收费全文 | 14304篇 |
免费 | 3318篇 |
国内免费 | 5778篇 |
测绘学 | 2665篇 |
大气科学 | 2438篇 |
地球物理 | 2580篇 |
地质学 | 9867篇 |
海洋学 | 2450篇 |
天文学 | 139篇 |
综合类 | 1136篇 |
自然地理 | 2125篇 |
2024年 | 196篇 |
2023年 | 469篇 |
2022年 | 1008篇 |
2021年 | 1127篇 |
2020年 | 1017篇 |
2019年 | 1135篇 |
2018年 | 977篇 |
2017年 | 897篇 |
2016年 | 915篇 |
2015年 | 1092篇 |
2014年 | 978篇 |
2013年 | 1189篇 |
2012年 | 1294篇 |
2011年 | 1262篇 |
2010年 | 1226篇 |
2009年 | 1191篇 |
2008年 | 1157篇 |
2007年 | 1103篇 |
2006年 | 1142篇 |
2005年 | 890篇 |
2004年 | 613篇 |
2003年 | 489篇 |
2002年 | 547篇 |
2001年 | 531篇 |
2000年 | 391篇 |
1999年 | 189篇 |
1998年 | 40篇 |
1997年 | 41篇 |
1996年 | 24篇 |
1995年 | 16篇 |
1994年 | 26篇 |
1993年 | 19篇 |
1992年 | 23篇 |
1991年 | 22篇 |
1990年 | 30篇 |
1989年 | 10篇 |
1988年 | 11篇 |
1987年 | 20篇 |
1986年 | 10篇 |
1985年 | 19篇 |
1984年 | 12篇 |
1983年 | 11篇 |
1982年 | 6篇 |
1981年 | 2篇 |
1979年 | 6篇 |
1978年 | 6篇 |
1976年 | 5篇 |
1966年 | 1篇 |
1957年 | 6篇 |
1954年 | 7篇 |
利用国际卫星云气候计划(International Satellite Cloud Climate Program,简称ISCCP)提供的1998—2007年共10 a的深对流路径跟踪资料,统计分析了影响江淮地区对流系统(Convection system,简称CS)的时空分布及其参数特征。结果表明:影响江淮地区的CS主要集中在春夏两季,大多生成于江淮本地及我国中西部地区,呈现以江淮地区为中心的带状分布特征,越靠近江淮区域CS分布越为密集。依据源地不同,将影响江淮地区的CS分为5类,受气候条件与地形地貌的共同作用,各源地CS参数特征差异显著,总体来说CS的水平尺度越大,其生命史、对流云团(Convective clusters,简称CC)数目及水平云温度梯度也越大。其中江淮中心区域(MID)区域CS水平尺度、生命史和CC数目的平均值均为最小;东南(SE)区域CS生命周期以中长周期为主,水平尺度、最大对流比和云温度梯度的平均值最大。梅雨期内江淮地区对流活动频繁,CS的水平尺度大、生命史长、CC数目多。
相似文献利用变分方法建立预报场和预报倾向场这一预报场组合与模式预报非系统性误差之间的映射关系,来估计GRAPES(Global/Regional Assimilation and PrEdiction System)模式的非系统性误差,从而对预报做出修正。采用两种不同的历史样本建立这一映射关系,其中,利用相同时刻历史样本建立映射关系的方法称为DEM方法;通过相似面积比选取“相似样本”来建立上述映射关系的方法称为SEM方法。以FNL分析资料作为评判预报误差的依据,根据2002—2010年7月GRAPES模式500 hPa高度场48 h预报的回报资料,利用两种不同的方案进行非系统性误差的估计及预报订正试验。对279个检验样本的试验结果表明:SEM方法和DEM方法都对非系统性误差有一定的估算能力,二者估算的非系统性误差空间分布和量级与模式非系统性误差较一致,SEM方法的修订效果略优于DEM方法,但并不明显。对预报做出系统性误差和非系统性误差两步订正后,DEM方法和SEM方法的订正有效率分别为98.566%和100%,可明显提高预报的准确性。
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