收费全文 | 11873篇 |
免费 | 1364篇 |
国内免费 | 1365篇 |
测绘学 | 3162篇 |
大气科学 | 750篇 |
地球物理 | 2771篇 |
地质学 | 3666篇 |
海洋学 | 1068篇 |
天文学 | 64篇 |
综合类 | 1059篇 |
自然地理 | 2062篇 |
2024年 | 78篇 |
2023年 | 216篇 |
2022年 | 517篇 |
2021年 | 645篇 |
2020年 | 590篇 |
2019年 | 608篇 |
2018年 | 386篇 |
2017年 | 558篇 |
2016年 | 575篇 |
2015年 | 547篇 |
2014年 | 648篇 |
2013年 | 773篇 |
2012年 | 686篇 |
2011年 | 663篇 |
2010年 | 546篇 |
2009年 | 614篇 |
2008年 | 635篇 |
2007年 | 753篇 |
2006年 | 664篇 |
2005年 | 528篇 |
2004年 | 508篇 |
2003年 | 472篇 |
2002年 | 370篇 |
2001年 | 356篇 |
2000年 | 274篇 |
1999年 | 221篇 |
1998年 | 259篇 |
1997年 | 188篇 |
1996年 | 136篇 |
1995年 | 139篇 |
1994年 | 125篇 |
1993年 | 78篇 |
1992年 | 58篇 |
1991年 | 34篇 |
1990年 | 44篇 |
1989年 | 26篇 |
1988年 | 31篇 |
1987年 | 15篇 |
1986年 | 13篇 |
1985年 | 7篇 |
1984年 | 9篇 |
1983年 | 1篇 |
1982年 | 4篇 |
1981年 | 1篇 |
1978年 | 1篇 |
1977年 | 2篇 |
电离层对流是太阳风与地球磁场相互作用下驱动的磁层大尺度对流循环与对流电场在极区电离层的映射, 与行星际磁场-地球磁场耦合系统息息相关.本文基于SuperDARN(Super Dual Aurora Radar Network)分布在北半球的23部高频相干散射雷达获取到的二维电离层对流速度对其进行建模研究.模型输入为行星际磁场三分量、太阳风速度、太阳风密度和地磁指数六个空间物理参数, 模型输出为二维对流速度.模型选择两种广泛应用于空间物理建模的浅层神经网络即广义回归神经网络(General Regression Neural Network, GRNN)和误差反向传播(Back Propagation, BP)神经网络.实验结果显示, GRNN模型和BP模型的速度幅值均方根误差分别为174.96 m·s-1和234.21 m·s-1, 速度方向角均方根误差分别达到62.30°和88.07°, 相比于对流速度最大值2000 m·s-1和360°的方向角范围来说, 其误差是可以接受的.外推性实验结果显示, 在第24个太阳周期时, GRNN模型和BP模型的速度幅值均方根误差分别为305.35 m·s-1和738.15 m·s-1, 速度方向角均方根误差分别为82.01°和90.56°.实验结果表明, GRNN在时间外推性上的效果优于BP神经网络, 更适用于预测对流速度.我们发现在四种典型空间环境条件下, 利用GRNN模型预测的瞬时对流速度来构建的全域对流模式与现有统计模型构建的对流模式相似, 从而验证预测的对流速度可以用于分析瞬时极区电离层对流.
相似文献洪涝灾害发生过程中观测数据多源异构(遥感影像、社交媒体文本、地理信息数据等),难以利用互补优势融合应用于风险评估和提供决策知识。研究基于多模态数据的洪涝灾害知识图谱构建方法,融合抽取遥感影像与社交媒体文本知识,形成多模态洪涝灾害知识图谱。基于自顶向下的方法细分领域概念,构建洪涝灾害领域本体层。通过深度残差全卷积神经网络对遥感影像进行智能解译,利用地理逆编码将影像解译信息转化为文本,实现影像信息到文本知识的转化。基于命名实体识别技术与关系抽取技术对社交媒体文本数据进行知识抽取。通过训练词向量,利用语义相似度计算关联文本知识与影像知识,实现多模态数据知识统一表达。以中国湖北省洪涝灾害为例,该方法将多源异构的数据高效转化为知识并进行关联,形成领域知识图谱,实现了多源异构数据到多模态知识的转化。在灾害不同时期提供相应应急措施,并且通过关联农业受灾面积、农作物类型、农作物价值实现湖北省洪涝灾害评估。该方法结合深度遥感解译、文本知识抽取技术以及语义相似度计算,实现了多源异构数据到多模态知识的转化。
相似文献针对现有场景分类方法特征表征能力差以及单视角遥感影像分类精度难以提升的问题,提出一种融合多尺度注意力的多视角遥感影像场景分类方法。首先,将航空图像和地面图像构造成正负图像对,并划分为训练集、验证集和测试集;其次,构建融合多尺度注意力的卷积神经网络并训练,通过特征融合模块得到融合注意力且表征能力更强的特征,实现多尺度特征学习;然后,利用训练的多尺度注意力网络分别提取航空图像和地面图像特征并进行融合;最后,基于融合后的特征使用支持向量机进行场景分类。实验结果表明,相比现有方法,所提方法在两个公开数据集上均取得了更高的分类精度,改善了单视角场景分类效果,同时也证明了多视角所提供的补充信息能进一步提升遥感场景分类的准确性。
相似文献卷积神经网络(convolutional neural network, CNN)已用于星载全球导航卫星系统反射测量(global navigation satellite system-reflectometry,GNSS-R)海冰检测,其具有数据预处理简单、最大限度保留反射面信息等优势,但已有GNSS-R CNN海冰检测方法研究的数据集时间跨度较小,代表性有限,且未考虑训练集内海水、海冰时延多普勒图(delay-Doppler map, DDM)的比例对方法泛化能力的影响。针对该问题,首先提出一种筛除畸形DDM方法,有效筛除错误数据;然后,设计合适的CNN结构及参数,通过小样本对比实验发现CNN模型在训练集内海水、海冰DDM的比例为1∶1时具有高准确率和最佳泛化能力,并优化数据集选取策略;最后使用2018年全年大样本数据集评估改进的方法在大数据量和大时间跨度时的有效性和可靠性。研究表明,改进的方法通过加强数据质量控制、优化数据集选取策略,提升了CNN海冰检测方法的泛化能力及可靠性,使其更适用于实际应用场景,为海冰消融等研究提供参考。
相似文献