全文获取类型
收费全文 | 262篇 |
免费 | 85篇 |
国内免费 | 85篇 |
专业分类
测绘学 | 43篇 |
大气科学 | 190篇 |
地球物理 | 54篇 |
地质学 | 70篇 |
海洋学 | 5篇 |
综合类 | 21篇 |
自然地理 | 49篇 |
出版年
2024年 | 1篇 |
2023年 | 5篇 |
2022年 | 23篇 |
2021年 | 38篇 |
2020年 | 38篇 |
2019年 | 35篇 |
2018年 | 35篇 |
2017年 | 29篇 |
2016年 | 33篇 |
2015年 | 18篇 |
2014年 | 25篇 |
2013年 | 14篇 |
2012年 | 17篇 |
2011年 | 13篇 |
2010年 | 14篇 |
2009年 | 14篇 |
2008年 | 20篇 |
2007年 | 7篇 |
2006年 | 18篇 |
2005年 | 7篇 |
2004年 | 7篇 |
2003年 | 7篇 |
2002年 | 3篇 |
2001年 | 1篇 |
2000年 | 1篇 |
1999年 | 2篇 |
1998年 | 2篇 |
1997年 | 1篇 |
1996年 | 1篇 |
1995年 | 2篇 |
1992年 | 1篇 |
排序方式: 共有432条查询结果,搜索用时 15 毫秒
1.
合理构建PM2.5浓度预测模型是科学、准确地预测PM2.5浓度变化的关键。传统PM2.5预测EEMD-GRNN模型具有较好的预测精度,但是存在过于关注研究数据本身而忽略其物理意义的不足。本研究基于南京市2014-2017年PM2.5浓度时间序列数据,分析PM2.5浓度多尺度变化特征及其对气象因子和大气污染因子的尺度响应,基于时间尺度重构进行EEMD-GRNN模型的改进与实证研究。南京市样本数据PM2.5浓度变化表现为明显的天际尺度和月际尺度,从重构尺度(天际、月际)构建GRNN模型更具有现实意义;同时,PM2.5对PM10、NO2、O3、RH、MinT等因子存在多尺度响应效应,以其作为GRNN模型中的输入变量更具有时间序列上的解释意义。改进后的EEMD-GRNN模型具有更高的PM2.5浓度预测精度,MAE、MAPE、RMSE和R2分别为6.17、18.41%、8.32和0.95,而传统EEMD-GRNN模型的模型有效性检验结果分别为8.37、27.56%、11.56、0.91。对于高浓度天(PM2.5浓度大于100 μg/m3)的预测,改进模型更是全面优于传统EEMD-GRNN模型,MAPE为12.02%,相较于传统模型提高了9.03%。 相似文献
2.
为了得出雾霾气象成因机制、影响因素和时空分布特征,以石家庄市区与郊县为研究区域,将2013年9月至2016年12月石家庄市各市区、郊县的PM2.5历史监测数据中的有效数据进行了数据分析处理得到雾霾浓度数据,还有温度、降水、风速、地形和人口密度等数据,运用GIS分析的方法,模拟绘制石家庄雾霾的时空分布图、雾霾与各影响因子的专题对比图,得到雾霾形成机制的因子、雾霾的时空分布规律、雾霾季节变化特征、雾霾与地形间的关系等;运用数据分析软件OriginPro8.SR3分析雾霾浓度与风速数据、降雨数据、温度数据间的相关性。 相似文献
3.
4.
5.
