• <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
    亚洲精品一卡2卡三卡4卡5卡 | 色婷婷久久久亚洲欧美| 国产一区亚洲一区在线观看| 久久精品成人免费网站| 亚洲av日韩精品久久久久久密 | 久热这里只有精品99| 久久久精品区二区三区| 午夜日韩欧美国产| 久久久精品94久久精品| 熟女少妇亚洲综合色aaa.| 免费在线观看黄色视频的| 亚洲av日韩在线播放| 80岁老熟妇乱子伦牲交| 自线自在国产av| 欧美精品亚洲一区二区| 国产免费一区二区三区四区乱码| 亚洲国产欧美网| 多毛熟女@视频| 欧美日韩亚洲国产一区二区在线观看 | 男女国产视频网站| 日本午夜av视频| 久久人妻福利社区极品人妻图片 | 精品国产一区二区久久| 欧美xxⅹ黑人| 亚洲视频免费观看视频| www.自偷自拍.com| 亚洲欧美中文字幕日韩二区| 国产精品一区二区免费欧美 | 青草久久国产| 最近中文字幕2019免费版| 久久久欧美国产精品| 三上悠亚av全集在线观看| 国产老妇伦熟女老妇高清| 校园人妻丝袜中文字幕| 人人澡人人妻人| bbb黄色大片| 欧美精品一区二区大全| 熟女av电影| 精品国产一区二区三区四区第35| 黄色 视频免费看| 久久精品久久久久久久性| 不卡av一区二区三区| a级毛片黄视频| e午夜精品久久久久久久| 成年人黄色毛片网站| 日韩大码丰满熟妇| 欧美精品一区二区大全| 国产伦人伦偷精品视频| 看十八女毛片水多多多| 亚洲男人天堂网一区| 日韩精品免费视频一区二区三区| 午夜免费成人在线视频| 免费在线观看影片大全网站 | 国产成人系列免费观看| 好男人电影高清在线观看| 啦啦啦啦在线视频资源| 9热在线视频观看99| 91九色精品人成在线观看| 丁香六月欧美| www.熟女人妻精品国产| 中文精品一卡2卡3卡4更新| 色婷婷av一区二区三区视频| 后天国语完整版免费观看| 日韩人妻精品一区2区三区| 亚洲黑人精品在线| 夫妻性生交免费视频一级片| 岛国毛片在线播放| 午夜福利,免费看| h视频一区二区三区| 99精品久久久久人妻精品| 亚洲一区二区三区欧美精品| 99国产精品一区二区蜜桃av | 丝袜美腿诱惑在线| 国产亚洲欧美在线一区二区| 国产精品.久久久| 久久毛片免费看一区二区三区| 美女中出高潮动态图| 国产在线观看jvid| 丝袜喷水一区| 无遮挡黄片免费观看| 亚洲第一av免费看| 黑人巨大精品欧美一区二区蜜桃| 丝袜在线中文字幕| 亚洲熟女毛片儿| 亚洲欧美精品综合一区二区三区| www日本在线高清视频| 色婷婷久久久亚洲欧美| 91九色精品人成在线观看| 国产成人精品久久二区二区免费| 国产99久久九九免费精品| 校园人妻丝袜中文字幕| xxxhd国产人妻xxx| 欧美黄色片欧美黄色片| 精品人妻在线不人妻| 国产日韩欧美在线精品| 久久精品熟女亚洲av麻豆精品| 两个人免费观看高清视频| 考比视频在线观看| 午夜免费男女啪啪视频观看| www.av在线官网国产| 美女脱内裤让男人舔精品视频| 国产福利在线免费观看视频| 天天躁夜夜躁狠狠久久av| 亚洲色图 男人天堂 中文字幕| 国产麻豆69| 国产97色在线日韩免费| 高清av免费在线| 色视频在线一区二区三区| 国产成人免费无遮挡视频| 亚洲精品国产av成人精品| 亚洲一区中文字幕在线| 亚洲欧美中文字幕日韩二区| 麻豆乱淫一区二区| 欧美成人精品欧美一级黄| 久久精品国产a三级三级三级| 在线观看一区二区三区激情| 欧美变态另类bdsm刘玥| 亚洲,欧美精品.