全文获取类型
收费全文 | 297篇 |
免费 | 71篇 |
国内免费 | 63篇 |
专业分类
测绘学 | 76篇 |
大气科学 | 76篇 |
地球物理 | 55篇 |
地质学 | 112篇 |
海洋学 | 27篇 |
天文学 | 3篇 |
综合类 | 45篇 |
自然地理 | 37篇 |
出版年
2024年 | 32篇 |
2023年 | 100篇 |
2022年 | 93篇 |
2021年 | 77篇 |
2020年 | 42篇 |
2019年 | 35篇 |
2018年 | 14篇 |
2017年 | 9篇 |
2016年 | 1篇 |
2015年 | 1篇 |
2014年 | 2篇 |
2013年 | 2篇 |
2012年 | 1篇 |
2011年 | 4篇 |
2010年 | 3篇 |
2009年 | 1篇 |
2007年 | 5篇 |
2005年 | 3篇 |
2004年 | 2篇 |
2003年 | 1篇 |
2001年 | 2篇 |
1989年 | 1篇 |
排序方式: 共有431条查询结果,搜索用时 15 毫秒
341.
空气温度是评价人居环境的重要指标,与人类的生产生活息息相关;其观测对于水文、环境、生态和气候变化等方面的研究具有重要意义。传统的大范围空气温度观测数据一般通过气象站点获取,但由于气象观测站点空间分布离散稀疏的特点,所获取的数据不能精确描述空间连续的空气温度变化情况。因此,实现基于遥感数据的近地表空气温度精准估算具有重要的现实意义。本研究基于精细的地表覆盖类型、空间连续的土壤水分、地表温度(LST)数据,并结合其他辅助数据,构建了近地表空气温度空间化模型,并对近地表空气温度影响因子进行评估,发现地表覆盖类型对近地表空气温度的影响最大,土壤水分为最活跃的影响因素,经验证,模型精度较高,R2接近0.85,RMSE为0.5℃。本研究获取的精确空间连续的近地表空气温度信息,能够充分表达其空间异质性,为农业气象灾害灾变过程监测、农作物生长过程模拟、区域气候变化分析等研究提供良好的近地表空气温度数据支撑。 相似文献
342.
343.
本文以传统机器学习算法XGBoost和深度学习算法CU-Net为基础,针对北京快速更新无缝隙融合与集成预报系统(RISE系统)预报的北京冬奥会延庆及张家口赛区100米分辨率的冬季近地面10 m风速数据,进行每日逐小时起报的未来逐6小时间隔的冬奥高山站点及其周边地区风速预报偏差订正方法研究和对比分析。对于站点订正,首先将RISE系统预测的10 m风速插值到对应的自动气象站站点,然后根据风速等级表归类,针对每个分类单独构建XGBoost模型,每个区间模型合并后形成L-XGBoost,使用均方根误差和预报准确率作为评分标准,结果表明风速归类的L-XGBoost算法订正效果比不归类的原始XGBoost模型有一定提升,说明在传统机器学习中加入归类方法有助于改善复杂山地站点风速预报技巧。对于站点及其周边地区风速订正,本文在CUNet模型基础上,通过引入不同深度的CU-Net子网络,构建了新的算法模型CU-Net++,并考虑了预报日变化误差和复杂地形对10 m风速的影响,以自动气象站为中心构建空间小区域样本数据,对RISE系统风速预报偏差进行订正。试验结果表明,CU-Net和CU-Net++均可以充... 相似文献
344.
基于机器学习方法和多源数据构建高精度蒸散发(Evapotranspiration,ET)产品对研究气候变化背景下干旱、半干旱地区陆地水循环变化具有重要意义。本文利用西北地区12个草地通量站点与卫星遥感产品,基于随机森林、极端梯度提升、支持向量回归和人工神经网络4种机器学习方法构建ET估算模型,制作5 km分辨率ET产品,并分析ET的长期变化趋势。交叉验证结果表明,4种模型的均方根误差都低于0.57 mm·d-1,R2高达0.73~0.88。SHAP (SHapley Additive exPlanation)可解释性分析表明,4种模型均将净辐射、植被和土壤湿度作为ET估算的重要因子,也能刻画出土壤偏干时土壤水分对ET的限制作用,有较好的物理解释性。多模型集合的ET结果相比单一机器学习模型以及现有遥感产品误差分别降低7%~20%和45%~70%。趋势分析结果显示,西北地区非裸地下垫面在2001—2018年间整体呈现ET增加趋势,平均速率为19 mm/(10 a)。在河套平原和内蒙古中部和东北部地区,ET的增长速率超过降水,这可能会进一步加剧这些地区的干旱化。 相似文献
345.
