收费全文 | 1202篇 |
免费 | 130篇 |
国内免费 | 141篇 |
测绘学 | 60篇 |
大气科学 | 131篇 |
地球物理 | 266篇 |
地质学 | 314篇 |
海洋学 | 334篇 |
天文学 | 60篇 |
综合类 | 70篇 |
自然地理 | 238篇 |
2024年 | 3篇 |
2023年 | 18篇 |
2022年 | 35篇 |
2021年 | 38篇 |
2020年 | 48篇 |
2019年 | 51篇 |
2018年 | 31篇 |
2017年 | 47篇 |
2016年 | 38篇 |
2015年 | 53篇 |
2014年 | 56篇 |
2013年 | 77篇 |
2012年 | 55篇 |
2011年 | 56篇 |
2010年 | 47篇 |
2009年 | 80篇 |
2008年 | 78篇 |
2007年 | 77篇 |
2006年 | 62篇 |
2005年 | 63篇 |
2004年 | 39篇 |
2003年 | 52篇 |
2002年 | 54篇 |
2001年 | 45篇 |
2000年 | 24篇 |
1999年 | 23篇 |
1998年 | 33篇 |
1997年 | 33篇 |
1996年 | 24篇 |
1995年 | 20篇 |
1994年 | 23篇 |
1993年 | 29篇 |
1992年 | 17篇 |
1991年 | 9篇 |
1990年 | 5篇 |
1989年 | 9篇 |
1988年 | 2篇 |
1987年 | 1篇 |
1986年 | 4篇 |
1985年 | 5篇 |
1984年 | 3篇 |
1983年 | 2篇 |
1982年 | 1篇 |
1981年 | 1篇 |
1963年 | 2篇 |
地基人工甚低频(10~30 kHz)台站信号可以穿透电离层, 甚至泄露进地球磁层, 从而导致内辐射带高能电子的沉降.研究人工甚低频台站信号的特征对于研究辐射带电子的损失具有重要的科学意义.基于张衡一号卫星2019—2022年的电场观测数据, 本文对全球10个人工甚低频台站在电离层中的信号特征进行了研究, 统计分析了电离层中人工甚低频台站信号的昼夜差异、季变规律、对地磁活动水平的依赖性, 及其在地磁共轭区的分布特征.结果表明, 人工甚低频台站信号会传播至台站上空电离层及其共轭区, 信号辐射范围及强度与台站的发射功率呈正相关.电离层电子密度对甚低频信号的传播具有重要影响, 在夜侧和当地冬季, 电离层电子密度相对较小时, 泄露进入内磁层的人工甚低频台站信号较强, 而信号强度受地磁活动影响很弱.在台站上空, 信号增强区域以穿刺点为中心呈现近圆形分布, 并存在明显的波模干涉效应, 在共轭半球, 信号增强区域中心相对共轭穿刺点会发生极向漂移(L<2的台站)或赤道向漂移(L>2的台站), 但所有台站的电波能量都被限制在1/2赤道电子回旋频率磁壳以内的区域.这些统计观测特征表明, 发射台站位于较低L值(L<1.4)的人工甚低频台站信号在内磁层中主要以非导管模式传播到共轭半球, 而发射台站位于较高L值(L>2.6)的人工甚低频台站信号主要以导管模式传播.
相似文献渗透率是储层评价和油气藏开发的关键参数.传统测井方法与常规机器学习方法估算的渗透率都是固定值.但由于测井数据本身存在噪声, 渗透率的预测结果可能受到噪声的影响出现测量性的随机误差(即任意不确定性); 同时, 当测试数据与训练数据存在差异时, 机器学习模型在预测渗透率时可能出现模型参数的不确定性(即认知不确定性).为实现渗透率的准确预测并量化两种不确定性对结果的影响, 本文提出基于数据分布域变换和贝叶斯神经网络同时实现渗透率预测及其不确定性的估计.提出方法主要包括两个部分: 一部分是不同域数据分布的相互转换, 另一部分是基于贝叶斯理论的神经网络渗透率建模预测和不确定性估计.由于贝叶斯神经网络存在数据分布的假设, 当标签的概率分布与网络的分布保持一致时, 贝叶斯神经网络可以更好的学习到数据之间的关系.因此通过寻找一个函数将一个原始域的渗透率标签转换为目标域的与渗透率有关的变量(我们称为目标域渗透率), 使得该变量符合贝叶斯神经网络的分布假设.我们使用贝叶斯神经网络预测目标域渗透率以及任意不确定性和认知不确定性.随后, 通过分布域的逆变换, 我们将目标域渗透率还原回原始域渗透率.应用本文方法到某油田的18口井的测井数据中, 使用16口井的数据进行训练, 2口井进行测试.测试井的预测渗透率与真实渗透率基本一致.同时, 任意不确定性的预测结果提供了渗透率预测值受到的测井数据噪声影响的位置.认知不确定的预测结果说明数据量少的位置具有更高的认知不确定性.我们提出的这一流程不仅显示了在储层表征方面的巨大潜力, 同时可以降低测井解释时的风险.
相似文献地震储层预测是油气勘探的重要组成部分,但完成该项工作往往需要经历多个环节,而多工序或长周期的研究分析降低了勘探效率.基于油气藏分布规律及其在地震响应上所具有的特点,本文引入卷积神经网络深度学习方法,用于智能提取、分类并识别地震油气特征.卷积神经网络所具有的强适用性、强泛化能力,使之可以在小样本条件下,对未解释地震数据体进行全局优化提取特征并加以分类,即利用有限的已知含油气井段信息构建卷积核,以地震数据为驱动,借助卷积神经网络提取、识别蕴藏其中的地震油气特征.将本方案应用于模型数据及实际数据的验算,取得了预期效果.通过与实际钻井信息及基于多波地震数据机器学习所预测结果对比,本方案利用实际数据所演算结果与实际情况有较高的吻合度.表明本方案具有一定的可行性,为缩短相关环节的周期提供了一种新的途径.
相似文献