| 九草在线视频观看| 亚洲av日韩精品久久久久久密 | 汤姆久久久久久久影院中文字幕| 麻豆国产av国片精品| bbb黄色大片| 亚洲综合色网址| 欧美精品av麻豆av| 免费在线观看日本一区| 啦啦啦在线免费观看视频4| 国产成人精品久久二区二区免费| 婷婷色综合www| 国产精品免费视频内射| 欧美日韩视频高清一区二区三区二| 国产精品一区二区在线不卡| 少妇人妻久久综合中文| 狂野欧美激情性xxxx| 国产男女内射视频| 日本av手机在线免费观看| 国产免费视频播放在线视频| 我要看黄色一级片免费的| 欧美精品啪啪一区二区三区 | 一级片'在线观看视频| 日韩av免费高清视频| 一级毛片电影观看| 一级毛片女人18水好多 | 99国产精品免费福利视频| 国产免费福利视频在线观看| 久久免费观看电影| 亚洲人成电影免费在线| 久久这里只有精品19| av又黄又爽大尺度在线免费看| 欧美中文综合在线视频| 看免费av毛片| 中文字幕精品免费在线观看视频| 老司机亚洲免费影院| 一级黄色大片毛片| 午夜视频精品福利| 午夜福利视频在线观看免费| 国产精品麻豆人妻色哟哟久久| 亚洲男人天堂网一区| 人妻一区二区av| 人人妻人人澡人人爽人人夜夜| 国产熟女欧美一区二区| 国产成人精品久久二区二区91| 亚洲人成电影观看| 亚洲av男天堂| 国产精品欧美亚洲77777| 91精品国产国语对白视频| 日韩 亚洲 欧美在线| 亚洲成人免费电影在线观看 | 亚洲精品一二三| 亚洲成av片中文字幕在线观看| 亚洲视频免费观看视频| videosex国产| 亚洲欧美一区二区三区黑人| 久久天躁狠狠躁夜夜2o2o | 美国免费a级毛片| 在线 av 中文字幕| 一级黄色大片毛片| 另类精品久久| av在线app专区| 久久精品aⅴ一区二区三区四区| 宅男免费午夜| 久久久国产精品麻豆| 纵有疾风起免费观看全集完整版| 美女主播在线视频| 大片电影免费在线观看免费| 高潮久久久久久久久久久不卡| 高清欧美精品videossex| 性色av一级| 午夜精品国产一区二区电影| 黄片小视频在线播放| 一级片免费观看大全| 一级片'在线观看视频| av一本久久久久| 亚洲欧洲国产日韩| 国产精品三级大全| 亚洲三区欧美一区| 十八禁网站网址无遮挡| 日韩伦理黄色片| 午夜91福利影院| 日韩视频在线欧美| 亚洲七黄色美女视频| 久久精品亚洲av国产电影网| 久久亚洲国产成人精品v| 天天添夜夜摸| 视频区图区小说| 亚洲综合色网址| 亚洲 欧美一区二区三区| 老司机影院成人| 99久久人妻综合| 国产精品久久久人人做人人爽| 免费高清在线观看日韩| 成人黄色视频免费在线看| 可以免费在线观看a视频的电影网站| 国产成人av激情在线播放| 亚洲一区中文字幕在线| 国产深夜福利视频在线观看| 亚洲国产精品999| 欧美激情极品国产一区二区三区| 人成视频在线观看免费观看| 黄色片一级片一级黄色片| 亚洲欧洲日产国产| 丁香六月欧美| 国产精品一区二区精品视频观看| 午夜精品国产一区二区电影| 人妻 亚洲 视频| 亚洲一码二码三码区别大吗| 女警被强在线播放| 啦啦啦视频在线资源免费观看| 久久精品久久久久久久性| 亚洲第一av免费看| 亚洲中文av在线| 国产成人影院久久av| 国产成人一区二区三区免费视频网站 | 亚洲av美国av| 亚洲九九香蕉| 99香蕉大伊视频| 9色porny在线观看| 国产精品久久久久久精品电影小说| 亚洲av在线观看美女高潮| 国产伦理片在线播放av一区| 在线看a的网站| 国产欧美日韩综合在线一区二区| 