全文获取类型
收费全文 | 92篇 |
免费 | 22篇 |
国内免费 | 7篇 |
专业分类
测绘学 | 36篇 |
大气科学 | 4篇 |
地球物理 | 31篇 |
地质学 | 25篇 |
海洋学 | 9篇 |
天文学 | 2篇 |
综合类 | 11篇 |
自然地理 | 3篇 |
出版年
2023年 | 7篇 |
2022年 | 8篇 |
2021年 | 15篇 |
2020年 | 8篇 |
2019年 | 7篇 |
2018年 | 6篇 |
2017年 | 2篇 |
2015年 | 1篇 |
2014年 | 5篇 |
2013年 | 2篇 |
2012年 | 3篇 |
2011年 | 4篇 |
2010年 | 2篇 |
2009年 | 6篇 |
2008年 | 2篇 |
2007年 | 6篇 |
2006年 | 3篇 |
2005年 | 4篇 |
2004年 | 4篇 |
2003年 | 2篇 |
2002年 | 3篇 |
2001年 | 2篇 |
2000年 | 2篇 |
1996年 | 3篇 |
1995年 | 2篇 |
1994年 | 2篇 |
1993年 | 3篇 |
1992年 | 1篇 |
1990年 | 1篇 |
1989年 | 1篇 |
1988年 | 1篇 |
1983年 | 1篇 |
1982年 | 1篇 |
1977年 | 1篇 |
排序方式: 共有121条查询结果,搜索用时 42 毫秒
1.
随着村镇经济建设发展,生活垃圾和工业固体废弃物造成的污染问题日益突出,已经成为制约新农村建设发展和生态文明建设的关键问题,而目前针对乡镇非正规固体废弃物的调查与统计主要依赖全国各乡镇相关部门逐级调查上报,工作量较大。本文基于高分辨率遥感影像,将深度学习模型和条件随机场模型相结合引入到乡镇固体废弃物的提取研究中,探索一种基于深度卷积神经网络的乡镇固体废弃物提取模型。由于固体废弃物在影像上表现为面积小,分布破碎等特点,为了提高工作效率,将模型特分为识别和提取2个部分:① 通过全连接卷积网络(CNN)对固体废弃物进行快速识别判断,筛选感兴趣区域影像块;② 在传统的全卷积神经网络(FCN)的基础上加入条件随机场模型(CRF)提取固体废弃物边界,提高整体分割精度。根据安徽、山西等地区相关部门上报固体废弃物堆放点以及住房与城乡建设部城乡规划管理中心进行野外检查的结果,实验最终识别精度达到86.87%以上;形状提取精度为89.84%,Kappa系数为0.7851,识别与提取精度均优于传统分类方法。同时,该方法已经逐步应用于住房和城乡建设部有关成都、兰州、河北等部分乡镇非正规固体废弃物的核查工作,取得了较为满意的结果。 相似文献
2.
针对传统遥感影像目标检测方法效率不高,并且无有效手段对检测信息进行管理利用的问题,提出了在B/S构架下基于深度学习的目标检测及定位方法。通过集成深度学习框架、WebGIS以及数据库,实现了集遥感影像目标检测、展示及管理于一体的目标检测定位系统,满足多用户基于前端浏览器的并发目标检测需求。利用网格划分策略,实现了基于前端的大区域范围的目标快速检测。基于某机场飞机目标及某城市区域运动场目标检测结果表明:本文设计的目标检测定位系统能够在前端实现目标快速检测定位,具有较高检测精度,并可有效管理检测信息,为深度学习循环再利用提供数据支撑。 相似文献
3.
针对YOLOv3算法对小目标检测较差及出现较多漏检的问题,本文提出了一种优化的YOLOv3算法。首先使用K-means算法计算出与数据集相适用的锚框;其次将扩张卷积引入到YOLOv3网络,用来增强网络高层的感受野,改善小目标的检测效果;然后使用深度可分离卷积取代YOLOv3网络残差模块中的普通卷积,可减少计算量,从而得到一种新型卷积神经网络结构;最后在数据集上进行对比试验。结果表明,优化的YOLOv3算法能够检测出更多目标,降低漏检率,相比于YOLOv3算法,其召回率提高11.86%,F1-score提高2.99%。 相似文献
4.
基于非因果滤波器的多次波匹配相减方法(英文) 总被引:1,自引:0,他引:1
在常规多道匹配滤波方法中的滤波器是物理可实现的因果滤波器,只能实现地震信号序列延迟的滤波。本文提出了最小二乘意义下的非因果多道输入多道输出维纳滤波方法,通过比较多道匹配相减中因果和非因果滤波方法之间的差别,验证了方法的有效性,解决了模型数据滞后于实际数据的情况。而且,通过定义长度随偏移距和层速度变化的滑动时窗,解决了匹配时窗内同相轴数量随偏移距增大而增加的问题。并将上述方法应用到改进的扩展多道匹配相减去除多次波的方法中,利用Pluto1.5理论模拟数据,对非因果滤波器和变长度时窗的匹配相减方法进行测试,取得了很好的去除多次波后的地震数据。 相似文献
5.
