全文获取类型
收费全文 | 456篇 |
免费 | 114篇 |
国内免费 | 74篇 |
专业分类
测绘学 | 69篇 |
大气科学 | 76篇 |
地球物理 | 84篇 |
地质学 | 248篇 |
海洋学 | 61篇 |
天文学 | 5篇 |
综合类 | 48篇 |
自然地理 | 53篇 |
出版年
2024年 | 4篇 |
2023年 | 17篇 |
2022年 | 21篇 |
2021年 | 18篇 |
2020年 | 24篇 |
2019年 | 27篇 |
2018年 | 24篇 |
2017年 | 18篇 |
2016年 | 21篇 |
2015年 | 22篇 |
2014年 | 25篇 |
2013年 | 21篇 |
2012年 | 25篇 |
2011年 | 28篇 |
2010年 | 21篇 |
2009年 | 26篇 |
2008年 | 29篇 |
2007年 | 31篇 |
2006年 | 34篇 |
2005年 | 18篇 |
2004年 | 30篇 |
2003年 | 24篇 |
2002年 | 18篇 |
2001年 | 15篇 |
2000年 | 7篇 |
1999年 | 6篇 |
1998年 | 18篇 |
1997年 | 10篇 |
1996年 | 5篇 |
1995年 | 7篇 |
1994年 | 3篇 |
1993年 | 2篇 |
1992年 | 3篇 |
1991年 | 3篇 |
1990年 | 4篇 |
1989年 | 3篇 |
1988年 | 3篇 |
1987年 | 2篇 |
1986年 | 5篇 |
1985年 | 3篇 |
1983年 | 1篇 |
1981年 | 2篇 |
1980年 | 1篇 |
1979年 | 3篇 |
1959年 | 2篇 |
1958年 | 2篇 |
1957年 | 4篇 |
1942年 | 1篇 |
1937年 | 1篇 |
1936年 | 1篇 |
排序方式: 共有644条查询结果,搜索用时 0 毫秒
641.
642.
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
643.
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
644.
融合SAR影像的后向散射信息和光学影像的光谱信息是提高土地覆盖分类精度的重要手段之一,其中多尺度变换是一种有效的融合方法。然而,多尺度变换方法的融合规则通常根据局部特征信息和脉冲耦合神经网络模型进行设计,存在结构信息和细节信息提取能力有限,以及脉冲耦合神经网络参数设置复杂和空间相关性差等问题。为此,本文提出一种结合改进Laplacian能量和参数自适应双通道单位连接脉冲耦合神经网络(ULPCNN)的遥感影像融合方法。该方法混合成分替换方法和多尺度变换方法,首先对多光谱影像进行IHS变换得到亮度分量I,将亮度分量I与SAR影像通过非下采样剪切波变换(NSST)分解得到高低频子带。然后对低频子带采用结合加权局部能量和八邻域修正拉普拉斯加权和的融合规则,同时对高频子带采用参数自适应双通道ULPCNN的融合规则,将高频子带的多尺度形态梯度作为链接强度,并根据OTSU阈值和影像强度来实现其他参数的自适应表示。最后依次进行NSST重建和IHS逆变换得到融合影像,并选择随机森林分类器对融合影像进行土地覆盖分类。试验结果表明,本文方法相较于13种其他方法在11个融合评价指标和土地覆盖分类精度上总体表现最佳,土地覆盖分类的总体精度和Kappa系数在区域1中比原多光谱影像分别提高了8.350%和0.107,在区域2中比原多光谱影像分别提高了6.896%和0.091。 相似文献