全文获取类型
收费全文 | 918篇 |
免费 | 52篇 |
国内免费 | 55篇 |
专业分类
安全科学 | 143篇 |
环保管理 | 55篇 |
综合类 | 398篇 |
基础理论 | 23篇 |
污染及防治 | 10篇 |
评价与监测 | 115篇 |
社会与环境 | 22篇 |
灾害及防治 | 259篇 |
出版年
2024年 | 9篇 |
2023年 | 20篇 |
2022年 | 28篇 |
2021年 | 24篇 |
2020年 | 34篇 |
2019年 | 26篇 |
2018年 | 29篇 |
2017年 | 27篇 |
2016年 | 30篇 |
2015年 | 35篇 |
2014年 | 60篇 |
2013年 | 28篇 |
2012年 | 38篇 |
2011年 | 47篇 |
2010年 | 28篇 |
2009年 | 42篇 |
2008年 | 60篇 |
2007年 | 45篇 |
2006年 | 49篇 |
2005年 | 52篇 |
2004年 | 37篇 |
2003年 | 37篇 |
2002年 | 36篇 |
2001年 | 32篇 |
2000年 | 21篇 |
1999年 | 20篇 |
1998年 | 22篇 |
1997年 | 21篇 |
1996年 | 23篇 |
1995年 | 13篇 |
1994年 | 14篇 |
1993年 | 7篇 |
1992年 | 9篇 |
1991年 | 11篇 |
1990年 | 5篇 |
1989年 | 4篇 |
1988年 | 1篇 |
1987年 | 1篇 |
排序方式: 共有1025条查询结果,搜索用时 78 毫秒
81.
<正>路面施工中,面临沥青、重油、粉尘等职业危害。为加强班组安全管理,减少各类事故伤害,江苏冠盛路桥工程有限公司着重开展生产安全事故和职业危害的预知、预想、预报、预警、预防、预查和预控工作,从源头抓起,预防为主。江苏冠盛路桥工程有限公司(以下简称"冠盛公司")成立于1999年1月,拥有一支从事高速公路、高等级沥青路面施工的专业化施工队伍。在工程施工中,冠盛公司探索公路施工企业班组安全生产的经验和措施,总结并大力推广以班前预知预想、现场危险预报预警、安全隐患预防预查、 相似文献
82.
83.
以重点水力发电厂和大中型水库为主要考量,并兼顾地形地貌和中小河流的分布特征,将广西划分为23个电网流域,研究了基于非线性的神经网络电网流域面雨量预报方法。以5-6月龙滩近库区、龙江流域等6个电网流域为例,利用遗传算法优化BP神经网络的连接权和网络结构,建立了各电网流域的遗传-神经网络电网流域面雨量预报模型。对独立样本的预报结果表明,基于遗传-神经网络的电网流域面雨量预报模型的预报能力要优于传统的逐步回归预报模型,也明显优于日本、德国数值模式预报产品所换算成的电网流域面雨量预报,并与气象部门同期制作的综合面雨量预报产品能力相当,因而,遗传-神经网络面雨量集合预报模型有较好的业务应用前景。 相似文献
84.
以Landsat TM遥感影像为数据源,以云南省陆良县为研究对象,利用ENVI4.8对陆良县的Landsat TM遥感影像进行图像预处理以及最佳波段组合,运用监督分类中的平行六面体分类、最小距离分类、马氏距离分类以及最大似然分类等四种分类方法,对地物信息进行提取,并对其分类精度进行评价。最后发现,波段146组合适合陆良县的地物提取。在分类方法中,最大似然法分类的总体精度及Kappa系数均高于其他三种分类。 相似文献
85.
86.
当前臭氧模式预报和统计预报的技术难以满足不同地域精细化环境管理需求,亟需构建稳定性高、实用性强的本地化臭氧预报方法. 本研究通过构建臭氧预报工作流程并明确臭氧预报流程中相关技术参数和要求,以陕西省及其省会城市—西安市为例分析历史气象和环境空气质量数据,获取陕西省臭氧污染规律以及西安市不同气象条件下臭氧等级分布规律和典型案例预报要点,确立人工订正经验技术集的方法,明确案例库构建、会商和预报回顾机制的相关要求,旨为臭氧预报模式的本地化提供科学的技术路线. 结果表明:通过臭氧预报效果评估与结果择优、人工订正、预报会商及预报结果回顾所组成的臭氧业务化预报工作流程具备切实可行性;此外,陕西省臭氧浓度与相对湿度、气压和风速均呈显著负相关,与温度呈显著正相关,臭氧预报时应重点关注日均温度大于28 ℃、日最大温度大于34 ℃、相对湿度小于57%、气压低于959 hPa、风速小于2.3 m/s的气象条件下的臭氧等级. 相似文献
87.
应用多种机器学习算法进行时空耦合从而建立一种新的多模式集合预报订正算法(简称“ET-BPNN算法”),对4种常规污染物(NO2、O3、PM2.5和PM10)的空气质量模型预报结果进行订正. 订正方法分为两步,第一步中利用随机森林、极端随机树和梯度提升回归树3种机器学习算法,采用4个空气质量数值预报模式(CMAQ、CAMx、NAQPMS和WRFChem)的多尺度污染物浓度预报数据、中尺度天气模式(WRF)的气象因子预报数据(包括2 m温度、2 m相对湿度、10 m风速、10 m风向、气压和小时累计降水量)以及污染物浓度观测数据作为训练集,训练结果进入基于均方根误差的择优选择器,选取3种机器学习算法中优化效果最好的算法;在第二步中利用了BP神经网络算法,通过加权平均获得集合模式订正预报结果. 结果表明:①与模式集合平均算法相比,ET-BPNN算法使NO2、O3、PM2.5和PM10浓度预报值与观测值之间的均方根误差分别减小了30.4%、18.9%、43.3%和38.1%. ②ET-BPNN算法的优化效果较随机森林、极端随机树和梯度提升回归树3个机器学习算法有明显提升,与极端随机树算法相比,ET-BPNN算法使NO2、O3、PM2.5和PM10浓度预报值与观测值之间的均方根误差分别降低了42.7%、20.1%、19.7%和9.7%. ③在易发生污染的秋冬季,ET-BPNN算法对PM2.5浓度的预报具有明显的优化效果,此外该算法明显缩小了不同站点预报和不同预报时效之间的偏差,具有较好的鲁棒性. ④对O3和PM2.5浓度预报而言,经ET-BPNN算法优化后的预报结果能够更好地把握污染过程,对污染物峰值浓度的预报也较模式集合平均算法更准确. 研究显示,ET-BPNN算法提高了空气质量模式对污染物浓度的预报效果. 相似文献
88.
89.