射线追踪是地震波走时层析成像的基础,射线空间位置的准确性及射线走时的精度决定了层析成像的可靠性.本文根据哈密尔顿系统可以有效提高程函方程解稳定性的特性,采用辛几何算法(SAM-Symplectic Algorithm Method)及二维三次卷积插值技术进行地震波射线追踪.由于采用了SAM算法,保证了地震波波前精度,提高了射线空间位置的准确性.数值模拟结果表明SAM既能保证哈密尔顿系统的稳定性又具有运算速度快的特点,提高了射线追踪的计算精度. 相似文献
6.
本文基于测深反演结果, 通过数值模拟定性分析了地下水位和降雨对周至地电台地电阻率观测的影响; 同时利用褶积算法定量分析了降雨对该台NS向和NE向地电阻率观测的短期影响和长趋势影响.结果表明, 周至地电台地电阻率年变主要由地表薄层介质电阻率季节变化引起, 受地下水位变化影响不明显. 降雨对NS向和NE向地电阻率观测值的影响在短期内与观测结果一致, 表现为增加; 但长期趋势则与观测结果呈负相关关系.根据数值模拟分析认为, 这种变化与降雨及其渗透深度有关.分析结果与实际观测结果一致, 为正确认识周至地电台地电阻率观测与异常判定提供合理的理论依据. 相似文献
7.
8.
从研究人工智能雷电临近预警模型的目的出发,以卷积神经网络模型为基础,结合多个时间序列的雷达产品(组合反射率、液态水含量、回波顶高)与闪电数据,对雷电临近预报方法进行基于卷积神经网络结构的应用,以福建省2017—2018年雷达、闪电数据为样本完成了模型的训练与预测研究。训练结果显示,15~30 min模型训练样本测试集准确率为0.7985;选取福建省2019年20个雷电过程验证分析表明,15~30 min模型对动力抬升型雷电过程预警TS评分为0.716,夏季局地热雷暴预警TS评分为0.694,与常规采用雷达、闪电阈值控制的雷电预警算法相比,准确率有一定的提高,具有一定的实践意义。 相似文献
9.
东北黑土区侵蚀沟遥感影像特征提取与识别 总被引:3,自引:0,他引:3
东北黑土区是中国重要的粮食生产区,而长期的开垦造成了严重的水土流失现象,坡耕地表面出现大量的侵蚀沟。侵蚀沟的识别是土壤侵蚀监测的重要手段之一,目前遥感技术在侵蚀沟的识别中应用广泛,但自动化程度不高。针对特定地物影像的识别,如何选取最能够有效描述该地物的特征是解决问题的关键。本文构建了耕地和侵蚀沟遥感影像的训练样本集,基于样本集分别提取了由光谱特征和纹理特征组成的浅层特征、SIFT特征经编码后得到的中层特征,以及利用卷积神经网络提取的深层特征;再基于不同层次的特征选用合适的分类器对遥感影像进行分类,识别出含有侵蚀沟的遥感影像,形成了一套针对侵蚀沟的特征提取与识别方法,为东北黑土区的耕地保护提供有力支持。测试结果表明:基于中层特征的识别精度最高,为98.5%,但该特征需要人工设计,自动化程度有限;而利用卷积神经网络可自动提取深层特征,其识别精度达到了95.5%,同时大大提高了自动化程度,满足侵蚀沟影像的识别的需求。 相似文献
10.
Standard least-squares collocation (LSC) assumes 2D stationarity and 3D isotropy, and relies on a covariance function to account
for spatial dependence in the observed data. However, the assumption that the spatial dependence is constant throughout the
region of interest may sometimes be violated. Assuming a stationary covariance structure can result in over-smoothing of,
e.g., the gravity field in mountains and under-smoothing in great plains. We introduce the kernel convolution method from
spatial statistics for non-stationary covariance structures, and demonstrate its advantage for dealing with non-stationarity
in geodetic data. We then compared stationary and non- stationary covariance functions in 2D LSC to the empirical example
of gravity anomaly interpolation near the Darling Fault, Western Australia, where the field is anisotropic and non-stationary.
The results with non-stationary covariance functions are better than standard LSC in terms of formal errors and cross-validation
against data not used in the interpolation, demonstrating that the use of non-stationary covariance functions can improve
upon standard (stationary) LSC. 相似文献