全文获取类型
收费全文 | 1183207篇 |
免费 | 10814篇 |
国内免费 | 5507篇 |
专业分类
财政金融 | 142533篇 |
工业经济 | 74255篇 |
计划管理 | 254877篇 |
经济学 | 176580篇 |
综合类 | 73825篇 |
运输经济 | 17535篇 |
旅游经济 | 4524篇 |
贸易经济 | 197259篇 |
农业经济 | 100795篇 |
经济概况 | 149230篇 |
信息产业经济 | 2872篇 |
邮电经济 | 5243篇 |
出版年
2024年 | 5812篇 |
2023年 | 22333篇 |
2022年 | 14869篇 |
2021年 | 16677篇 |
2020年 | 25447篇 |
2019年 | 26277篇 |
2018年 | 13826篇 |
2017年 | 14145篇 |
2016年 | 15818篇 |
2015年 | 29612篇 |
2014年 | 68994篇 |
2013年 | 70392篇 |
2012年 | 83477篇 |
2011年 | 95368篇 |
2010年 | 94991篇 |
2009年 | 90015篇 |
2008年 | 82348篇 |
2007年 | 69114篇 |
2006年 | 62729篇 |
2005年 | 48924篇 |
2004年 | 40569篇 |
2003年 | 40539篇 |
2002年 | 33154篇 |
2001年 | 30386篇 |
2000年 | 22593篇 |
1999年 | 11606篇 |
1998年 | 9094篇 |
1997年 | 8519篇 |
1996年 | 8534篇 |
1995年 | 8433篇 |
1994年 | 8657篇 |
1993年 | 3227篇 |
1992年 | 3007篇 |
1991年 | 3224篇 |
1990年 | 2561篇 |
1989年 | 2824篇 |
1988年 | 2100篇 |
1987年 | 1730篇 |
1986年 | 1286篇 |
1985年 | 1334篇 |
1984年 | 1263篇 |
1983年 | 1009篇 |
1982年 | 822篇 |
1981年 | 475篇 |
1980年 | 347篇 |
1979年 | 185篇 |
1978年 | 80篇 |
1959年 | 96篇 |
1958年 | 122篇 |
1957年 | 112篇 |
排序方式: 共有10000条查询结果,搜索用时 15 毫秒
991.
994.
996.
997.
998.
基于冠层光谱和BP神经网络的水稻叶片氮素浓度估算模型 总被引:4,自引:0,他引:4
[目的]快速、准确地诊断水稻叶片氮素营养状况,为水稻氮肥精准管理提供依据。[方法]以江西省农科院8种不同施肥处理的晚稻为研究对象,于主要生育期同步测定了水稻冠层光谱反射率及叶片全氮浓度(Leaf Nitrogen Concentration,LNC),系统分析了原始光谱反射率、一阶微分光谱、"三边"参数以及由350~1 350nm两两波段组合的差值(SD (Rλ1,Rλ2))、比值(SR (Rλ1,Rλ2))及归一化(ND(Rλ1,Rλ2))光谱指数与水稻LNC的相关关系,筛选出敏感参数,并以之为自变量构建了水稻LNC的传统预测模型,另外构建不同指标个数的多元线性与BP神经网络模型,并对模型进行验证。[结果](1)水稻LNC与一阶微分光谱在751nm处的相关性最高(r=0. 822);(2)"三边"参数中的红边面积SDr与LNC的相关性较高(r=0. 687);(3) 750nm附近的红边波段与近红外波段差值组合、550nm附近的绿光波段与近红外波段的比值及归一化差值组合与水稻LNC的相关性较高,以SD (R752,R751)、SR (R534,R1 350)和ND (R534,R1 349)表现最好,相关系数分别为0. 827、-0. 790和0. 788;(4)传统回归模型中以SD(R752,R751)构建的一元线性模型最佳(RC2=0. 665、RV2=0. 750、RMSEV=0. 4%、RPD=2. 034);(5)利用5个指标((R'751、SDr、SD (R752,R751)、SR (R534,R1 350)、ND (R534,R1 349))经逐步回归筛选出的2个指标SD ((R752,R751)和SR (R534,R1 350))构建预测水稻氮素的BP神经网络模型,预测效果最佳,其验证参数值分别为R2=0. 859、RMSEV=0. 302%和RPD=2. 669。[结论]基于单指标构建的传统线性模型计算过程简单但精度略低,而基于2个指标(SD (R752,R751)、SR (R534,R1 350))构建的BP神经网络模型预测精度高于该2指标构建的多元线性模型,表明在指标适合的情况下,BP神经网络对氮素具有较好的预测能力,是一种快速准确估算水稻叶片全氮浓度的方法。 相似文献
999.
1000.