全文获取类型
收费全文 | 218篇 |
免费 | 27篇 |
国内免费 | 30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 31 毫秒
101.
光谱与纹理信息复合的土地利用/覆盖变化动态监测研究 总被引:8,自引:0,他引:8
及时、准确地动态监测地球表面特性对于掌握人类和自然现象之间的关系和相互作用是非常重要的,并为决策的制定奠定基础。传统卫星遥感的土地利用/覆盖变化动态监测方法基本上可分为光谱直接比较法和分类比较法两大类,但两类方法多以光谱信息为基础来提取土地利用变化信息,而忽略纹理等空间信息。本研究中,基于变化向量分析方法,将光谱与纹理两种信息复合计算变化强度,并采用支持向量机法提取变化/非变化信息,通过监督分类确定变化区域内的土地利用/覆盖类型的转移方向,完成土地利用/覆盖动态监测。最后,利用两期TM数据,对海淀区1997—2004年进行土地利用/覆盖变化动态监测,以验证该方法。该方法较分类后比较法在一定程度上减少误差积累,降低了错误类型转化,提取的变化信息总精度达到93.1%,Kappa为0.862,比利用光谱信息双窗口变步长的变化向量分析方法提取出土地利用/覆盖变化信息的精度有一定的提高(总体精度为90.2%,Kappa为0.804)。纹理信息与光谱信息复合,能够更大拉开变化/非变化信息之间的距离,有利于动态变化信息的提取,是该方法能够有效提取变化信息的关键所在。 相似文献
102.
103.
104.
支持向量机在大气污染预报中的应用研究 总被引:1,自引:1,他引:1
支持向量机是基于统计学习理论的新一代机器学习技术,其非线性回归预测性能优越于传统统计方法。利用前一天该污染物的日均浓度、前一天地面平均风速等7个预报因子建立了基于RBF核函数支持向量回归法的大气污染预报模型,并利用十重交叉验证和网格搜索法寻找模型最优参数。乌鲁木齐大气预报实例表明:支持向量机显示出小样本时预报精度较高和训练速度快的独特优势,为空气质量预报提供一种全新的模式。 相似文献
105.
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
106.
基于阵列感应测井的支持向量机流体识别方法 总被引:3,自引:0,他引:3
基于研究区块的高分辨率阵列感应测井(HDIL)资料,首先分析了利用交会图法进行流体识别的效果,指出了该常规解释方法的局限性。在此基础上,将基于遗传算法优化的支持向量机(GA-SVM)引入到测井解释当中,结合阵列感应测井和常规测井资料,建立了流体识别的非线性模型。利用该模型对45个训练样本进行回判,准确率为100%,对21个预测样本进行预测的准确率为90.48%,相对于常规解释方法,该流体识别方法具有更高的准确率。 相似文献
107.
108.
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
109.
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
110.
东营凹陷深部储层是干燥沉积环境下的一套红层,其中的孔一中储层厚度大、钻遇井少,具有较大勘探潜力。但目标区地层结构复杂,埋深从南到北逐渐变大,井震关系一致性不好,储层预测有很大难度。通过综合分析井震特征、优选地震属性、建立井震厚度关系,使用单一最佳属性法、多元线性回归法、基于学习型的非线性储层预测法,得出以下认识与结论:1)研究区红层具有薄互层典型特征,频率较上覆和下伏地层高,地震反射具有中振、低连、低信噪比特征;2)新研发的基于优势频率的流度因子具有最好的厚度相关性,最大振幅、均方根振幅、过零点数、能量半时也较好;3)无论是多元线性回归还是非线性支持向量机,优化的五属性储层预测效果要好于七属性;4)基于交叉验证的支持向量机方法十分适合深部储层小样本储层厚度预测,效果好于单一最佳属性法和多元线性回归法。 相似文献