全文获取类型
收费全文 | 1034篇 |
免费 | 295篇 |
国内免费 | 401篇 |
专业分类
测绘学 | 508篇 |
大气科学 | 785篇 |
地球物理 | 75篇 |
地质学 | 110篇 |
海洋学 | 135篇 |
天文学 | 16篇 |
综合类 | 81篇 |
自然地理 | 20篇 |
出版年
2024年 | 19篇 |
2023年 | 78篇 |
2022年 | 68篇 |
2021年 | 85篇 |
2020年 | 80篇 |
2019年 | 112篇 |
2018年 | 77篇 |
2017年 | 75篇 |
2016年 | 75篇 |
2015年 | 84篇 |
2014年 | 106篇 |
2013年 | 77篇 |
2012年 | 65篇 |
2011年 | 84篇 |
2010年 | 82篇 |
2009年 | 75篇 |
2008年 | 54篇 |
2007年 | 68篇 |
2006年 | 50篇 |
2005年 | 41篇 |
2004年 | 29篇 |
2003年 | 22篇 |
2002年 | 39篇 |
2001年 | 26篇 |
2000年 | 23篇 |
1999年 | 25篇 |
1998年 | 16篇 |
1997年 | 21篇 |
1996年 | 13篇 |
1995年 | 5篇 |
1994年 | 11篇 |
1993年 | 9篇 |
1992年 | 4篇 |
1991年 | 8篇 |
1990年 | 10篇 |
1989年 | 9篇 |
1987年 | 3篇 |
1982年 | 1篇 |
1935年 | 1篇 |
排序方式: 共有1730条查询结果,搜索用时 31 毫秒
91.
92.
合理构建PM2.5浓度预测模型是科学、准确地预测PM2.5浓度变化的关键。传统PM2.5预测EEMD-GRNN模型具有较好的预测精度,但是存在过于关注研究数据本身而忽略其物理意义的不足。本研究基于南京市2014-2017年PM2.5浓度时间序列数据,分析PM2.5浓度多尺度变化特征及其对气象因子和大气污染因子的尺度响应,基于时间尺度重构进行EEMD-GRNN模型的改进与实证研究。南京市样本数据PM2.5浓度变化表现为明显的天际尺度和月际尺度,从重构尺度(天际、月际)构建GRNN模型更具有现实意义;同时,PM2.5对PM10、NO2、O3、RH、MinT等因子存在多尺度响应效应,以其作为GRNN模型中的输入变量更具有时间序列上的解释意义。改进后的EEMD-GRNN模型具有更高的PM2.5浓度预测精度,MAE、MAPE、RMSE和R2分别为6.17、18.41%、8.32和0.95,而传统EEMD-GRNN模型的模型有效性检验结果分别为8.37、27.56%、11.56、0.91。对于高浓度天(PM2.5浓度大于100 μg/m3)的预测,改进模型更是全面优于传统EEMD-GRNN模型,MAPE为12.02%,相较于传统模型提高了9.03%。 相似文献
93.
针对流域降雨入渗过程,引入集合卡尔曼滤波(EnKF)理论,视整个边坡流域为一个随机动态系统,将边坡流域流量观测值作为系统的输出,用集合卡尔曼滤波模型来描述系统的状态;结合流域流量计算方法,实现水文模型参数的随机动态估计,在有效获得待估参数的同时还给出估计值的不确定性.通过数值算例表明,集合卡尔曼滤波可以有效地对含噪声的量测数据进行处理,能够跟踪水文模型的动态变化.相对于常用最优化算法,集合卡尔曼滤波同时给出反演结果和先验知识的后验分布,显示出更好的实时性和可靠性. 相似文献
94.
基于CMIP6模式优化集合平均预估21世纪全球陆地生态系统总初级生产力变化 总被引:1,自引:0,他引:1
利用国际耦合模式比较计划第六阶段(CMIP6)中18个地球系统模式总初级生产力(GPP)模拟数据,基于传统的多模式集合平均(MME)和可靠集合平均方法(REA),在4个未来情景(SSP1-2.6,SSP2-4.5,SSP3-7.0和SSP5-8.5)下预估了21世纪全球陆地生态系统GPP的变化量,并分析了GPP变化的驱动因子。研究结果表明:在4个未来情景下,基于REA方法预估的全球陆地生态系统年GPP在未来时期(2068—2100年)比历史时期(1982—2014年)分别增长了(14.85±3.32)、(28.43±4.97)、(37.66±7.61)和(45.89±9.21)Pg C,其增量大小和不确定性都明显低于MME方法。在4个情景下,大气CO2浓度增长对GPP变化的贡献最大,基于REA方法计算的贡献占比分别为140%、137%、115%和75%;除SSP5-8.5(24%)外,其他情景下升温均导致全球陆地生态系统GPP降低(-42%、-37%、-16%),部分抵消了CO2施肥效应的正面贡献。温度的影响存在纬度差异:升温在低纬度地区对GPP有负向贡献,在中高纬度地区为正向贡献。降水和辐射变化对GPP变化的贡献相对较小。 相似文献
95.
由于AR(p)模型结构比较简单且计算比较方便,在变形分析中,目前常采用此模型建立变形模型。然而单纯的AR模型把模型参数作为定值,变形数据拟合误差及变形预测误差可能会比较大。介绍了将卡尔曼滤波引入AR模型,利用观测数据建立AR模型,即建立观测方程;以AR模型的参数为状态向量建立状态方程。从而形成动态系统的卡尔曼滤波函数模型,动态计算出AR模型的参数以便预测。此方法快速、实时,且占有较少内存,充分利用了AR模型和卡尔曼滤波二者的优点。 相似文献
96.
97.
98.
GPS动态定位数据的处理广泛采用卡尔曼滤波技术,而应用卡尔曼滤波要求运动模型准确可靠,但由于载体真实运动的复杂多变,任何单一模型都难以全面描述,致使单一模型的滤波都容易出现模型误差。针对这一问题,将机动目标跟踪领域广泛应用的交互式多模型算法引入到车载导航中。通过分析车辆的运动特点,选取匀速直线模型和当前统计模型进行交互;同时考虑到车载终端计算能力有限,将状态变量在各方向解耦。仿真显示,在机动时改进的算法和单一模型的自适应算法基本相当,但在非机动时改进的算法明显占优。 相似文献
99.
100.
集合卡尔曼滤波(Ensemble Kalman Filter,EnKF)方法已广泛应用于地下水水流和污染物运移模拟相关问题的求解。但前人研究多建立在同化系统预报模型是准确的基础上,忽视了模型概化的不确定性。当模型概化不准确时,将导致预报偏差,可能带来错误的系统估计。因此,文章提出考虑模型预报偏差的迭代式集合卡尔曼滤波(Bias aware Ensemble Kalman Filter with Confirming Option,Bias-CEnKF)方法。以地下水水流数据同化为例,研究模型概化存在不确定条件下,边界条件、初始条件、源汇项概化不准确时新方法的有效性。结果表明,当预报模型概化不准确时,使用标准EnKF方法进行数据同化,可能会导致滤波发散,造成同化失败。Bias-CEnKF方法不仅保留了较好的同化性能,同时减小了参数、变量、偏差项非线性关系带来的不一致性。针对文章中4种情景,Bias-CEnKF同化获得的含水层渗透系数场以及水头场均接近真实场,且预报结果可靠。本研究进一步提升了模型概化不确定时EnKF方法的适用性,为实际野外复杂条件下地下水水流数据同化问题提供了可靠的方法。 相似文献