国产高清国产精品国产三级| 久久精品亚洲熟妇少妇任你| 97在线人人人人妻| h视频一区二区三区| 岛国毛片在线播放| cao死你这个sao货| av福利片在线| 操美女的视频在线观看| 国产精品免费大片| 午夜福利视频精品| 国产日韩欧美视频二区| 男女午夜视频在线观看| 99国产精品免费福利视频| 免费看十八禁软件| 狂野欧美激情性xxxx| 中文字幕av电影在线播放| 天堂俺去俺来也www色官网| 国产爽快片一区二区三区| kizo精华| 免费观看av网站的网址| 日韩伦理黄色片| 中国国产av一级| 欧美国产精品va在线观看不卡| 91字幕亚洲| 免费看不卡的av| 最近最新中文字幕大全免费视频 | 久热爱精品视频在线9| 无遮挡黄片免费观看| 人体艺术视频欧美日本| 这个男人来自地球电影免费观看| 大码成人一级视频| netflix在线观看网站| 女人被躁到高潮嗷嗷叫费观| a级片在线免费高清观看视频| 亚洲国产欧美一区二区综合| 女人爽到高潮嗷嗷叫在线视频| 国产黄色视频一区二区在线观看| 伊人久久大香线蕉亚洲五| 国产精品国产av在线观看| 国产亚洲精品久久久久5区| 国产麻豆69| 啦啦啦中文免费视频观看日本| a 毛片基地| 日本欧美视频一区| 成在线人永久免费视频| 日韩伦理黄色片| 9色porny在线观看| 97精品久久久久久久久久精品| 亚洲国产看品久久| 肉色欧美久久久久久久蜜桃| 中文字幕人妻熟女乱码| 国产av国产精品国产| 晚上一个人看的免费电影| h视频一区二区三区| 高清黄色对白视频在线免费看| 久久久精品国产亚洲av高清涩受| 久久综合国产亚洲精品| 黄色视频在线播放观看不卡| 日韩 欧美 亚洲 中文字幕| 丝袜美腿诱惑在线| 在线观看免费午夜福利视频| 久久热在线av| 一级黄色大片毛片| 精品一品国产午夜福利视频| 国产成人精品久久久久久| 一本—道久久a久久精品蜜桃钙片| 婷婷色综合www| 老熟女久久久| 日本黄色日本黄色录像| 一区二区三区精品91| 欧美国产精品一级二级三级| 久久久久网色| 巨乳人妻的诱惑在线观看| 欧美日韩综合久久久久久| 99香蕉大伊视频| 亚洲欧美日韩高清在线视频 | 最近中文字幕2019免费版| 亚洲国产中文字幕在线视频| 在现免费观看毛片| 乱人伦中国视频| 国产成人一区二区在线| 日本av免费视频播放| 午夜免费鲁丝| 精品国产超薄肉色丝袜足j| 国产又色又爽无遮挡免| 母亲3免费完整高清在线观看| 一级片'在线观看视频| 男人爽女人下面视频在线观看| 国产真人三级小视频在线观看| 久久精品国产亚洲av高清一级| 久久久久国产一级毛片高清牌| 女人爽到高潮嗷嗷叫在线视频| 亚洲少妇的诱惑av| 99国产综合亚洲精品| 色婷婷av一区二区三区视频| 久久精品国产综合久久久| 乱人伦中国视频| 国产免费福利视频在线观看| 久久久久视频综合| 色播在线永久视频| 日本五十路高清| 美女脱内裤让男人舔精品视频| 国产成人免费观看mmmm| 一本大道久久a久久精品| 天天影视国产精品| 天天操日日干夜夜撸| 国产精品三级大全| 777久久人妻少妇嫩草av网站| 精品一品国产午夜福利视频| 18在线观看网站| 日日摸夜夜添夜夜爱| 无遮挡黄片免费观看| 国产成人精品久久久久久| 成人国产av品久久久| 日本91视频免费播放| 欧美精品一区二区大全| 在线观看国产h片| 亚洲国产成人一精品久久久| 一级毛片黄色毛片免费观看视频| 亚洲av男天堂| 欧美精品啪啪一区二区三区 | 老司机深夜福利视频在线观看 | 十八禁高潮呻吟视频| 国产伦人伦偷精品视频| 一边亲一边摸免费视频| 丰满饥渴人妻一区二区三| 亚洲国产精品999| 在线观看免费午夜福利视频| 亚洲国产欧美网| 男女无遮挡免费网站观看| 国产精品国产三级专区第一集| 久久精品久久精品一区二区三区| 亚洲伊人色综图| 亚洲七黄色美女视频| 国产精品一区二区在线不卡| 亚洲国产欧美日韩在线播放| 日韩熟女老妇一区二区性免费视频| 亚洲成国产人片在线观看| 亚洲一区中文字幕在线| 蜜桃在线观看..