• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    利用BP神經(jīng)網(wǎng)絡(luò)標準化東南太平洋莖柔魚(Dosidicus gigas)資源豐度*

    2022-09-21 02:37:12林泓羽汪金濤陳新軍
    海洋與湖沼 2022年5期
    關(guān)鍵詞:東南太平洋標準化

    林泓羽 汪金濤, 2, 3, 4, 5 陳新軍, 2, 3, 4, 5

    利用BP神經(jīng)網(wǎng)絡(luò)標準化東南太平洋莖柔魚()資源豐度*

    林泓羽1汪金濤1, 2, 3, 4, 5①陳新軍1, 2, 3, 4, 5

    (1. 上海海洋大學海洋科學學院 上海 201306; 2. 農(nóng)業(yè)農(nóng)村部大洋漁業(yè)開發(fā)重點實驗室 上海 201306; 3. 國家遠洋漁業(yè)工程技術(shù)研究中心 上海 201306; 4. 大洋漁業(yè)資源可持續(xù)開發(fā)教育部重點實驗室 上海 201306; 5. 農(nóng)業(yè)農(nóng)村部大洋漁業(yè)資源環(huán)境科學觀測實驗站 上海 201306)

    東南太平洋莖柔魚()是短生命周期大洋性經(jīng)濟魚類, 其資源量受環(huán)境因素變化的影響較大。根據(jù)我國魷釣船隊2013~2017年在東南太平洋的生產(chǎn)統(tǒng)計數(shù)據(jù), 結(jié)合海洋環(huán)境數(shù)據(jù)包括海表面溫度(SST)、海表面鹽度(SSS)、葉綠素濃度(chl), 運用BP神經(jīng)網(wǎng)絡(luò)(back propagation network)模型來標準化單位捕撈努力量漁獲量(catch per unit effort, CPUE, 也稱名義CPUE)。以均方誤差(mean square errors, MSE)和平均相對變動值(average relative variances, ARV)為最優(yōu)模型判斷依據(jù), 比較隱含層節(jié)點3-10的神經(jīng)網(wǎng)絡(luò)模型, 發(fā)現(xiàn)6-9-1結(jié)構(gòu)為最優(yōu)模型。用Garson算法解釋模型結(jié)果, 發(fā)現(xiàn)各輸入層因子對東南太平洋莖柔魚資源豐度影響重要度排序為chl、SST、經(jīng)度(Lon)、SSS、緯度(Lat)、月份(Month)。并作名義CPUE和標準化CPUE資源豐度對比分布圖, 結(jié)果顯示CPUE與標準化CPUE總體分布狀況基本一致, 但局部區(qū)域存在明顯差異, 80°~85°W及10°~20°S海域適宜魷釣生產(chǎn), 表明BP神經(jīng)網(wǎng)絡(luò)模型可以適用于東南太平洋莖柔魚的CPUE標準化, 從而為魷釣漁業(yè)生產(chǎn)提供一定參考依據(jù)。

    BP神經(jīng)網(wǎng)絡(luò); 東南太平洋莖柔魚; 資源豐度; 環(huán)境因子

    莖柔魚隸屬頭足綱(Cephalopoda)、柔魚科(Ommastrephidae)、莖柔魚屬() (王堯耕等, 2005)。在柔魚科中, 莖柔魚是個體最大、資源量最為豐富的種類之一(Nigmatullin, 2001)。莖柔魚廣泛分布于東太平洋海域, 特別是加利福尼亞(37°~40°N)至智利(45°~47°S)海域(Taipe, 2001), 是中國、日本、韓國、秘魯、越南等國魷釣船的重要捕撈對象(陳新軍, 2019)。莖柔魚生長快速、生命周期短, 產(chǎn)卵后即死去, 為一年生種類, 具有垂直和水平遷移的能力, 洄游范圍廣, 能快速響應(yīng)不斷變化的環(huán)境條件, 資源豐度較易受到環(huán)境因素的影響(Benoit-Bird, 2012), 包括海表面溫度(SST)、海表面鹽度(SSS)、葉綠素濃度(chl)等環(huán)境因素。莖柔魚在南半球的產(chǎn)卵場主要分布在秘魯沿岸的北部區(qū)域(3°~8°S)和南部區(qū)域(12°~17°S) (Tafur, 2001), 其在秘魯沿岸的洄游主要受洪堡海流和南赤道流的影響(胡貫宇等, 2018)。據(jù)聯(lián)合國糧農(nóng)組織(FAO)統(tǒng)計, 中國在東南太平洋捕撈的莖柔魚()的捕撈量在2001~2017年間有一定的波動, 但總體呈現(xiàn)上升趨勢, 從2011年的1.78萬t, 增加到2014年的歷史最高產(chǎn)量, 達到33.25萬t; 2015~2016年捕撈量略有下降, 2015年為32.36萬t, 2016年為22.33萬t; 2017年捕撈量又有所回升, 達到29.61萬t, 已成為中國遠洋漁業(yè)的重要組成部分。

    單位捕撈努力量漁獲量(catch per unit effort, CPUE)指某漁場在一定時期內(nèi), 平均每一個捕撈努力量所能捕獲的漁獲量, 常被認為與漁業(yè)資源豐度成正比(Hilborn, 1992), 是最常用的資源豐度指標(邵幗瑛等, 2006)。CPUE與環(huán)境因子間存在關(guān)系, 如柔魚() CPUE與海表溫度, 即表溫存在著經(jīng)驗關(guān)系, CPUE與溫度之間的關(guān)系是非線性的(田思泉, 2003)。然而, CPUE除與資源豐度有關(guān)以外, 還會受到棲息地面積(Salthaug, 2003)、環(huán)境效應(yīng)(Ziegler, 2003)及漁民行為(官文江, 2008)等眾多因素的影響, 導致CPUE與資源豐度間的正比關(guān)系有時難以成立(Harley, 2001)。因此, 研究人員常對CPUE進行標準化, 消除影響進而重構(gòu)CPUE與資源豐度間的正比關(guān)系, 達到合理有效利用CPUE數(shù)據(jù)的目的(Ye, 2009)。CPUE標準化時漁業(yè)資源評估研究的基礎(chǔ)性工作(楊勝龍等, 2015), 因此國內(nèi)外學者對CPUE的標準化方法進行了大量研究和總結(jié)(楊勝龍等, 2015), 包括傳統(tǒng)的統(tǒng)計學模型和機器學習方法, 傳統(tǒng)的統(tǒng)計學模型包括廣義線性模型(GLM) (官文江等, 2009)、基于貝葉斯的廣義線性模型(GLBM) (陸化杰等, 2013)、廣義加性模型(GAM) (戴小杰等, 2011)、基于棲息地的CPUE標準化方法(HBS) (Hinton, 1996); 機器學習方法包括回歸樹模型(regression trees, RT) (官文江等, 2014a)、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN) (Maunder, 2006)、隨機森林(random forest, RF)模型(Breiman, 2001), 支持向量機(support vector machine, SVM) (楊勝龍等, 2015)等。