PM2.5已成为人群健康的重要威胁之一,科学精准的暴露评估是PM2.5风险防控的前提,为提升PM2.5暴露精准评估,本文利用土地利用数据、道路数据、气象数据等构建PM2.5土地利用回归反演模型,实现了2013年12月1日-2014年2月8日(冬季)广佛都市区PM2.5时空动态演变监测,在此基础上将PM2.5反演结果与人口密度数据耦合,分别从PM2.5污染浓度与人口加权PM2.5浓度2个方面,评估广佛都市区PM2.5污染暴露风险。研究结果表明:① 土地利用回归模型能够较好的反映研究区域内PM2.5的空间分布特征,R2大于0.78;② 2013年12月1日-2014年2月8日,广佛都市区PM2.5浓度平均值呈现波动变化趋势,研究时段内,最高平均浓度为97.91 μg/m3 (12月29日-1月11日),最低平均浓度为53.40 μg/m3 (1月26日-2月8日),全时段PM2.5浓度超WHO健康标准的面积占比达99.8%;③ 广佛都市区PM2.5的空间分布具有异质性规律,其高值区分别位于广州市天河区、越秀区、番禺区北部、花都区北部及佛山市禅城区、南海区中部、三水区中部,低值区主要位于广州市白云区、番禺区东南部及佛山市顺德区南部。人口加权暴露风险存在2个高值中心,分别位于广州市和佛山市的主城区;④ 耦合人口加权模型前后,广佛都市区PM2.5暴露风险高风险区空间分布发生变化,未考虑人口加权模型时,广佛深高值区较为分散,主要位于南海区、天河区、越秀区、禅城区,考虑人口加权模型后,高值区更加集中于广州市和佛山市的主城区。 相似文献
6.
本研究通过识别海洋气团特征及沿海城市大气受到海洋气团的影响方式与程度,为评价沿海城市空气环境质量提供科学依据。以青岛市为例,收集大气气溶胶样品中放射性核素~(210)Pb、40K数据及采集时段当地大气颗粒物数据;分析~(210)Pb活度浓度与气溶胶颗粒物浓度变化;对当地当时大气气团进行溯源分析。研究表明:(1)研究期间青岛沿岸地区2015年4月至2016年6月与2016年6月至2017年6月大气污染特征显著不同,前者~(210)Pb活度浓度与污染颗粒物浓度显著相关,而后者~(210)Pb活度浓度与污染颗粒物无相关关系;(2)穿越海洋的陆地气团呈现出高活度浓度、低颗粒物浓度的特征;来自海洋气团的气溶胶呈现出低活度浓度、低颗粒物浓度的特征;(3)海洋气团气溶胶中~(210)Pb活度浓度较低。临近大陆的海洋(黄海、东海)上层大气受到大陆气团的影响,其海洋气团的特征有所减弱。~(210)Pb活度浓度、颗粒物浓度(PM2.5)可作为判断海洋气团的指标,识别"来自海洋的气团"与"经过海洋的气团"。 相似文献
7.
ABSTRACT This paper discusses characteristics of the seasonal variation in phthalate acid esters (PAEs) in the PM2.5 in the city of Changji, which is located an arid area of Xinjiang Province, northwest China. Samples were collected using a Laoying 2030 median discharge intelligent total suspended particulate (TSP) sampler and analyzed by a Shimadzu GC-2010 gas chromatograph. The results showed that PAEs in PM2.5 were mainly composed of phthalic acid dibutyl phthalate (DBP) and phthalic acid (2-)ethyl hexyl ester (DEHP). DBP and DEHP are the most commonly used plasticizers, accounting for the majority of plasticizers used, and have large environmental emissions. Compared with the proportions of TSPs, proportions of DBP and DEHP in the PM2.5 were lower, while the proportions of DMP and DEP were higher. A correlation exists between the distribution of PAEs and the particle size and concentration of atmospheric particulates. Seasonal variations in DBP and DEHP were the same, with lowest concentrations in the summer. Although seasonal variation in DMP was not the same as those of DBP and DEHP, the general trend was similar. Seasonal variation in DEP was different from those of other PAEs. This pattern is related to PAE characteristics and seasonal variations in their sources. 相似文献
8.