| 亚洲人成电影免费在线| 一本久久精品| 欧美变态另类bdsm刘玥| 一区在线观看完整版| 咕卡用的链子| 三上悠亚av全集在线观看| 天天添夜夜摸| 欧美久久黑人一区二区| 国产一级毛片在线| 狠狠婷婷综合久久久久久88av| 精品欧美一区二区三区在线| 97人妻天天添夜夜摸| h视频一区二区三区| 成年人黄色毛片网站| 亚洲国产欧美网| 精品视频人人做人人爽| 国产色视频综合| 午夜日韩欧美国产| 一区福利在线观看| 如日韩欧美国产精品一区二区三区| 人妻人人澡人人爽人人| 80岁老熟妇乱子伦牲交| 国产三级黄色录像| 在线观看免费午夜福利视频| 2021少妇久久久久久久久久久| 中文字幕人妻丝袜一区二区| 各种免费的搞黄视频| 亚洲国产精品成人久久小说| 成人午夜精彩视频在线观看| 91国产中文字幕| 一级毛片我不卡| 尾随美女入室| 精品国产一区二区久久| 99国产精品一区二区三区| 亚洲人成网站在线观看播放| 一区在线观看完整版| 久久精品国产综合久久久| 成人午夜精彩视频在线观看| 后天国语完整版免费观看| 一区二区三区乱码不卡18| 精品人妻在线不人妻| 99精品久久久久人妻精品| 国产精品一区二区精品视频观看| 午夜福利免费观看在线| 国产人伦9x9x在线观看| 啦啦啦啦在线视频资源| 国产免费现黄频在线看| 一边亲一边摸免费视频| 丝袜在线中文字幕| 天堂中文最新版在线下载| 国产视频首页在线观看| 久久久久久久国产电影| 你懂的网址亚洲精品在线观看| 夫妻午夜视频| 亚洲少妇的诱惑av| 观看av在线不卡| 亚洲精品在线美女| 久久久久久久久久久久大奶| 精品高清国产在线一区| 十八禁网站网址无遮挡| 亚洲欧洲精品一区二区精品久久久| 午夜福利视频在线观看免费| 制服诱惑二区| 狂野欧美激情性bbbbbb| 国产免费福利视频在线观看| av在线播放精品| 亚洲国产毛片av蜜桃av| 国产精品成人在线| 超碰成人久久| 国产欧美亚洲国产| 欧美中文综合在线视频| 成人国产一区最新在线观看 | 亚洲av片天天在线观看| 国产欧美日韩一区二区三 | 久久99精品国语久久久| 韩国高清视频一区二区三区| 人妻 亚洲 视频| 亚洲精品久久久久久婷婷小说| 青青草视频在线视频观看| www.自偷自拍.com| 天堂中文最新版在线下载| 欧美另类一区| 丝袜在线中文字幕| 免费女性裸体啪啪无遮挡网站| 国产高清国产精品国产三级| 亚洲少妇的诱惑av| 精品国产乱码久久久久久小说| 亚洲av综合色区一区| 十八禁人妻一区二区| 9191精品国产免费久久| 在线天堂中文资源库| 9色porny在线观看| 巨乳人妻的诱惑在线观看| 黄色片一级片一级黄色片| 亚洲成人免费电影在线观看 | 精品国产国语对白av| 熟女av电影| 操美女的视频在线观看| 国产日韩欧美视频二区| 精品国产一区二区三区久久久樱花| 欧美另类一区| 午夜免费成人在线视频| 亚洲五月婷婷丁香| 夜夜骑夜夜射夜夜干| 1024香蕉在线观看| 一边亲一边摸免费视频| 女人被躁到高潮嗷嗷叫费观| 女人久久www免费人成看片| 