    在傳統(tǒng)的統(tǒng)計學模型中, GLM廣泛應(yīng)用于CPUE標準化(Chang, 2011), 但缺點在于無法處理非線性關(guān)系(Maunder, 2004), 在誤差假設(shè)、變量選擇、缺失數(shù)據(jù)、交叉項及異常值處理等方面缺乏靈活性(官文江等, 2009); GAM模型可用于處理非線性問題, 但其假設(shè)檢驗等推斷過程可能存在問題(Venables, 2004)。盡管傳統(tǒng)的統(tǒng)計學方法通過GLM和GAM的互補能夠較好地解決線性和非線性問題, 但在具有非線性關(guān)系的問題映射上, 傳統(tǒng)的統(tǒng)計學方法遠不如機器學習方法的表現(xiàn), 與前者相比, 如人工神經(jīng)網(wǎng)絡(luò)和回歸樹模型為例的機器學習方法可以獲得較好的預(yù)測結(jié)果。官文江等(2014b)比較了GLM和回歸樹模型用于CPUE標準化的效果, 認為回歸樹模型具有階躍函數(shù)特征, 適用于當漁業(yè)數(shù)據(jù)存在非線性關(guān)系及異常值時; 而當漁業(yè)數(shù)據(jù)不存在非線性關(guān)系與異常值時, 則GLM模型更具優(yōu)勢。雖然機器學習方法在漁業(yè)研究上具有較好的表現(xiàn), 楊勝龍等(2015)通過不同模型在CPUE標準化問題上的對比, 發(fā)現(xiàn)SVM和RF方法應(yīng)該被優(yōu)先考慮用于漁業(yè)數(shù)據(jù)CPUE數(shù)據(jù)標準化。SVM模型在簡單分類問題上具有先進的性能, 并且能夠高效地解決小樣本問題等等, 但其無法擴展到較大的較復(fù)雜的數(shù)據(jù)集; 神經(jīng)網(wǎng)絡(luò)是一種黑盒子技術(shù), 其運行時具有不穩(wěn)定的特點, 因而也常常無法解釋CPUE與自變量間的關(guān)系(Maunder, 2001)。雖然神經(jīng)網(wǎng)絡(luò)是一種黑盒模型, 但其在分類、學習、誤差容忍度和非線性關(guān)系處理方面的能力使其受到關(guān)注(Chen, 1990), 且研究人員已提出了幾種解釋神經(jīng)網(wǎng)絡(luò)中不同神經(jīng)元之間權(quán)重的方法, 如Garson算法(Garson, 1991)、Olden算法(Olden, 2004)和靈敏度分析(?zesmi, 1999)等。

    1 數(shù)據(jù)與方法

    1.1 漁業(yè)數(shù)據(jù)

    東南太平洋莖柔魚漁業(yè)統(tǒng)計數(shù)據(jù)來自中國遠洋漁業(yè)數(shù)據(jù)中心, 生產(chǎn)數(shù)據(jù)包括作業(yè)日期、作業(yè)位置(經(jīng)緯度)、作業(yè)船數(shù)和漁獲量, 時間范圍為2013~2017年, 空間范圍為75°~90°W、5°~30°S, 空間分辨率為0.5°×0.5°。海洋環(huán)境數(shù)據(jù)包括SST、SSS、chl, 其中SST、SSS來自哥倫比亞大學氣候數(shù)據(jù)實驗室網(wǎng)站(http://iridl.ldeo.columbia.edu), chl來自美國國家海洋和大氣管理局(http://oceanwatch.pifsc.noaa.gov), 時間分辨率為月。

    生產(chǎn)數(shù)據(jù)按空間分辨率0.5°×0.5°、時間分辨率為月進行時空融合統(tǒng)計, 并計算單位捕撈努力量漁獲量(CPUE)作為其局部資源豐度指標。漁業(yè)數(shù)據(jù)和環(huán)境數(shù)據(jù)采用基于局部均值的偽最近鄰法按照作業(yè)地點和作業(yè)日期進行匹配(Gou, 2014)。

    式中, CPUE(i,j,m,y)表示月年, 位置,的平均CPUE;(i,j,m,y)表示月年, 位置,的總產(chǎn)量;(i,j,m,y)表示月年, 位置,的總的作業(yè)船數(shù)。

    1.2 BP神經(jīng)網(wǎng)絡(luò)模型

    BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡(luò), 包括輸入層(input layer)、隱含層(hidden layer)和輸出層(output layer)三部分, 運算過程包括信號的正向傳播和反向傳播(圖1)。BP神經(jīng)網(wǎng)絡(luò)模型建立過程一般包括三個階段: 訓練(training)、驗證(validating)和測試(testing)。

    圖1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

    1.2.1 模型構(gòu)建 將2013~2017年共5 073個樣本利用最小-最大標準化法(min-max scale)進行歸一化處理, 使CPUE值處于0~1之間, 隨機分配70%的樣本集作為訓練樣本, 30%的樣本集作為測試樣本。BP神經(jīng)網(wǎng)絡(luò)的輸入層因子為月份、緯度、經(jīng)度、SST、SSH、chl, 輸出層因子為CPUE, 最大計算次數(shù)設(shè)置為1 000, 權(quán)值和閾值的更新的學習速率設(shè)置為0.1, 結(jié)束條件為誤差函數(shù)的絕對偏導數(shù)小于0.01。隱含層神經(jīng)元個數(shù)通過經(jīng)驗公式(劉維群等, 2005)設(shè)置在3~10的范圍內(nèi), 其具體確定需要在訓練過程中合理地增加或減少隱藏層中節(jié)點的數(shù)量(劉維群等, 2005), 這個過程是相當重要和困難的, 這也需要通過使用反向傳播的算法。在最后, 一般可利用交叉驗證, 計算其均方誤差(mean square errors, MSE)和平均相對變動值(average relative variances, ARV)來量化比較結(jié)果, 選出神經(jīng)網(wǎng)絡(luò)模型的最佳模型結(jié)構(gòu)(Wang, 2018)。

    式中,1為隱含層個數(shù),為輸入層個數(shù),為輸出層個數(shù),為[1,10]之間的整數(shù)。

    1.2.2 模型評價 BP模型以均方誤差和泛化能力作為判斷最優(yōu)模型的標準。均方誤差是將預(yù)測值與實際值進行比較所得, 其用MSE表示, 函數(shù)定義式見式3。泛化能力是指神經(jīng)網(wǎng)絡(luò)學習算法對新樣本的適應(yīng)能力, 其目的是學習隱含在數(shù)據(jù)樣本中的規(guī)律, 經(jīng)過訓練后的網(wǎng)絡(luò)對非訓練樣本也能給出合理的輸出, 是衡量預(yù)測值與實測值之間差別的變量, 用ARV表示, ARV值越小, 網(wǎng)絡(luò)泛化能力越強, 其表達式為式4 (Cholewo, 1997; 潘玉民等, 2012):

    1.2.3 模型解釋 在神經(jīng)網(wǎng)絡(luò)解釋圖(neural interpretation diagram, NID)中, 輸入層到隱含層、隱含層到輸出層之間的連接權(quán)重用直線表示, 直線的粗細表示連接權(quán)重絕對值的大小, 即信號作用的強弱。Garson算法是一種借助神經(jīng)網(wǎng)絡(luò)獲得權(quán)重所做的靈敏度分析方法, 它可以利用連接權(quán)重的乘積得到輸入變量對輸出變量的重要度(蔡毅等, 2008)。