It is still not well understood if subseasonal variability of the local PM2.5 in the Beijing-Tianjin-Hebei (BTH) region is affected by the stratospheric state. Using PM2.5 observations and the ERA5 reanalysis, the evolution of the air quality in BTH during the January 2021 sudden stratospheric warming (SSW) is explored. The subseasonal variability of the PM2.5 concentration after the SSW onset is evidently enhanced. Stratospheric circumpolar easterly anomalies lasted for 53 days during the January–February 2021 SSW with two evident stratospheric pulses arriving at the ground. During the tropospheric wave weakening period and the intermittent period of dormant stratospheric pulses, the East Asian winter monsoon weakened, anomalous temperature inversion developed in the lower troposphere, anomalous surface southerlies prevailed, atmospheric moisture increased, and the boundary layer top height lowered, all of which favor the accumulation of pollutant particulates, leading to two periods of pollution processes in the BTH region. In the phase of strengthened East Asian winter monsoon around the very beginning of the SSW and another two periods when stratospheric pulses had reached the near surface, opposite-signed circulation patterns and meteorological conditions were observed, which helped to dilute and diffuse air pollutants in the BTH region. As a result, the air quality was excellent during the two periods when the stratospheric pulse had reached the near surface. The increased subseasonal variation of the regional pollutant particulates after the SSW onset highlights the important role of the stratosphere in the regional environment and provides implications for the environmental prediction. 相似文献
9.
依据一种基于建筑用地比例和土地利用信息熵的城乡站点划分方法,将西安市环境与气象站点划分为城区、郊区和两类乡村站,讨论其PM2.5的城乡分布特征及与城市热岛效应强度(Urban Heat Island Intensity,UHII)间的相关关系。结果表明,不同季节西安市呈现不同的PM2.5城乡分布特征和日变化特征,两类乡村站点PM2.5差异明显且下风向乡村站点(乡村D)对应的UHIID对城区和乡村的影响程度大于上风向乡村站点(乡村U)对应的UHIIU。在城区较多本地排放的影响下,乡村PM2.5浓度与 UHIIU(或UHIID)相关系数均大于城区。随着UHIID的增加,城乡PM2.5相对浓度差值(RUPIID)整体呈下降趋势且UHIID与RUPIID在春夏秋季显著负相关。UHIID增大,城区近地面PM2.5的水平扩散能力减弱,但PM2.5的垂直扩散能力较乡村更强,从而UHIID通过影响PM2.5的传输扩散特征,进一步影响西安市RUPIID。 相似文献
10.
利用2014—2017年汕头市PM2.5的日浓度资料、以及汕头市国家基准气象观测站的同期地面气象资料,重点分析了汕头市PM2.5浓度的变化特征以及风、混合层厚度、降水等气象条件对PM2.5浓度的影响,同时探讨了污染物浓度变化的成因。在此基础上,根据汕头市的气候特点,采用BP (Back-Propagation)人工神经网络方法针对汛期和非汛期分别建立了PM2.5质量浓度预报模型。结果表明:与多数内陆城市不同,汕头市PM2.5浓度日变化为单峰型,这与汕头地处沿海受海陆风影响有关;PM2.5浓度日峰值出现在08时左右,除早高峰污染物排放增加的因素外,与早晨时段的低风速环境有关;PM2.5日均浓度随着风速的增大呈现减小趋势,PM2.5日均浓度与08时混合层厚度显著相关(相关系数为-0.143);汕头市非汛期PM2.5浓度比汛期高,这与汕头市的亚热带季风气候特征有关,汛期各量级降水(暴雨以上除外)对PM2.5的清除效果无明显差别,而非汛期降水对PM2.5浓度有明显清除作用;BP人工神经网络模型的预报效果表明,汛期和非汛期的PM2.5级别命中率TS分别为100%和90.3%,准确指数分别为87.7%和89.9%,总体预报效果良好。不同时期预报模型出现正误差的数量和程度均大于负误差,汛期预报模型在有强降水发生时误差较大,而非汛期预报模型在有冷空气入侵时误差较大。 相似文献