全文获取类型
收费全文 | 220篇 |
免费 | 26篇 |
国内免费 | 33篇 |
专业分类
测绘学 | 129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 | 2篇 |
综合类 | 28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 | 17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279条查询结果,搜索用时 21 毫秒
71.
相似集合预报方法在北京区域地面气温和风速预报中的应用 总被引:1,自引:0,他引:1
相似集合是近年来提出的一种基于相似理论、大数据挖掘和集合预报思路的统计释用方法。文中首先介绍了相似集合的基本原理,并应用该方法对北京快速更新循环数值预报系统(BJ-RUC)v3.0预报地面要素开展了订正释用试验。结果表明,相似集合订正后,在0—36 h预报时段内,10 m风速的均方根误差降低44%,2 m气温的均方根误差降低22%,均方根误差均显著减小。对比测站预报误差的水平分布,相似集合方法的应用对于提升非城区站点的10 m风速预报、复杂地形区域的2 m气温预报具有更为明显的效果。相同预报因子的相似集合和支持向量机方法对模式10 m风速和2 m气温预报均具有显著且相似的订正效果,但相似集合方法具有计算资源需求较少、不需要大量人工干预的优势。相似集合方法形成的集合较好地模拟了模式平均误差的增长情况,集合离散度与集合平均均方根误差表现出理想的统计一致性,即相似集合方法在形成确定性预报的同时,还能够提供预报要素的不确定性或概率信息。因此,相似集合方法在模式预报订正及释用方面具有广阔的应用前景。 相似文献
72.
73.
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
74.
75.
76.
77.
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
78.
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
79.
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
80.