    2 結(jié)果

    2.1 最優(yōu)模型結(jié)構(gòu)及其解釋性

    由經(jīng)驗公式(式4)選取3~10作為隱藏層的疊加個數(shù), 建立相對應(yīng)的6-N-1神經(jīng)網(wǎng)絡(luò)模型, 共計8個神經(jīng)網(wǎng)絡(luò)模型, 使用交叉驗證的方法測試訓練模型, 通過對每個模型進行100次的循環(huán), 計算其MSE和ARV, 并繪制箱線圖如下圖所示, MSE見圖2a, ARV見圖2b。隱含層節(jié)點數(shù)3~10的網(wǎng)絡(luò)結(jié)構(gòu), 對比其MSE和ARV結(jié)果(圖2), 隱藏層為3~7的神經(jīng)網(wǎng)絡(luò)模型, 整體的MSE和ARV呈現(xiàn)數(shù)值變小的趨勢, 于隱藏層節(jié)點為7時較為穩(wěn)定, 而后在節(jié)點為8~10時, 其MSE有小幅度波動, 于節(jié)點為9時整體為較小的模型結(jié)果, 可見6-9-1結(jié)構(gòu)的MSE和ARV最小, 為最優(yōu)結(jié)構(gòu)。

    構(gòu)建6-9-1結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果(圖3), I為輸入層, 輸入的變量依次為月份(Month)、經(jīng)度(Lon)、緯度(Lat)、海表面鹽度(SSS)、海表面溫度(SST)、葉綠素濃度(chl)。H為隱藏層, 共有9個隱藏層, 為H1~H9。O為輸出層, 輸出變量為CPUE。B1和B2表示在每一步添加的偏差。圖中線的粗細表示各因子所占權(quán)重的大小, 黑色線為神經(jīng)網(wǎng)絡(luò)傳遞的正信號, 灰色線為負信號。采用Garson算法比較各輸入層因子對輸出預(yù)測的重要度進行靈敏度分析, 其結(jié)果, 輸入層變量的重要度排序為chl、SST、Lon、SSS、Lat、Month (圖4)。

    2.2 標準化莖柔魚CPUE

    東南太平洋莖柔魚的生產(chǎn)期為10~12月及次年1月的月平均CPUE較高, 其中12月份CPUE最高, 為3.80 t/d; 其余各月為生產(chǎn)淡季, 3月份CPUE最低, 為2.30 t/d (圖5)。

    圖2 不同節(jié)點神經(jīng)網(wǎng)絡(luò)模型的均方誤差MSE和平均相對變動值A(chǔ)RV

    注: a. MSE; b. ARV

    圖3 神經(jīng)網(wǎng)絡(luò)解釋圖

    圖4 Garson算法計算輸入?yún)?shù)對輸出預(yù)測的重要度

    圖5 2013~2017年東南太平洋莖柔魚月平均CPUE分布

    用選擇的最佳BP神經(jīng)網(wǎng)絡(luò)模型, 預(yù)測2013~ 2017年75°~90°W、5°~30°S海域的CPUE值(記為CPUE-BP), 將小于0, 大于1的預(yù)測值進行二次歸一化處理, 其月平均標準化CPUE分布(圖6), 年平均CPUE標準化分布(圖7)。在時間上, 于月份尺度上整體變化趨勢較大, 不論是實際的還是預(yù)測的; 而在2013~2017年間的年均變化上, 變化的尺度較小。預(yù)測的CPUE (CPUE-BP)同樣于1~3月開始呈現(xiàn)下降趨勢, 并在3月達到最小值, 而后呈現(xiàn)上升趨勢, 與實際的CPUE值的月均變化趨勢較一致。2013~2017年間的年平均標準化CPUE分布, 發(fā)現(xiàn)2013~2017年CPUE在0.50~0.56內(nèi)呈小幅度波動, 2015年達到最大值, 2016年又有所下降。整體來說, 名義的CPUE月平均變化與歸一化后的CPUE月平均變化趨勢較一致, 說明標準化莖柔魚的CPUE能夠較好解釋其變化規(guī)律, 并且標準化后的CPUE能夠消除捕撈因素等外部因素對于莖柔魚資源豐度的影響, 從而使得標準化后的CPUE的變動幅度較小。

    圖6 2013~2017年東南太平洋莖柔魚月平均預(yù)測CPUE分布

    圖7 2013~2017年東南太平洋莖柔魚年平均預(yù)測CPUE分布

    2.3 莖柔魚資源時空變化規(guī)律

    作2013~2017年各年各月標準化CPUE分布圖(圖8), 圖中顏色代表預(yù)測后的標準化CPUE的大小, 顏色越深的區(qū)域, 其預(yù)測后的標準化CPUE越大。東南太平洋莖柔魚CPUE的時空分布在2013~2017年間整體呈現(xiàn)變化明顯的狀態(tài), 各年間的較高值CPUE的分布主要集中于80°~85°W及10°~20°S海域。于月間變化也較為顯著, 于3~6月整體資源豐度較低, 而后升高, 常常在11、12、1月達到較高值, 即顏色分布較深的區(qū)域。而年間的分布上以2015年為CPUE集中分布最為顯著的年份, 2015年的1月為中心漁場范圍最大的月份。東南太平洋莖柔魚CPUE的時空分布整體呈現(xiàn)一個帶狀分布趨勢, 由南向北資源分布開始減少。

    3 討論

    目前, 有關(guān)東南太平洋莖柔魚的研究大多集中在資源和漁場的時空分布變化與環(huán)境因子的關(guān)系, 對其資源豐度的標準化研究則較少。本文利用2013~2017年東南太平洋莖柔魚的生產(chǎn)數(shù)據(jù)和海洋環(huán)境數(shù)據(jù), 建立了基于東南太平洋莖柔魚CPUE的BP神經(jīng)網(wǎng)絡(luò)模型, 對東南太平洋莖柔魚的資源豐度進行標準化, 并以標準化CPUE作其資源豐度分布圖。以月份、緯度、經(jīng)度、SST、SSS、chl為輸入層因子, 以CPUE為輸出層因子, 隱含層節(jié)點選用3~10個, 建立了不同的BP神經(jīng)網(wǎng)絡(luò)模型, 對東南太平洋莖柔魚資源豐度進行標準化研究, 并經(jīng)過100次循環(huán)計算的交叉驗證進行對比。交叉驗證在選擇平均絕對相對誤差較低的模型時表現(xiàn)良好, 但并不能總是選擇出誤差最小的模型(Maunder, 2006)。交叉驗證的結(jié)果表明6-9-1結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模型MSE最小, ARV最小(圖2), 泛化能力最強, 為最優(yōu)模型。

    根據(jù)本文所建立的神經(jīng)網(wǎng)絡(luò)模型在各層之間的權(quán)重連接情況(圖3), 輸入層節(jié)點chl所連出的直線較粗, 對隱藏層有較大的貢獻, 同時通過用Garson算法比較各輸入層因子對CPUE的貢獻率(圖4), 結(jié)果顯示對CPUE貢獻最大的分別是chl、SST、Lon、SSS、Lat、Month。chl代表初級生產(chǎn)力, 主要影響莖柔魚的攝食狀況, 由于莖柔魚攝食中大型浮游植物, 高濃度的葉綠素為其提供了豐富的食物(Schwing, 1999), 本研究表明莖柔魚偏好分布于葉綠素濃度高SST低的區(qū)域, 這與Robinson等(2013)證實了莖柔魚主要分布在海溫低、葉綠素濃度高的地區(qū)的結(jié)論一致。

