全文获取类型
收费全文 | 254篇 |
免费 | 31篇 |
国内免费 | 40篇 |
专业分类
安全科学 | 47篇 |
废物处理 | 4篇 |
环保管理 | 35篇 |
综合类 | 152篇 |
基础理论 | 22篇 |
污染及防治 | 23篇 |
评价与监测 | 22篇 |
社会与环境 | 4篇 |
灾害及防治 | 16篇 |
出版年
2024年 | 3篇 |
2023年 | 12篇 |
2022年 | 9篇 |
2021年 | 13篇 |
2020年 | 14篇 |
2019年 | 14篇 |
2018年 | 22篇 |
2017年 | 11篇 |
2016年 | 7篇 |
2015年 | 20篇 |
2014年 | 24篇 |
2013年 | 16篇 |
2012年 | 12篇 |
2011年 | 17篇 |
2010年 | 14篇 |
2009年 | 17篇 |
2008年 | 12篇 |
2007年 | 14篇 |
2006年 | 3篇 |
2005年 | 7篇 |
2004年 | 11篇 |
2003年 | 4篇 |
2002年 | 5篇 |
2001年 | 12篇 |
2000年 | 6篇 |
1999年 | 6篇 |
1998年 | 3篇 |
1997年 | 2篇 |
1996年 | 6篇 |
1995年 | 3篇 |
1991年 | 1篇 |
1988年 | 2篇 |
1987年 | 1篇 |
1986年 | 2篇 |
排序方式: 共有325条查询结果,搜索用时 62 毫秒
321.
辽宁典型城市道路扬尘PM2.5中水溶性无机离子组分特征及来源解析 总被引:1,自引:1,他引:1
为了解辽宁省典型城市道路扬尘PM_(2.5)中水溶性无机离子组分特征及其来源,分别于2014年和2016年采集了鞍山市和盘锦市道路扬尘样品,利用再悬浮采样器将其悬浮到滤膜上,用离子色谱仪分析了其中的水溶性无机离子组分,分别用相关分析法和比值法分析了其污染特征,用主成分法初步解析了其主要污染源.结果表明,盘锦市和鞍山市8种水溶性无机离子分别占道路扬尘PM_(2.5)的5.83%±3.34%和5.84%±1.15%.盘锦市NH_4~+与SO_4~(2-)和NO_3~-的结合方式主要为(NH_4)2SO_4和NH_4NO_3,鞍山市NH_4~+与SO_4~(2-)和NO_3~-的主要结合方式为NH_4HSO_4和NH_4NO_3.盘锦市和鞍山市道路扬尘PM_(2.5)中NO_3~-/SO_4~(2-)的均值分别为0.52±0.55和0.46±0.13,表明固定源(燃煤)对其道路扬尘PM_(2.5)的影响较显著.盘锦市道路扬尘PM_(2.5)主要来源于生物质燃烧源、海盐粒子、建筑水泥尘和机动车尾气;鞍山市道路扬尘PM_(2.5)主要来源于燃煤源、生物质燃烧源、海盐粒子和钢铁冶炼尘. 相似文献
322.
PM2.5作为大气污染的主要来源,其时空演变格局和影响因素对于大气环境质量调控具有重要意义.基于2000~2020年PM2.5遥感反演数据,采用空间自相关和数理统计方法分析关中平原城市群PM2.5时空演变特征,以海拔、年均气温和人均GDP等10种因子为自变量,结合地理探测器和多尺度地理加权回归(MGWR)模型对PM2.5污染影响因素进行空间分异探究.结果表明:①2000~2020年,关中平原城市群PM2.5浓度总体呈下降趋势.浓度高值区集中在研究区中东部,低值区集中在研究区西部.热点区域集中在临汾市和运城市,冷点区则集中在天水市和宝鸡市.②自然因子在关中平原城市群PM2.5污染中占主导地位,2020年PM2.5浓度主控影响因子按解释力大小排序依次为:海拔>年均气温>地形起伏度>年均相对湿度>年降水量>人均GDP>植被覆盖度>能源消耗指数.③主控影响因子按照作用尺度大小排序依次为:植被覆盖度>年均气温>能源消耗指数>年降水量>地形起伏度>海拔>人均GDP>年均相对湿度.其中人均GDP、地形起伏度、能源消耗指数和年均气温主要为正向作用,植被覆盖度、年降水量、海拔和年均相对湿度主要为负向作用.研究得出了关中平原城市群PM2.5时空演变格局和影响因素,可为相关部门制定大气污染防治政策提供决策依据,同时丰富实证研究. 相似文献
323.
324.
325.
应用深度学习技术进行PM2.5浓度预测方法的研究,提出联合Transformer注意力机制的循环预测网络。模型的核心是多头注意力-长短期记忆网络(MH-LSTM),通过构建统一记忆单元捕捉时空特征关联。MH-LSTM单元使用LSTM联合Transformer注意力机制对时间变化和全局空间特征统一建模形成记忆信息。记忆信息“之”字流向跨越堆叠的MH-LSTM模块,高层记忆信息辅助下一时刻低层记忆信息的获取。应用该模型结合河北省生态环境监测中心提供的PM2.5浓度数据开展预报试验,结果表明,相对于卷积LSTM网络(ConvLSTM)、预测循环神经网络(PredRNN)、双重记忆网络(MIM),该模型预测的平均绝对误差分别减小了18.13%、10.23%、9.62%,实现了同时捕捉PM2.5浓度的时空相关性,具有更优预测性能。 相似文献