全文获取类型
收费全文 | 6931篇 |
免费 | 836篇 |
国内免费 | 706篇 |
专业分类
测绘学 | 2735篇 |
大气科学 | 1496篇 |
地球物理 | 470篇 |
地质学 | 1813篇 |
海洋学 | 719篇 |
天文学 | 62篇 |
综合类 | 574篇 |
自然地理 | 604篇 |
出版年
2024年 | 39篇 |
2023年 | 164篇 |
2022年 | 210篇 |
2021年 | 311篇 |
2020年 | 221篇 |
2019年 | 313篇 |
2018年 | 225篇 |
2017年 | 248篇 |
2016年 | 259篇 |
2015年 | 315篇 |
2014年 | 396篇 |
2013年 | 323篇 |
2012年 | 383篇 |
2011年 | 373篇 |
2010年 | 355篇 |
2009年 | 374篇 |
2008年 | 404篇 |
2007年 | 428篇 |
2006年 | 369篇 |
2005年 | 355篇 |
2004年 | 283篇 |
2003年 | 245篇 |
2002年 | 237篇 |
2001年 | 205篇 |
2000年 | 189篇 |
1999年 | 168篇 |
1998年 | 156篇 |
1997年 | 121篇 |
1996年 | 115篇 |
1995年 | 112篇 |
1994年 | 108篇 |
1993年 | 99篇 |
1992年 | 94篇 |
1991年 | 73篇 |
1990年 | 64篇 |
1989年 | 69篇 |
1988年 | 21篇 |
1987年 | 6篇 |
1986年 | 6篇 |
1985年 | 9篇 |
1984年 | 5篇 |
1981年 | 2篇 |
1980年 | 4篇 |
1959年 | 1篇 |
1957年 | 2篇 |
1950年 | 1篇 |
1949年 | 1篇 |
1946年 | 2篇 |
1943年 | 1篇 |
1941年 | 2篇 |
排序方式: 共有8473条查询结果,搜索用时 15 毫秒
51.
本文采用特征点检测实现移动机器人的单目视觉里程计,通过对图像进行网格划分保证特征点均匀分布,提高特征点匹配效率。并行计算基础矩阵及单应矩阵实现单目视觉里程计的自动初始化,采用RANSAC算法剔除外点提高特征点匹配质量。设定运动模型及参考帧模型加速帧间运动估计,并通过合理的关键帧选取策略及图优化提高相机位姿精度及鲁棒性。利用TUM数据集测试本文设计的单目视觉里程计,实验轨迹误差为3.58 m,通过Turtlebot2移动机器人对真实环境进行测试,实验表明本文方法的有效性。 相似文献
52.
为获得更有效的微地震初至自动拾取方法,笔者分析了3种具有代表性的初至自动拾取方法(长短时均值比(STA/LTA)法、偏振分析法、AIC法)的原理及国内外研究进展,对3种方法在实际数据处理中的应用情况进行比较,讨论每种方法的实用性及在实际数据处理应用中存在的优缺点。在综合3种微地震初至拾取方法的基础上,发展了综合法。实际数据处理结果表明综合法能有效地对振幅弱、信噪比低的微地震信号进行初至拾取,提高微地震初至拾取的准确性。 相似文献
53.
54.
55.
针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。 相似文献
58.
融合时间序列环境卫星数据与物候特征的水稻种植区提取 总被引:3,自引:0,他引:3
获取高精度的区域水稻种植面积对于农业规划、配置与决策具有重要意义。区域尺度的水稻面积获取依赖于高时空分辨率影像,但受卫星回访周期和气候影响,难以获取足够时间序列的高时空分辨率影像,从而影响水稻种植面积遥感提取的精度。为此,提出适应于中国南方多雨云天气地区,基于国产环境卫星(HJ-1A/1B)与MODIS融合数据的水稻种植面积提取的新方法。以洞庭湖区为实验区,利用STARFM模型融合环境卫星NDVI数据与MODIS13Q1数据,获取时间序列的环境卫星NDVI数据,利用水稻关键期的NDVI数据结合物候特征参数对水稻种植区域进行提取。结果表明,该方法能有效提取区域水稻种植的面积,水稻种植面积提取的总体精度与Kappa系数分别达到91.71%与0.9024,分类结果明显优于仅采用多光谱影像或NDVI数据。该研究为中国南方多雨云天气地区水稻种植面积提取提供了有效的方法。 相似文献
59.
60.
针对高光谱遥感分类研究中面临的数据处理效率低、分类结果精度不高等难题,本文在引入极限学习机(ELM)算法的基础上,顾及其在噪声影响下出现稳健性降低的现象,进一步将主成分分析(PCA)应用于ELM的前端,从而构建了一种基于PCA和ELM的联合算法。将该算法与目前常用的神经网络和支持向量机进行对比分析发现:PCA-ELM分类结果的精度最高,其数据处理效率也较高,该算法具有较强的稳健性和泛化能力,适用于高光谱遥感信息的高效提取。 相似文献