    2013~2017年東南太平洋莖柔魚的月平均名義CPUE分布(圖5)在10~12月及1月的月平均CPUE較高, 其中12月份CPUE最高, 為7.05 t/d。4月份CPUE最低, 為3.91 t/d。這說明10~12月及1月為捕撈東南太平洋莖柔魚的盛產(chǎn)期, 其余各月為生產(chǎn)淡季。由于CPUE可能因除豐度以外的其他因素而變化。因此, 通過去除與豐度無關(guān)的影響捕集能力的因素來標準化CPUE是很重要的(Maunder, 2006)。圖6直觀地顯示了2013~2017年間75°~90°W、5°~30°S海域的月平均CPUE分布, 發(fā)現(xiàn)9~12月為捕撈東南太平洋莖柔魚的盛產(chǎn)期; 由2013~2017年間的年平均標準化CPUE分布(圖7), 發(fā)現(xiàn)2013~2017年CPUE在0.50~0.56內(nèi)呈小幅度波動, 2015年達到最大值, 2016年又有所下降。由此可見, 標準化后的CPUE變化波動幅度小, 這也可能是在通過神經(jīng)網(wǎng)絡(luò)模型進行標準化后, 剔除了與豐度無關(guān)的因素包括年月份、經(jīng)緯度等對其造成的影響。由2013~2017年間的標準化CPUE的時空分布圖(圖8), 在時間分布上, 呈現(xiàn)明顯的月份季度以及年份尺度上的變化, 于2015年的中心漁場范圍為分布最為廣泛密集, 其他年份較2015年為分散和分布少, 而月份上也以11、12以及1月份的分布最為密集, 在3~6月的分布上較為稀疏, 資源豐度較低, 這可能也是與莖柔魚的秋生冬生群體以及其攝食行為有關(guān); 從空間分布上, 可見預(yù)測后標準化CPUE的分布, 主要集中于80°~85°W及10°~20°S海域, 與汪金濤等(2014)的結(jié)論80°W以西及15°S以南區(qū)域適宜魷釣生產(chǎn); Robinson等(2013)結(jié)論1~7月份產(chǎn)量集中在80°~84°W及14°~20°S海域; Nash等(1970)結(jié)論6月份漁場重心在81°~84°W及10°~15°S海域; 胡振明等(2008)結(jié)論年漁場重心在79.5°~82.7°W和11.9°~17.1°S海域, 月漁場重心在81.0°~81.2°W和14.3°~15.4°S基本一致。盡管, 由于受到初始值的影響, 神經(jīng)網(wǎng)絡(luò)可能存在多解, 不能給出不確性估計(官文江等, 2014a), 但上述結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)對于東南莖柔魚的CPUE標準化結(jié)果, 即在時空分布上都有較高度的一致性, 因此能夠較好貼合實際生產(chǎn)狀況以及前人在研究中獲得的結(jié)論。結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)適合用于CPUE的標準化。

    圖8 2013~2017年間各月標準化CPUE分布

    注: 每張子圖的空間范圍為30°S~0°, 90°~75°W

    4 結(jié)論

    本文通過采用6-9-1結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)進行東南太平洋莖柔魚的CPUE標準化, 其結(jié)果與前人利用其他統(tǒng)計學方法等研究的漁場重心時空位置基本一致, 結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)適合用于CPUE的標準化。但本文只考慮了SST、SSS、chl三個環(huán)境因素, 沒有考慮海表高度異常(SSHA)、海表溫度異常(SSTA)、海面高度(SSH)等因素的影響, 也沒有考慮到厄爾尼諾事件和拉尼娜事件的影響, 而研究表明厄爾尼諾和拉尼娜事件會影響莖柔魚幼體和成熟體的生長、棲息等生活史過程。此外, 莖柔魚具有晝夜垂直移動的現(xiàn)象(Nigmatullin, 2001), 還需要考慮到海洋水溫的垂直結(jié)構(gòu)對其的影響。因此, 研究過程可以加入更多環(huán)境因素, 以便進一步提高模型精度。另外, 本文所用環(huán)境數(shù)據(jù)來自衛(wèi)星遙感, 由于云層遮擋等原因造成了環(huán)境數(shù)據(jù)的缺失, 在對一整塊海域進行CPUE的標準化時, 會有缺失值。由于神經(jīng)網(wǎng)絡(luò)模型是一種黑盒模型, 其對于CPUE標準化表現(xiàn)的性能可能并不完全準確, 通過對神經(jīng)網(wǎng)絡(luò)的修改, 包括額外的隱藏層、約束訓練或不同的似然函數(shù), 可能會提高它的性能。在判斷選擇最優(yōu)神經(jīng)網(wǎng)絡(luò)模型的方法上, 采取了交叉驗證的方法, 但交叉驗證可能并不總是選擇誤差最小的模型, 這也會造成最終結(jié)果具有誤差。此外, 本文僅分析了單隱含層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型, 對于多隱含層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是否能用于標準化資源豐度或者提高預(yù)報精度, 有待進一步研究。

    王堯耕, 陳新軍, 2005. 世界大洋性經(jīng)濟柔魚類資源及其漁業(yè)[M]. 北京: 海洋出版社.

    田思泉, 2003. 西北太平洋柔魚資源、作業(yè)漁場時空分布及其與表溫關(guān)系的研究[D]. 上海: 上海水產(chǎn)大學.

    劉維群, 李元臣, 2005. BP網(wǎng)絡(luò)中隱含層節(jié)點優(yōu)化的研究[J]. 交通與計算機, 23(2): 83-86.

    楊勝龍, 張禹, 張衡, 等, 2015. 不同模型在漁業(yè)CPUE標準化中的比較分析[J]. 農(nóng)業(yè)工程學報, 31(21): 259-264.

    汪金濤, 高峰, 雷林, 等, 2014. 基于神經(jīng)網(wǎng)絡(luò)的東南太平洋莖柔魚漁場預(yù)報模型的建立及解釋[J]. 海洋漁業(yè), 36(2): 131-137.

    陸化杰, 陳新軍, 曹杰, 2013. 基于GLBM模型的中國大陸阿根廷滑柔魚魷釣漁業(yè)CPUE標準化[J]. 生態(tài)學報, 33(17): 5375-5384.

    陳新軍, 2019. 世界頭足類資源開發(fā)現(xiàn)狀及我國遠洋魷釣漁業(yè)發(fā)展對策[J]. 上海海洋大學學報, 28(3): 321-330.

    邵幗瑛, 張敏, 2006. 東南太平洋智利竹莢魚漁場分布及其與海表溫關(guān)系的研究[J]. 上海水產(chǎn)大學學報, 15(4): 468-472.

    官文江, 田思泉, 王學昉, 等, 2014a. CPUE標準化方法與模型選擇的回顧與展望[J]. 中國水產(chǎn)科學, 21(4): 852-862.

    官文江, 陳新軍, 2008. 利用元胞自動機探討商業(yè)性CPUE與資源量之間的關(guān)系[J]. 中國海洋大學學報, 38(4): 561-566.

    官文江, 陳新軍, 2009. 應(yīng)用一般線性模型估算鮐、鲹大型燈光圍網(wǎng)漁業(yè)的捕撈效率[J]. 水產(chǎn)學報, 33(2): 220-228.

    官文江, 陳新軍, 高峰, 等, 2014b. GLM模型和回歸樹模型在CPUE標準化中的比較分析[J]. 上海海洋大學學報, 23(1): 123-130.

    胡貫宇, 方舟, 陳新軍, 2018. 東太平洋莖柔魚生活史研究進展[J]. 水產(chǎn)學報, 42(8): 1315-1328.

    胡振明, 陳新軍, 2008. 秘魯外海莖柔魚漁場分布與表溫及表溫距平值關(guān)系的初步探討[J]. 海洋湖沼通報(4): 56-62.

    蔡毅, 邢巖, 胡丹, 2008. 敏感性分析綜述[J]. 北京師范大學學報(自然科學版), 44(1): 9-16.

