全文获取类型
收费全文 | 217篇 |
免费 | 26篇 |
国内免费 | 32篇 |
专业分类
测绘学 | 127篇 |
大气科学 | 37篇 |
地球物理 | 18篇 |
地质学 | 33篇 |
海洋学 | 18篇 |
天文学 | 1篇 |
综合类 | 27篇 |
自然地理 | 14篇 |
出版年
2023年 | 2篇 |
2022年 | 6篇 |
2021年 | 13篇 |
2020年 | 14篇 |
2019年 | 13篇 |
2018年 | 8篇 |
2017年 | 21篇 |
2016年 | 20篇 |
2015年 | 21篇 |
2014年 | 22篇 |
2013年 | 16篇 |
2012年 | 14篇 |
2011年 | 13篇 |
2010年 | 10篇 |
2009年 | 20篇 |
2008年 | 14篇 |
2007年 | 23篇 |
2006年 | 14篇 |
2005年 | 6篇 |
2004年 | 3篇 |
2003年 | 1篇 |
2002年 | 1篇 |
排序方式: 共有275条查询结果,搜索用时 15 毫秒
71.
为提高土地覆被分类精度,采用非参数权重特征提取(nonparametric weighted feature extraction,NWFE)结合纹理特征的支持向量机(support vector machines,SVM)的分类法,对新疆玛纳斯河流域绿洲区2006年的土地覆被进行分类,并将该方法与主成分分析(principal component analysis,PCA)结合纹理特征的SVM分类、原始波段结合纹理特征的SVM分类进行对比。结果表明,NWFE结合纹理特征的SVM分类结果优于其他2种分类结果,不仅反映了土地覆被分布的整体情况,而且使不同土地覆被类型得到较好的区分,总体分类精度达89.17%。 相似文献
72.
73.
74.
75.
76.
基于支持向量机的空间数据拟合 总被引:1,自引:0,他引:1
空间数据拟合是以搜集空间信息、建立合理的数据解算模型,用以表达空间数据之间的关系。支持向量机应用于空间数据拟合时,建立在结构风险最小的原则上,使得其模型有较强的泛化性能。借鉴泰勒公式的思想,在拟合空间起伏较大数据时,提出了对支持向量残差再拟合,以提高数据拟合的精度。最后,通过实例验证了残差再拟合算法的有效性。 相似文献
77.
青岛海雾的气候特征和预测研究 总被引:4,自引:0,他引:4
使用青岛市气象台近30年(1971-2000年)的气象观测资料,对青岛沿海发生的海雾进行了详细的气候统计和分析,揭示青岛海雾发生的基本气候特征;同时通过对青岛平流海雾发生时的天气图分析,得出入海高压的后部型和低压或倒槽的前部型及均压场型这三类地面天气形势场最容易导致青岛平流海雾的出现;最后根据平流海雾发生的特征,用逐步回归方法对平流海雾的预报因子进行了筛选,在此基础上,利用SVM(Support Vector Machines)的分类方法对青岛雾季发生的平流冷却海雾的预测进行了研究,预测结果表明了SVM方法对青岛雾季发生的平流冷却海雾有着较好的业务预报效果,为青岛海雾的预报提供了1种新的途径. 相似文献
78.
针对已提出的极化合成孔径雷达数据地物分类方法较难同时获得地物边界及相邻信息的问题,并为了减少图像处理的消耗时间,本文引入一种超像素生成算法——线性迭代聚类方法,对日本先进对地观测卫星多极化SAR数据进行地物分类研究。本文以四川省彭州市与什邡市交界地区为研究区,先采用Pauli分解生成RGB假彩色图像并进行滤波,再以此为基础使用线性迭代聚类方法生成超像素,最后用支持向量机分类方法,合理选取极化熵、各向异性度及平均散射角等极化特征组合在一起作为分类参数,对基于像素超像素的极化SAR图像的分类结果进行对比分析。使用超像素比其他基于像素的分类方法能够获得更好的结果,基于超像素分类的总体精度为95.23%,Kappa系数为92.58%。 相似文献
79.
基于SVM多类分类的滑坡区域危险性评价方法研究 总被引:6,自引:0,他引:6
近年来,随着新理论、新技术得发展,提出了许多新模型和方法应用于滑坡区域危险性评价中。支持向量机(support vector machine,SVM)是新一代的学习算法,已有前人利用SVM应用于滑坡灾害预测中。然而大多只是利用了SVM的两分类算法,得到的结果只有稳定不稳定两种.这对滑坡区域评价来说是远远不够的。本文尝试利用SVM的多类分类算法进行滑坡危险性区域评价,取得了较好的结果。 相似文献
80.
Prediction of Arsenic in Bedrock Derived Stream Sediments at a Gold Mine Site Under Conditions of Sparse Data 总被引:2,自引:0,他引:2
Navin K. C. Twarakavi Debasmita Misra Sukumar Bandopadhyay 《Natural Resources Research》2006,15(1):15-26
Arsenic is often present in gold mining areas. The high sensitivity of arsenic to biogeochemical conditions may lead to catastrophic
consequences through contamination of resources such as ground water. Therefore, it is critical to understand the spatial
occurrence of arsenic across a given site. Previous studies using traditional pattern recognition techniques such as neural
networks and kriging have not been entirely successful in predicting arsenic concentrations across a gold mining area. The
methods used in this paper are the support vector machines (SVM) and robust least-square support vector machines (robust LS-SVM).
The two techniques were used to predict arsenic concentrations in the sediments of Circle City, Alaska, using the gold concentration
distribution present within the sediments. The analysis of the results shows an improved performance and better predictive
capabilities of SVM and robust LS-SVM than that of the neural networks and kriging techniques. The robust LS-SVM performed
better than the SVM. The performance of the SVM was affected by outliers. The removal of the outliers from the data set and
application of SVM showed improved results. 相似文献