黑人猛操日本美女一级片| 婷婷色av中文字幕| 九草在线视频观看| 亚洲欧洲精品一区二区精品久久久| 国产真人三级小视频在线观看| e午夜精品久久久久久久| 国产一级毛片在线| 久久99精品国语久久久| 一级黄色大片毛片| 美女大奶头黄色视频| 老司机亚洲免费影院| 成在线人永久免费视频| 看免费av毛片| 亚洲久久久国产精品| 国产日韩一区二区三区精品不卡| 久热这里只有精品99| 国产精品免费大片| 青春草视频在线免费观看| 777米奇影视久久| 在线观看一区二区三区激情| 日韩大片免费观看网站| 男女午夜视频在线观看| 日韩制服骚丝袜av| 丝瓜视频免费看黄片| 国产欧美日韩综合在线一区二区| 999精品在线视频| 后天国语完整版免费观看| 久久久久久免费高清国产稀缺| 只有这里有精品99| 亚洲中文字幕日韩| 国产精品国产三级专区第一集| 精品少妇一区二区三区视频日本电影| 一级片免费观看大全| 国产精品99久久99久久久不卡| 黄频高清免费视频| 国产在视频线精品| 色94色欧美一区二区| 91九色精品人成在线观看| 亚洲九九香蕉| 丰满少妇做爰视频| 黑丝袜美女国产一区| 午夜91福利影院| 色网站视频免费| 久久精品国产综合久久久| 国产男女超爽视频在线观看| 精品国产国语对白av| 欧美日韩综合久久久久久| 人妻人人澡人人爽人人| 少妇裸体淫交视频免费看高清 | 天天躁夜夜躁狠狠躁躁| 婷婷色麻豆天堂久久| 一区二区三区乱码不卡18| 美女高潮到喷水免费观看| 成人影院久久| avwww免费| 亚洲国产欧美在线一区| 丁香六月天网| 国产成人一区二区三区免费视频网站 | 电影成人av| 狂野欧美激情性bbbbbb| 亚洲欧美一区二区三区黑人| 久久精品国产综合久久久| 视频区欧美日本亚洲| 99国产精品99久久久久| 宅男免费午夜| 精品一区在线观看国产| 国产又色又爽无遮挡免| 伦理电影免费视频| 亚洲人成网站在线观看播放| 精品卡一卡二卡四卡免费| 午夜免费观看性视频| 精品欧美一区二区三区在线| 亚洲成人免费av在线播放| 午夜老司机福利片| 黑人巨大精品欧美一区二区蜜桃| 午夜av观看不卡| 美女视频免费永久观看网站| 久久九九热精品免费| 性色av一级| 大香蕉久久成人网| 日韩中文字幕欧美一区二区 | 热99国产精品久久久久久7| 中文字幕另类日韩欧美亚洲嫩草| 王馨瑶露胸无遮挡在线观看| 国产欧美亚洲国产| 中文字幕av电影在线播放| 国产精品九九99| 国产99久久九九免费精品| 看免费成人av毛片| 亚洲欧美日韩高清在线视频 | 777米奇影视久久| 国产野战对白在线观看| 性少妇av在线| 亚洲精品一区蜜桃| 日韩制服骚丝袜av| 乱人伦中国视频| 免费在线观看黄色视频的| 三上悠亚av全集在线观看| 人人妻人人澡人人看| 韩国精品一区二区三区| 婷婷色综合大香蕉| 中文字幕制服av| 免费在线观看黄色视频的| 亚洲国产成人一精品久久久| 99精品久久久久人妻精品| 在线亚洲精品国产二区图片欧美| 日本色播在线视频| 每晚都被弄得嗷嗷叫到高潮| 免费观看a级毛片全部| 亚洲国产欧美日韩在线播放| 69精品国产乱码久久久| 中文字幕亚洲精品专区| 欧美人与性动交α欧美精品济南到| 亚洲熟女毛片儿| 别揉我奶头~嗯~啊~动态视频 | 老熟女久久久| 首页视频小说图片口味搜索 | 99热国产这里只有精品6| 国产欧美日韩一区二区三区在线| 国产国语露脸激情在线看| 人人妻,人人澡人人爽秒播 | 亚洲精品av麻豆狂野| videosex国产| 一级毛片我不卡| 男女免费视频国产|