    潘玉民, 趙立永, 張全柱, 2012. 瓦斯涌出量的混合pi-sigma模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型[J]. 計算機應(yīng)用, 32(4): 1045-1049.

    戴小杰, 馬超, 田思泉, 2011. 印度洋中國大眼金槍魚延繩釣漁業(yè)CPUE標準化[J]. 上海海洋大學學報, 20(2): 275-283.

    BENOIT-BIRD K J, GILLY W F, 2012. Coordinated nocturnal behavior of foraging jumbo squid[J]. Marine Ecology Progress Series, 455: 211-228.

    BREIMAN L, 2001. Random forests [J]. Machine Learning, 45(1): 5-32.

    CHANG S K, HOYLE S, LIU H I, 2011. Catch rate standardization for yellowfin tuna () in Taiwan’s distant-water longline fishery in the Western and Central Pacific Ocean, with consideration of target change [J]. Fisheries Research, 107(1/2/3): 210-220.

    CHEN S, BILLINGS S A, GRANT P M, 1990. Non-linear system identification using neural networks [J]. International Journal of Control, 51(6): 1191-1214.

    CHOLEWO T J, ZURADA J M, 1997. Sequential network construction for time series prediction [C] // Proceedings of International Conference on Neural Networks. Houston, TX, USA: IEEE: 2034-2038.

    GARSON G D, 1991. Interpreting neural-network connection weights [J]. AI Expert, 6(4): 46-51.

    GOU J P, ZHAN Y Z, RAO Y B,, 2014. Improved pseudo nearest neighbor classification [J]. Knowledge-Based Systems, 70: 361-375.

    HARLEY S J, MYERS R A, DUNN A, 2001. Is catch-per-unit-effort proportional to abundance? [J]. Canadian Journal of Fisheries and Aquatic Sciences, 58(9): 1760-1772.

    HILBORN R, WALTERS C J, 1992. Quantitative Fisheries Stock Assessment: Choice, Dynamics and Uncertainty [M]. New York: Chapman and Hall.

    HINTON M G, NAKANO H, 1996. Standardizing catch and effort statistics using physiological, ecological, or behavioral constraints and environmental data, with an application to blue marlin () catch and effort data from Japanese longline fisheries in the Pacific [J]. Inter-American Tropical Tuna Commission Bulletin, 21: 171-200.

    MAUNDER M N, 2001. A General Framework for integrating the Standardization of Catch Per Unit of Effort into Stock Assessment Models [J]. Canadian Journal of Fisheries and Aquatic Sciences. 58.10.1139/f01-029.

    MAUNDER M N, HINTON M G, 2006. Estimating relative abundance from catch and effort data, using neural networks [R]. Inter-American Tropical Tuna Commission Special Report 15.

    MAUNDER M N, PUNT A E, 2004. Standardizing catch and effort data: a review of recent approaches [J]. Fisheries Research, 70(2/3): 141-159.

    NASH J E, SUTCLIFFE J V, 1970. River flow forecasting through conceptual models part I-A discussion of principles [J]. Journal of Hydrology, 10(3): 282-290.

    NIGMATULLIN C M, NESIS K N, ARKHIPKIN A I, 2001. A review of the biology of the jumbo squid(Cephalopoda: Ommastrephidae) [J]. Fisheries Research, 54(1): 9-19.

    OLDEN J D, JOY M K, DEATH R G, 2004. An accurate comparison of methods for quantifying variable importance in artificial neural networks using simulated data [J]. Ecological Modelling, 178(3/4): 389-397.

    ?ZESMI S L, ?ZESMI U, 1999. An artificial neural network approach to spatial habitat modelling with interspecific interaction [J]. Ecological Modelling, 116(1): 15-31.

    ROBINSON C J, GóMEZ-GUTIéRREZ J, DE LEóN D A S, 2013. Jumbo squid () landings in the Gulf of California related to remotely sensed SST and concentrations of chlorophyll(1998-2012) [J]. Fisheries Research, 137: 97-103.

    SALTHAUG A, AANES S, 2003. Catchability and the spatial distribution of fishing vessels [J]. Canadian Journal of Fisheries and Aquatic Sciences, 60(3): 259-268.

    SCHWING F B, MOORE C S, RALSTON S,, 1999. Record coastal upwelling in the California Current in 1999 [R]. CalCOFI Rep, 41, 148-160.

    TAFUR R, VILLEGAS P, RABI? M,, 2001. Dynamics of maturation, seasonality of reproduction and spawning grounds of the jumbo squid(Cephalopoda: Ommastrephidae) in Peruvian waters [J]. Fisheries Research, 54(1): 33-50.

    TAIPE A, YAMASHIRO C, MARIATEGUI L,, 2001. Distribution and concentrations of jumbo flying squid () off the Peruvian coast between 1991 and 1999 [J]. Fisheries Research, 54(1): 21-32.

    VENABLES W N, DICHMONT C M, 2004. GLMs, GAMs and GLMMs: an overview of theory for applications in fisheries research [J]. Fisheries Research, 70(2/3): 319-337.

    WANG J T, CHEN X J, CHEN Y, 2018. Projecting distributions of Argentine shortfin squid () in the Southwest Atlantic using a complex integrated model [J]. Acta Oceanologica Sinica, 37(8): 31-37.

    YE Y M, DENNIS D, 2009. How reliable are the abundance indices derived from commercial catch-effort standardization? [J]. Canadian Journal of Fisheries and Aquatic Sciences, 66(7): 1169-1178.

    ZIEGLER P E, FRUSHER S D, JOHNSON C R, 2003. Space-time variation in catchability of southern rock lobsterin Tasmania explained by environmental, physiological and density-dependent processes [J]. Fisheries Research, 61(1/2/3): 107-123.

    THE CPUE STANDARDIZATION OFIN THE SOUTHEASTERN PACIFIC OCEAN USING BP NEURAL NETWORK

    LIN Hong-Yu1, WANG Jin-Tao1, 2, 3, 4, 5, CHEN Xin-Jun1, 2, 3, 4, 5

    (1. College of Marine Sciences of Shanghai Ocean University, Shanghai 201306, China; 2. Key Laboratory of Oceanic Fisheries Exploration, Ministry of Agriculture and Rural Affairs, Shanghai 201306, China; 3. National Engineering Research Center for Oceanic Fisheries, Shanghai 201306, China; 4. Key Laboratory of Sustainable Exploitation of Oceanic Fisheries Resources, Ministry of Education, Shanghai 201306, China; 5. Scientific Observing and Experimental Station of Oceanic Fishery Resources, Ministry of Agriculture and Rural Affairs, Shanghai 201306, China)

    is a short-lifespan economic fish, and the resources depends greatly on environmental factors. The production statistics of China’s squid fishing fleet in the southeastern Pacific Ocean from 2013 to 2017 were used to standardize the catch per unit effort (CPUE) in BP neural network (BACK Propagation Network) model in combination with marine environmental data (sea surface temperature (SST), sea surface salinity (SSS), chlorophyllconcentration). Based on MSE (mean square errors) and ARV (average relative variances), hidden layer nodes 3~10 from the neural network model were compared, from which the 6-9-1 structure was found the optimal model. The Garson algorithm was used to interpret the model results, and it was found that the order of importance of each input layer factor on the abundance ofwas chl, SST, longitude, SSS, latitude, and the month. Results show that the distributions of CPUE and standardized CPUE are largely the same. The areas of 80°~85°W and 10°~20°S are suitable for squid fishing operation. Therefore, the BP neural network model can be applied for the CPUE standardization of, and provide a reference for squid fishing operation.