机器学习在地震预测中的应用进展 总被引:1,自引:0,他引:1
机器学习(Machine Learning, ML), 特别是深度学习(Deep Learning, DL), 在最近几年发展迅速, 在数据挖掘、 计算机视觉、 自然语言处理、 数据特征提取和预测等方面的应用中取得了令人振奋的进展。 地震预测是复杂、 涉及面广、 不成熟而且充满争议的科学问题; 其发展受到尚不清楚的地震机理和孕震结构、 不完备的观测数据与真伪不清的地震现象等方面的限制。 但是, 机器学习有可能改善复杂地震数据的挖掘和发现, 推动地震预测科学的发展。 本文回顾了机器学习在地震预测的应用, 包括强震、 强余震和岩石破裂失稳等方面的预测, 并展望了机器学习在地震预测方面的研究趋势。 相似文献
346.
"智能地动"(EarthX)系统是目前国际上唯一实时运行的人工智能地震监测系统.2018年12月起,"智能地动"系统在中国地震科学实验场试运行,实时处理川滇地区123个地震台站数据.该系统利用人工智能技术自动检测、拾取震相进而定位地震,在第一个台站接收到P波后数秒内快速产出地震的震源位置和震级,自发震时刻开始计算,平均定位仅用时28.9 s.此外,系统还使用全波形拟合的方法,在1~3分钟左右快速产出震源机制解和矩震级,而无须任何人工干预.EarthX系统在2020年1月1日至2020年8月4日期间,共记录地震897次,产出M3.0以上地震震源机制解81次.基本实现了3级以上地震的自动定位和震源机制解的产出,机制解的平均产出时间为震后103.8 s,弥补了当前地震监测台网不能产出地震震源机制解的空白.通过EarthX系统的推广应用,可逐步取代传统的地震监测发布手段,将台网人员从繁重的地震数据处理工作中解放出来. 相似文献
347.
地下小尺度散射体的检测和识别对于提高地震勘探的分辨率具有重要意义,目前业界普遍采用绕射波分离及成像方法检测地下散射体,而绕射波成像的质量主要取决于绕射波和反射波波场分离的程度.本文将被动源震源定位问题中常用的时间反转原理引入到地下散射体检测中,首先通过分析被动源和主动源模型反传波场的聚焦状态,验证了时间反转原理应用于地下散射体检测中的可行性;并引入机器学习中的朴素贝叶斯分类算法,给出适用于时间反转散射体检测的分类算法框架,计算模型中每个点成为散射体的概率,最终检测出地下散射体最有可能存在的位置.散射体模型和Sigsbee2a模型的试算结果证实了本文方法在不需对反射波和绕射波分离的情况下,即可实现对地下散射体的检测和定位,同时由于考虑了多次散射的影响,检测结果能准确反映地下散射体的位置. 相似文献
348.
349.
为了实现更准确的站点风预报,结合中尺度数值模式WRF预报结果和自动气象站观测数据,采用反距离加权插值法,将模式网格和观测站点的数据进行融合构建训练集,利用3种机器学习方法对WRF预报的风场结果进行订正,优化风场预报准确率。其中随机森林模型实现风速的预报均方根误差(RMSE)平均降低了18.22%,风向降低了15.97%;LightGBM模型对于风速、风向的RMSE平均降低了18.60%和17.56%;深度神经网络模型对于风速、风向的RMSE平均降低了5.53%和9.10%。对2020年宁波市9个大风过程进行检验,利用LightGBM模型对于3个站点预报进行订正,结果表明风速的RMSE从4.61 m/s下降到2.14 m/s,平均降低了53.58%,风向的RMSE从30.31°下降到18.20°,平均降低了39.95%。 相似文献
350.
基于欧洲中期天气预报中心(European Centre for Medium-range weather Forecasts,ECMWF)模式的预报数据和北京地区气象站点的观测数据,使用两种机器学习算法(线性回归和梯度提升回归树)对站点的体感温度进行误差订正,并采用均方根误差(Root Mean Square Error,RMSE)对预报效果进行评估,进一步与传统订正方法模式输出统计(Model Output Statistics,MOS)得到的订正结果进行对比。结果表明:线性回归、梯度提升回归树、MOS和ECMWF预报得到的平均RMSE分别为3.12、3.06、3.45、4.06℃,即机器学习算法明显优于MOS和ECMWF模式原始预报。机器学习订正方法不仅在平原地区取得了较好的效果,在高海拔站点的订正效果更加突出,为北京冬奥会复杂山地条件下赛事正常运行提供了一定的技术保障。 相似文献