 |
1999年 | 115篇 |
1998年 | 48篇 |
1997年 | 47篇 |
1996年 | 24篇 |
1995年 | 14篇 |
1994年 | 24篇 |
1993年 | 25篇 |
1992年 | 23篇 |
1991年 | 6篇 |
1990年 | 20篇 |
1989年 | 10篇 |
1988年 | 8篇 |
1987年 | 6篇 |
1986年 | 2篇 |
1985年 | 3篇 |
1984年 | 1篇 |
1983年 | 2篇 |
1982年 | 3篇 |
1981年 | 1篇 |
1979年 | 4篇 |
1973年 | 1篇 |
1958年 | 4篇 |
1957年 | 4篇 |
1954年 | 6篇 |
针对煤矿井下钻场人员需求大、安全隐患多、一人操作难以同时控制钻机动作并从全局视角知悉钻机运行状态等问题,引入了数字孪生技术,设计开发了钻机远程服务平台。该平台系统以ZDY25000LDK钻机为载体,融合了钻机远程控制系统、数字孪生模型和参数监测系统3方面技术,通过检测与执行层、数据传输层和远程集控层实现钻机远程控制、钻机运行全生命周期映射与参数监测。钻机远程控制系统实现了实时远距离控制钻机,数字孪生模型能够映射钻机各运动部件的运动状态,并能通过仿真实验为钻探施工提供先验参考,参数监测系统实现了对钻机状态参数和钻进参数的实时监测。基于该钻机远程服务平台,进行了平台的功能性和实时性验证。试验结果表明:钻机远程服务平台能够实现钻机远程控制,并从全局视角上映射和监测钻机运行状态和参数,通过数字孪生体仿真,得出钻机上扣过程中动力头回转速度和给进速度的最优比值为4.28,与实际上扣情况相符。平台操作方便、实时性高、可靠性好、人机交互友好,为煤矿井下钻探工作的减人增效和智能化升级提供了解决方案。
相似文献极移高精度预报对卫星实时定轨、深空探测器导航等应用至关重要.本文提出了一种联合有效角动量(Effective Angular Momentum, EAM)与国际全球卫星导航系统服务组织(International GNSS Service, IGS)提供的超快解数据进行极移预报的方法.该方法基于IGS超快解数据得到的极移第1天预报值, 对引入EAM得到的极移预报结果进行校正, 获得联合预报值.首先, 基于LS(Least Squares)+AR(Auto-Regressive)模型实现了引入EAM的极移预报, 相对国际地球自转与参考系统服务组织(International Earth Rotation and Reference Systems Service, IERS)提供的公报A数据, 在超短期(第1~10天)预报跨度可以得到更高精度的极移预报结果, 其中大气和海洋角动量发挥了主要作用.其次, 鉴于IGS超快解数据精度高、更新快的特点, 以IGS超快解为基础数据, 基于LS+AR模型可以得到极移第1天预报值, 其精度显著优于IERS公报A的极移第1天预报值.最后, 利用第1天预报值对顾及有效角动量的预报结果进行校正获得了联合预报值, 进一步提高了超短期极移预报精度(尤其是第1~5天).2020年7月24日—2022年1月30日间的联合预报结果表明: 第1~20天的预报值总体优于IERS公报A的预报值.其中, 第1~10天的预报精度显著提升, 在预报第1天, X、Y方向预报值相对公报A预报值的精度提升分别可达39.5%~62.3%和24.5%~51.9%;在预报第10天, 相对公报A预报值的精度提升分别可达28.0%~28.9%和21.9%~23.4%.
相似文献本文融合SIO(Scripps Institution of Oceanography)发布的垂线偏差、重力异常和垂直重力梯度数据及NCEI(National Centers for Environmental Information)发布的船载测深数据, 利用多层感知机神经网络(Multi-Layer Perceptron, MLP)建立南海海域(108°E—121°E, 6°N—23°N)分辨率为1'×1'的海底地形模型(MLP_Depth).首先, 将642716个船载测深控制点的位置信息与周围4'×4'格网点处的地球重力信息(垂线偏差、重力异常、垂直重力梯度)作为输入数据, 将船载测深控制点处实测水深值作为输出数据, 训练MLP神经网络模型, 训练结束时决定系数R2为99%, 平均绝对误差MAE为39.33 m.然后, 将研究区域内1'×1'格网正中心点处的输入数据输入于MLP模型中, 可得格网正中心点处的预测海深值.最后, 根据预测海深值建立研究区域范围内分辨率为1'×1'的MLP_Depth模型.将MLP_Depth模型预测水深与160679个检核点处实测水深对比, 其差值的标准差STD(75.38 m)、平均绝对百分比误差MAPE(5.89%)与平均绝对误差MAE(42.91 m)皆优于GEBCO_2021模型、topo_23.1模型、ETOPO1模型与检核点实测水深差值的STD(108.88 m、113.41 m、229.67 m)、MAPE(6.11%、6.94%、18.37%)与MAE(47.33 m、52.24 m、130.08 m).同时, 为了研究不同区域内利用该方法建立的海底地形模型的精度, 本文在研究区域内分别建立了A、B区域的海底地形模型(MLP_Depth_A、MLP_Depth_B).经过验证得: MLP_Depth_A、MLP_Depth_B相比于MLP_Depth模型具有更高的精度, 更能反应海底地形的变化趋势.
相似文献