    BP neural network;in the southeast Pacific Ocean; resource abundance; environmental factors

    S931; S932

    10.11693/hyhz20211200343

    *國家自然科學基金項目, NSFC41876141號。林泓羽, 碩士研究生, E-mail: m210200683@st.shou.edu.cn

    汪金濤, E-mail: jtwang@shou.edu.cn

    2021-12-24,

    2022-02-18

    猜你喜歡
    東南太平洋標準化
    標準化簡述
    愛管閑事的“太平洋警察”
    決勝太平洋
    跨越太平洋的愛戀
    標準化是綜合交通運輸?shù)谋U稀庾x《交通運輸標準化體系》
    中國公路(2017年9期)2017-07-25 13:26:38
    《東南早報》伴我成長
    快樂語文(2016年29期)2016-02-28 09:03:33
    太平洋還是北冰洋
    論汽車維修診斷標準化(上)
    空山新雨后,自掛東南枝
    火花(2015年8期)2015-02-27 07:44:57
    交通運輸標準化
    久久九九热精品免费| 亚洲丝袜综合中文字幕| 久久人妻av系列| 麻豆乱淫一区二区| 偷拍熟女少妇极品色| 国产精品一区二区三区四区久久| 在线免费观看的www视频| 精品国产三级普通话版| 美女国产视频在线观看| 国产成年人精品一区二区| 亚洲精品粉嫩美女一区| 成人漫画全彩无遮挡| 少妇猛男粗大的猛烈进出视频 | 日韩av在线大香蕉| 亚洲欧美清纯卡通| 国产麻豆成人av免费视频| 国产69精品久久久久777片| 美女高潮的动态| 午夜视频国产福利| 波多野结衣高清无吗| 国产精品免费一区二区三区在线| 春色校园在线视频观看| 亚洲人成网站高清观看| 国产成人精品久久久久久| av免费在线看不卡| 18禁裸乳无遮挡免费网站照片| 精品久久久久久成人av| 少妇高潮的动态图| av免费观看日本| 淫秽高清视频在线观看| 免费观看的影片在线观看| 国内久久婷婷六月综合欲色啪| 国内精品一区二区在线观看| 精品国产三级普通话版| 久久久久九九精品影院| 精品人妻一区二区三区麻豆| 亚洲电影在线观看av| 免费av毛片视频| 99久久无色码亚洲精品果冻| 国产久久久一区二区三区| 成人高潮视频无遮挡免费网站| 亚洲乱码一区二区免费版| 综合色av麻豆| 一卡2卡三卡四卡精品乱码亚洲| av在线老鸭窝| 成人毛片a级毛片在线播放| 国产精品人妻久久久影院| 日韩高清综合在线| 中文字幕人妻熟人妻熟丝袜美| 网址你懂的国产日韩在线| 欧美日本亚洲视频在线播放| 欧美性感艳星| 一卡2卡三卡四卡精品乱码亚洲| 黄色一级大片看看| 精品国产三级普通话版| 春色校园在线视频观看| 天堂av国产一区二区熟女人妻| 99久久久亚洲精品蜜臀av| 国产男人的电影天堂91| 国产黄色视频一区二区在线观看 | 一进一出抽搐gif免费好疼| 菩萨蛮人人尽说江南好唐韦庄 | 国产人妻一区二区三区在| 啦啦啦观看免费观看视频高清| 天堂中文最新版在线下载 | 别揉我奶头 嗯啊视频| 欧美不卡视频在线免费观看| 久久久久久久久大av| 一区二区三区免费毛片| 精品久久久噜噜| 美女脱内裤让男人舔精品视频 | 午夜福利成人在线免费观看| 变态另类成人亚洲欧美熟女| 免费不卡的大黄色大毛片视频在线观看 | 国产乱人视频| 一级二级三级毛片免费看| 国产亚洲欧美98| 青春草视频在线免费观看| 边亲边吃奶的免费视频| 国产国拍精品亚洲av在线观看| 午夜精品在线福利| 亚洲三级黄色毛片| 此物有八面人人有两片| 一区二区三区四区激情视频 | 国产高清视频在线观看网站| 精品人妻熟女av久视频| 伦精品一区二区三区| 精品人妻视频免费看| 日韩成人av中文字幕在线观看| 性欧美人与动物交配| 亚洲最大成人中文| 丰满人妻一区二区三区视频av| 插阴视频在线观看视频| 赤兔流量卡办理| 男人舔奶头视频| 舔av片在线| 桃色一区二区三区在线观看| 国产白丝娇喘喷水9色精品| 色综合亚洲欧美另类图片| 午夜老司机福利剧场| 最近最新中文字幕大全电影3| 欧美日韩一区二区视频在线观看视频在线 | 中国国产av一级| 夜夜夜夜夜久久久久| 欧美日本视频| 日韩精品有码人妻一区| 99在线视频只有这里精品首页| 欧美最黄视频在线播放免费| 村上凉子中文字幕在线| 亚洲国产精品成人综合色| 免费黄网站久久成人精品| 国产精品1区2区在线观看.| 亚洲一级一片aⅴ在线观看| 亚洲最大成人手机在线| 一级毛片aaaaaa免费看小| 日韩一本色道免费dvd| 欧美性猛交黑人性爽| 又爽又黄无遮挡网站| 成人永久免费在线观看视频| 成年女人看的毛片在线观看| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 一个人看的www免费观看视频| 日本免费一区二区三区高清不卡| 色综合亚洲欧美另类图片| av视频在线观看入口| 99热全是精品| 一级毛片aaaaaa免费看小| 亚洲电影在线观看av| 色综合亚洲欧美另类图片| 亚洲国产精品成人综合色| 如何舔出高潮| 欧美日本视频| 自拍偷自拍亚洲精品老妇| 舔av片在线| 久久午夜亚洲精品久久| 国产亚洲av嫩草精品影院| av天堂中文字幕网| 波多野结衣巨乳人妻| 亚洲人成网站在线播放欧美日韩| 日韩中字成人| 精品午夜福利在线看| 亚洲欧美日韩卡通动漫| 热99re8久久精品国产| 欧美潮喷喷水| 一个人看的www免费观看视频| 国产免费一级a男人的天堂| 国产探花极品一区二区| 成年免费大片在线观看| 美女高潮的动态| 国产又黄又爽又无遮挡在线| 午夜福利在线观看吧| 久久久久网色| 精品久久久久久久久久久久久| 欧美激情国产日韩精品一区| 91久久精品电影网| 日韩欧美三级三区| 一级毛片我不卡| 国产久久久一区二区三区| 欧美日韩国产亚洲二区| 成人特级黄色片久久久久久久| 国产亚洲5aaaaa淫片| 久久久精品94久久精品| 国产精品美女特级片免费视频播放器| 白带黄色成豆腐渣| 欧美一区二区国产精品久久精品| 久久草成人影院| 你懂的网址亚洲精品在线观看 | 嫩草影院精品99| av女优亚洲男人天堂| 青春草国产在线视频 | 深夜a级毛片| 久久99精品国语久久久| 精品国产三级普通话版| 日韩中字成人| 欧美精品国产亚洲| 亚洲av一区综合| 亚洲欧美中文字幕日韩二区| 九九热线精品视视频播放| 精品国产三级普通话版| 亚洲一级一片aⅴ在线观看| 一区二区三区免费毛片| 久久午夜亚洲精品久久| 真实男女啪啪啪动态图| 三级男女做爰猛烈吃奶摸视频| 成人国产麻豆网| 亚洲av第一区精品v没综合| 最近手机中文字幕大全| 国产大屁股一区二区在线视频| .