全文获取类型
收费全文 | 343篇 |
免费 | 45篇 |
国内免费 | 44篇 |
专业分类
安全科学 | 98篇 |
废物处理 | 4篇 |
环保管理 | 19篇 |
综合类 | 207篇 |
基础理论 | 15篇 |
污染及防治 | 17篇 |
评价与监测 | 23篇 |
社会与环境 | 13篇 |
灾害及防治 | 36篇 |
出版年
2024年 | 5篇 |
2023年 | 31篇 |
2022年 | 29篇 |
2021年 | 24篇 |
2020年 | 14篇 |
2019年 | 12篇 |
2018年 | 8篇 |
2017年 | 15篇 |
2016年 | 9篇 |
2015年 | 20篇 |
2014年 | 22篇 |
2013年 | 14篇 |
2012年 | 30篇 |
2011年 | 13篇 |
2010年 | 14篇 |
2009年 | 17篇 |
2008年 | 17篇 |
2007年 | 20篇 |
2006年 | 18篇 |
2005年 | 11篇 |
2004年 | 12篇 |
2003年 | 11篇 |
2002年 | 5篇 |
2001年 | 7篇 |
2000年 | 2篇 |
1999年 | 2篇 |
1998年 | 8篇 |
1997年 | 5篇 |
1996年 | 2篇 |
1995年 | 4篇 |
1994年 | 8篇 |
1993年 | 3篇 |
1992年 | 5篇 |
1991年 | 7篇 |
1990年 | 3篇 |
1989年 | 4篇 |
1987年 | 1篇 |
排序方式: 共有432条查询结果,搜索用时 203 毫秒
151.
为了减少水灾损失并提高煤矿底板突水量预测精度,基于肥城矿区相关矿井水文地质资料,选取水压、底板裂隙发育程度、断层落差、岩溶发育程度、含水层厚度、隔水层厚度等6项指标,建立了肥城矿区底板突水量等级预测模型,采用平均影响值(MIV)方法评价了神经网络模型中各自变量对突水量等级预测的影响程度。结果表明:该模型具有较高的预测精度;肥城矿区内的小型突水主要由含水层及隔水层的属性决定;大型及特大型突水的发生与断裂构造、岩溶和底板裂隙发育程度等因素密切相关。 相似文献
152.
153.
为研究不同指标无量纲化方法对岩爆等级预测模型精度的影响,提高岩爆预测准确率,选取应力系数、脆性系数和弹性能量指数作为预测指标。基于104组岩爆实例大样本数据,采用统一极差处理法、差异化极差处理法、平均化处理法和归一化处理法4种指标无量钢化方法,对预测指标的原始数据进行处理,建立不同的岩爆预测距离判别模型并进行工程实例应用。研究结果表明:基于平均化处理法的岩爆预测模型的回判准确率高达97.1%;对不同矿山、隧道和水电站的6个工程实例的预测结果符合实际情况,说明其是一种准确率高、方便实用的岩爆预测模型。 相似文献
154.
大宁河叶绿素a的因子分值-多元线性回归预测模型研究 总被引:1,自引:0,他引:1
自从2003年三峡水库蓄水以后,其支流大宁河水华频发且频率呈上升趋势。叶绿素a(Chla)是指示水体中浮游植物初级生产力的有效指标。采用因子分值-多元线性回归方法研究了大宁河水体11个相关水质因子与Chl a之间的相关关系。因子分析用于简化水质指标之间的相关性,以因子得分(Score values)为自变量用于多元线性回归分析中。结果发现log(Chla)与6个因子分值明显相关,所获得多元线性回归模型为:log(Chl a)=0.579-0191×(Score 1)-0.013×(Score 2)-0.013×(Score 3)+0042×(Score 4)+0134×(Score 5)-0.059×(Score 6),相关系数 R= 0.731、相关系数的平方 R 2=0535,说明自变量可以解释因变量53.5%的差异性。实测数据验证结果表明:该模型能够较好的预测2010年1~10月水体中Chl a浓度的峰值和基本变化趋势 相似文献
155.
156.
基于BP神经网络的藻类水华预测模型研究 总被引:2,自引:0,他引:2
以宁波大学校内池塘2009年3—10月间30周的监测数据为基础,运用BP人工神经网络方法构建预测模型,探求颤藻生物量与总氮、总磷、透明度等6项环境因子之间的关系,选出最佳预测模型,并对模型进行敏感度分析。结果显示:①BP神经网络模型对颤藻生物量预测值与实测值之间拟合程度良好,相关系数达到了0.984,说明BP神经网络模型可以用于水体中藻类水华的短期预测。②通过对构建的BP神经网络模型进行敏感度分析,阐明了宁波大学校内池塘藻类水华的主要驱动因素,并指出控制水体的pH是宁波大学校内池塘藻类水华防治工作的重点。 相似文献
157.
应用小波分析和BP神经网络相结合的方法,建立大气污染物浓度预测模型。首先,利用静态小波分解将原始的大气污染物浓度序列分解为不同频段的小波系数序列;其次,将重要的气象因子和各尺度上的小波系数序列作为BP神经网络的输入;最后,对输出的各序列预测值重构,得到最终的预测结果。使用该模型对重庆市主城区某国控监测站点的PM_(10)浓度预测,结果表明,与传统的BP神经网络模型相比,该预测模型的推广能力强、预测精密度高,具有良好的应用前景。 相似文献
158.
159.
160.