国产精品久久| 精品一区二区免费观看| 成人午夜高清在线视频| 成人二区视频| 日韩,欧美,国产一区二区三区 | 91久久精品电影网| 欧美一区二区国产精品久久精品| 中文字幕精品亚洲无线码一区| 成年av动漫网址| 一级黄片播放器| 国产精品久久久久久亚洲av鲁大| 日本免费一区二区三区高清不卡| 亚洲内射少妇av| 99久久无色码亚洲精品果冻| 一夜夜www| 国产黄片视频在线免费观看| 久久久国产成人免费| 亚洲图色成人| 国产精品99久久久久久久久| 亚洲精品久久久久久婷婷小说 | 天堂中文最新版在线下载 | 国产一区二区亚洲精品在线观看| 可以在线观看的亚洲视频| 一级毛片aaaaaa免费看小| 国产免费一级a男人的天堂| 国产国拍精品亚洲av在线观看| 久久久久网色| 中文字幕制服av| 亚洲人成网站在线播放欧美日韩| 亚洲自偷自拍三级| 麻豆国产97在线/欧美| 欧美xxxx黑人xx丫x性爽| 美女内射精品一级片tv| 麻豆国产av国片精品| 精品99又大又爽又粗少妇毛片| 国产亚洲精品av在线| 人人妻人人澡欧美一区二区| 日本免费一区二区三区高清不卡| 日本在线视频免费播放| 黄色一级大片看看| 男人舔奶头视频| 欧美精品国产亚洲| 麻豆精品久久久久久蜜桃| 老师上课跳d突然被开到最大视频| 黄色配什么色好看| 深夜a级毛片| a级毛片免费高清观看在线播放| 麻豆乱淫一区二区| 国产成人一区二区在线| 欧美日韩在线观看h| 我要搜黄色片| 免费看av在线观看网站| 日韩国内少妇激情av| 男人舔女人下体高潮全视频| 在线观看午夜福利视频| 成人美女网站在线观看视频| 麻豆久久精品国产亚洲av| 国产一区二区亚洲精品在线观看| 国产日本99.免费观看| 97超碰精品成人国产| 亚洲欧美日韩无卡精品| 亚洲av第一区精品v没综合| 午夜福利成人在线免费观看| 成人亚洲欧美一区二区av| 97超视频在线观看视频| 日韩亚洲欧美综合| 国产毛片a区久久久久| 麻豆国产97在线/欧美| 国产乱人偷精品视频| 日产精品乱码卡一卡2卡三| 国内精品宾馆在线| 黄色配什么色好看| 国产黄色小视频在线观看| 青春草视频在线免费观看| 久久精品久久久久久噜噜老黄 | 国产久久久一区二区三区| 精品少妇黑人巨大在线播放 | 能在线免费观看的黄片| 午夜福利在线观看免费完整高清在 | av卡一久久| 小蜜桃在线观看免费完整版高清| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 日日干狠狠操夜夜爽| 少妇高潮的动态图| 日韩欧美 国产精品| 日韩制服骚丝袜av| 18禁在线无遮挡免费观看视频| 夜夜夜夜夜久久久久| av在线蜜桃| 中国美女看黄片| 欧美激情国产日韩精品一区| 国产精品精品国产色婷婷| 成人美女网站在线观看视频| 国产伦精品一区二区三区视频9| 久久99热6这里只有精品| 边亲边吃奶的免费视频| 久久久国产成人免费| 成人亚洲欧美一区二区av| 国产高清有码在线观看视频| 欧美日韩国产亚洲二区| 男女边吃奶边做爰视频| 久久这里有精品视频免费| www.色视频.com| 免费看av在线观看网站| 国产亚洲5aaaaa淫片| 亚洲欧美中文字幕日韩二区| 悠悠久久av| 午夜免费激情av| 亚洲最大成人中文| 国产精品精品国产色婷婷| 久久这里有精品视频免费| 亚洲精品色激情综合| 99久久人妻综合| 少妇人妻一区二区三区视频| 99热6这里只有精品| 免费观看在线日韩| 给我免费播放毛片高清在线观看| av天堂中文字幕网| 欧美xxxx黑人xx丫x性爽| 人妻制服诱惑在线中文字幕| 最近中文字幕高清免费大全6| 国产亚洲精品av在线| 成年女人永久免费观看视频| 日韩大尺度精品在线看网址| 亚洲精品色激情综合| 精品久久久久久久久久久久久| 国产一区二区在线观看日韩| 午夜福利成人在线免费观看| 男女下面进入的视频免费午夜| 一级av片app| 久久精品人妻少妇| 亚洲欧美中文字幕日韩二区| 久久久久久九九精品二区国产| 亚洲精品国产av成人精品| 黄色日韩在线| 欧美成人a在线观看| 在线播放无遮挡| 成人特级av手机在线观看| 99热精品在线国产| 久久精品国产亚洲av香蕉五月| 中文字幕制服av| 美女大奶头视频| 少妇熟女欧美另类| 日本与韩国留学比较| 国产中年淑女户外野战色| 我的老师免费观看完整版| 日韩欧美精品免费久久| 女同久久另类99精品国产91| 午夜老司机福利剧场| 国产精品1区2区在线观看.| 丝袜美腿在线中文| 大香蕉久久网| 亚洲精品影视一区二区三区av| 日韩国内少妇激情av| 少妇裸体淫交视频免费看高清| 日韩成人伦理影院| 精品久久久久久久久av| 中文字幕av在线有码专区| 久久精品国产清高在天天线| 中文字幕制服av| 精品久久久久久久久亚洲| 韩国av在线不卡| 日韩精品青青久久久久久| 国产黄色视频一区二区在线观看 | avwww免费| 国产精品久久久久久久久免| 18禁黄网站禁片免费观看直播| 99热这里只有是精品在线观看| 日本-黄色视频高清免费观看| 日日干狠狠操夜夜爽| 麻豆av噜噜一区二区三区| 国产精品久久久久久精品电影| 日韩高清综合在线| 18+在线观看网站| 少妇人妻一区二区三区视频| 欧美成人a在线观看| 国产免费男女视频| 久久久久久国产a免费观看| 亚洲精品乱码久久久v下载方式| 亚洲电影在线观看av| 亚洲综合色惰| 婷婷色av中文字幕| 国产精品综合久久久久久久免费| 国模一区二区三区四区视频| 成人高潮视频无遮挡免费网站| 国产精品人妻久久久影院| 蜜桃亚洲精品一区二区三区| 午夜福利在线在线| 精品一区二区三区视频在线| 一个人看的www免费观看视频| 一夜夜www| 亚洲欧美成人精品一区二区| 国产精品国产三级国产av玫瑰| 欧美色欧美亚洲另类二区| 国产精品久久电影中文字幕| 精品人妻偷拍中文字幕| 18禁在线无遮挡免费观看视频| 人人妻人人看人人澡| 一区二区三区高清视频在线| 一区二区三区四区激情视频 | 九九久久精品国产亚洲av麻豆| 欧美3d第一页| 寂寞人妻少妇视频99o| 久久久久久大精品| 女人被狂操c到高潮| a级一级毛片免费在线观看| 久久99蜜桃精品久久| 久久久国产成人免费| 成年女人看的毛片在线观看| 日本爱情动作片www.在线观看| 又黄又爽又刺激的免费视频.| 黄片无遮挡物在线观看| 国产亚洲av嫩草精品影院| 内射极品少妇av片p| 亚洲国产欧洲综合997久久,| 麻豆精品久久久久久蜜桃| 日韩人妻高清精品专区| 亚洲高清免费不卡视频| 亚洲人成网站高清观看| 在线观看一区二区三区| 国产真实乱freesex| 国产高清不卡午夜福利| 中国美女看黄片| 小说图片视频综合网站| 欧美成人a在线观看| 亚洲最大成人中文| 激情 狠狠 欧美| 国产大屁股一区二区在线视频| 大型黄色视频在线免费观看| 最后的刺客免费高清国语| 联通29元200g的流量卡| 国产精品国产三级国产av玫瑰| 亚洲av不卡在线观看| 不卡一级毛片| 国产成人a∨麻豆精品| 久久精品国产亚洲av涩爱 | 日韩av在线大香蕉| 国产伦在线观看视频一区| 久久综合国产亚洲精品| 老师上课跳d突然被开到最大视频| 少妇被粗大猛烈的视频| 国产中年淑女户外野战色| 国产精品一区二区性色av| 免费人成视频x8x8入口观看| 97超碰精品成人国产| 午夜免费激情av| 免费av观看视频| 国产国拍精品亚洲av在线观看| 99热这里只有是精品在线观看| 悠悠久久av| 午夜精品在线福利| 寂寞人妻少妇视频99o| 春色校园在线视频观看| 亚洲经典国产精华液单| 久久精品国产亚洲av香蕉五月| 欧美成人精品欧美一级黄| 久久久久久九九精品二区国产| 亚洲精品国产av成人精品| 三级男女做爰猛烈吃奶摸视频| 好男人视频免费观看在线| 欧美不卡视频在线免费观看| 色综合站精品国产| 桃色一区二区三区在线观看| 国内少妇人妻偷人精品xxx网站| 日韩av在线大香蕉| 大香蕉久久网| 亚洲av第一区精品v没综合| 久久鲁丝午夜福利片| 综合色av麻豆| 91精品一卡2卡3卡4卡| 五月玫瑰六月丁香| 一本精品99久久精品77| 黄片wwwwww| 女的被弄到高潮叫床怎么办| 蜜臀久久99精品久久宅男| 99在线视频只有这里精品首页| 在线天堂最新版资源| 欧美成人一区二区免费高清观看| 岛国毛片在线播放| 亚洲av熟女| 岛国毛片在线播放| av视频在线观看入口| 国产探花在线观看一区二区| 在线免费观看的www视频| 女的被弄到高潮叫床怎么办| 国产极品天堂在线| 国产人妻一区二区三区在| 国内精品美女久久久久久| 国内精品宾馆在线| 日本黄色视频三级网站网址| 日本欧美国产在线视频| 国产免费一级a男人的天堂| 成人无遮挡网站| 伊人久久精品亚洲午夜| 噜噜噜噜噜久久久久久91| 久久这里有精品视频免费| 国产精品一区二区三区四区久久| 91精品国产九色| 中文欧美无线码| 少妇人妻精品综合一区二区 | 亚洲熟妇中文字幕五十中出| 黄色欧美视频在线观看| 有码 亚洲区| 国产日韩欧美在线精品| 99热网站在线观看| 亚洲美女搞黄在线观看| 波多野结衣高清无吗| 日韩亚洲欧美综合| 全区人妻精品视频| 亚洲高清免费不卡视频| av天堂中文字幕网| 午夜福利视频1000在线观看| 全区人妻精品视频| 禁无遮挡网站| 国产爱豆传媒在线观看| 成人av在线播放网站| 国产精品一区二区性色av| 亚洲最大成人手机在线| 在线天堂最新版资源| 春色校园在线视频观看| 久久精品91蜜桃| 乱系列少妇在线播放| 亚洲精品日韩在线中文字幕 | 欧美+亚洲+日韩+国产| 在线观看午夜福利视频| 波野结衣二区三区在线| av在线播放精品| 免费av不卡在线播放| 亚洲国产精品成人综合色| 熟女电影av网| 国产老妇伦熟女老妇高清| 两个人的视频大全免费| 好男人在线观看高清免费视频| 色哟哟哟哟哟哟| 久久午夜亚洲精品久久| ponron亚洲| 最近的中文字幕免费完整| 久久久久久九九精品二区国产| 狂野欧美白嫩少妇大欣赏| 91午夜精品亚洲一区二区三区| 免费在线观看成人毛片| 久久99蜜桃精品久久| 校园春色视频在线观看| 97超视频在线观看视频| 国产伦精品一区二区三区四那| 深爱激情五月婷婷| 免费看光身美女| 岛国在线免费视频观看| 久久久久国产网址| 亚洲欧美日韩卡通动漫| 欧美激情久久久久久爽电影| 精品免费久久久久久久清纯| 三级男女做爰猛烈吃奶摸视频| 国模一区二区三区四区视频| 天堂中文最新版在线下载 | 综合色丁香网| 欧美高清成人免费视频www| a级毛片免费高清观看在线播放| 久久久久久久久中文| 亚洲精品粉嫩美女一区| 97超碰精品成人国产| 日本免费a在线| 黄色日韩在线| 国产精品嫩草影院av在线观看| 精品熟女少妇av免费看| 国产老妇伦熟女老妇高清| 亚洲av中文av极速乱| 欧美成人免费av一区二区三区| 亚洲综合色惰| 成人综合一区亚洲| 亚洲综合色惰| 99热这里只有是精品50| 国产av不卡久久| 天堂av国产一区二区熟女人妻| 美女xxoo啪啪120秒动态图| 久久精品国产亚洲av涩爱 | 亚洲成av人片在线播放无| 爱豆传媒免费全集在线观看| 大又大粗又爽又黄少妇毛片口| 国产一区亚洲一区在线观看| 国产av麻豆久久久久久久| 少妇的逼好多水| 国产免费男女视频| 99久久无色码亚洲精品果冻| 99视频精品全部免费 在线| 欧美成人一区二区免费高清观看| 欧美三级亚洲精品| 性插视频无遮挡在线免费观看| 一级黄色大片毛片| 毛片一级片免费看久久久久| 亚洲最大成人中文| 亚洲av熟女| 小说图片视频综合网站| 99久久无色码亚洲精品果冻| 你懂的网址亚洲精品在线观看 | 美女 人体艺术 gogo| 亚洲乱码一区二区免费版| 九九爱精品视频在线观看| av免费在线看不卡| 亚洲天堂国产精品一区在线| 少妇的逼好多水| 欧美+日韩+精品| 美女cb高潮喷水在线观看| 国产女主播在线喷水免费视频网站 | 婷婷精品国产亚洲av| 亚洲va在线va天堂va国产| 亚洲一区二区三区色噜噜| 国产黄色视频一区二区在线观看 | 日韩三级伦理在线观看| 日韩欧美在线乱码| 日日干狠狠操夜夜爽| 天堂中文最新版在线下载 | 在线观看午夜福利视频| 99久久久亚洲精品蜜臀av| 国产单亲对白刺激| 高清日韩中文字幕在线| 亚洲成av人片在线播放无| 18禁在线无遮挡免费观看视频| 国产极品精品免费视频能看的| 精品人妻熟女av久视频| 亚洲欧美精品专区久久| 又爽又黄a免费视频| 男女边吃奶边做爰视频| 久久亚洲国产成人精品v| 中国美女看黄片| 国内少妇人妻偷人精品xxx网站| 麻豆av噜噜一区二区三区|