• <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 ?

    大西洋熱帶海域長鰭金槍魚漁場預(yù)報模型的比較*

    2022-03-25 10:32:20宋利明任士雨洪依然張?zhí)祢?/span>隋恒壽
    海洋與湖沼 2022年2期
    關(guān)鍵詞:漁場共線性金槍魚

    宋利明 任士雨 洪依然 張?zhí)祢?隋恒壽 李 彬 張 敏

    大西洋熱帶海域長鰭金槍魚漁場預(yù)報模型的比較*

    宋利明1, 2任士雨1洪依然1張?zhí)祢?隋恒壽3李 彬3張 敏1, 2

    (1. 上海海洋大學(xué)海洋科學(xué)學(xué)院 上海 201306; 2. 國家遠洋漁業(yè)工程技術(shù)研究中心 上海 201306; 3. 中水集團遠洋股份有限公司 北京 100032)

    為提高大西洋熱帶海域長鰭金槍魚()漁場預(yù)報的準(zhǔn)確率, 對K最近鄰(k nearest neighbor, KNN)、邏輯斯蒂回歸(logistic regression, LR)、決策與分類樹(classfication and regression tree, CART)、梯度提升決策樹(gradient boosting decision tree, GBDT)、隨機森林(random forest, RF)、支持向量機(support vector machine, SVM)和Stacking集成(stacking ensemble learning, STK)共7個模型的預(yù)報性能進行了對比分析。該7個模型利用2016~2019年在大西洋公海海域(19°16′S~16°21′N; 46°27′W~2°09′E)作業(yè)的13艘中國遠洋延繩釣漁船的漁業(yè)數(shù)據(jù), 結(jié)合0~500 m不同水層的溫度、鹽度、溶解氧、葉綠素濃度、海表面風(fēng)速、渦動能和混合層深度數(shù)據(jù)建立。各模型取75%數(shù)據(jù)作為訓(xùn)練數(shù)據(jù), 25%為測試數(shù)據(jù), 采用預(yù)報準(zhǔn)確率(accuracy, ACC)與接受者操作特征曲線下面積(area under curve, AUC)評價建立的單位努力量漁獲量(catch per unit of effort, CPUE)與海洋環(huán)境因子關(guān)系模型的性能。結(jié)果表明: (1) STK模型對大西洋長鰭金槍魚漁場的預(yù)報性能相比其他模型明顯提高, ACC為75.92%, AUC為0.742; (2) 基于STK模型預(yù)測得到的中心漁場范圍總體上與實際作業(yè)漁場一致; (3) 影響大西洋長鰭金槍魚漁場分布的海洋環(huán)境因子主要為100 m水層的溫度、鹽度, 以及100、150、500 m水層的溶解氧。研究表明STK模型對大西洋長鰭金槍魚漁場的預(yù)報準(zhǔn)確率較高, 性能良好。

    長鰭金槍魚; 漁場預(yù)報模型; 模型性能比較; 大西洋熱帶海域

    長鰭金槍魚()廣泛分布于熱帶、亞熱帶及溫帶海域, 為高度洄游性魚類, 是我國遠洋延繩釣漁業(yè)重要的捕撈對象之一。近年來, 國內(nèi)外學(xué)者研究了長鰭金槍魚分布與海洋環(huán)境之間的關(guān)系 (Chen, 2005; Domokos, 2007; Zainuddin, 2008; Briand, 2011; 林顯鵬等, 2011; 楊嘉樑等, 2014; Go?i, 2015; Lehodey, 2015; Williams, 2015; 儲宇航等, 2016; 郭剛剛等, 2016; 宋利明等, 2017a), 宋利明等(2017b)研究得出溫度是影響庫克群島海域長鰭金槍魚分布的主要環(huán)境因子; 閆敏等(2015)認(rèn)為海表面溫度和葉綠素濃度與長鰭金槍魚漁獲率分布有關(guān); 張嘉容等(2020)認(rèn)為溫度對長鰭金槍魚分布的影響最大, 葉綠素濃度的影響最小。但大部分模型僅分析海洋表層環(huán)境與長鰭金槍魚分布的關(guān)系, 缺乏使用海洋立體環(huán)境因子的分析研究。

    目前長鰭金槍魚漁場預(yù)測大多使用較為傳統(tǒng)的單一預(yù)報模型, 如一元非線性回歸模型(范江濤, 2011)、棲息地指數(shù)模型(任中華等, 2014)和神經(jīng)網(wǎng)絡(luò)模型(毛江美等, 2016)等。隨著漁業(yè)生產(chǎn)對漁場預(yù)報精度要求的提高, 深度學(xué)習(xí)開始在長鰭金槍魚漁場預(yù)測中得到應(yīng)用, 如袁紅春等(2019a, 2020)。Stacking集成學(xué)習(xí)是一種多模型的集成方法, 能夠得到比單模型更準(zhǔn)確的結(jié)果(羅智青等, 2019; 侯娟等, 2020)。但海洋立體環(huán)境因子間的共線性會影響如邏輯斯蒂回歸(logistic regression, LR)模型的預(yù)測精度(Raykov, 2010), 且環(huán)境因子過多容易導(dǎo)致K最近鄰(k nearest neighbor, KNN)、梯度提升決策樹(gradient boosting decision tree, GBDT)、隨機森林(random forest, RF)和支持向量機(support vector machine, SVM)等模型的復(fù)雜性, 造成過擬合問題, 降低模型可解釋性(Jou, 2014; Assegie, 2021)。目前大部分機器學(xué)習(xí)模型均未針對海洋立體環(huán)境因子間的共線性進行分析及因子篩選。

    本研究根據(jù)2016~2019年中國船隊在大西洋公海作業(yè)的延繩釣漁業(yè)數(shù)據(jù), 結(jié)合不同深度的海洋環(huán)境數(shù)據(jù)進行共線性分析與因子篩選, 建立KNN、LR、決策與分類樹(classfication and regression tree, CART)、GBDT、RF、SVM和Stacking集成(stacking ensemble learning, STK)模型; 各模型取75%站位的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù), 25%站位的數(shù)據(jù)為測試數(shù)據(jù), 采用預(yù)報準(zhǔn)確率(accuracy, ACC)與接受者操作特征(receiver operating characteristic, ROC)曲線下面積(area under curve, AUC)進行性能評價, 以提高大西洋熱帶海域長鰭金槍魚漁場預(yù)報的準(zhǔn)確性。

    1 材料與方法

    1.1 數(shù)據(jù)來源

    本研究選取的漁業(yè)數(shù)據(jù)來源于中水集團遠洋股份有限公司, 時間為2016~2019年, 區(qū)域為19°16′S~ 16°21′N; 46°27′W~2°09′E范圍內(nèi)的大西洋中部熱帶海域, 數(shù)據(jù)信息包括延繩釣捕撈漁船(共13艘)船名、作業(yè)時間(年-月-日)、作業(yè)地點(經(jīng)緯度)、不同魚種的產(chǎn)量、漁獲尾數(shù)及下鉤數(shù)等。將每天長鰭金槍魚的漁獲尾數(shù)劃分到1°×1°的網(wǎng)格內(nèi), 并算出CPUE (尾/千鉤)。

    海洋環(huán)境因子主要包括表層因子和0~500 m深度因子共29個。其中, 表層因子包括: 葉綠素濃度(chl_)、混合層深度(mixed layer, MLD)、海表面風(fēng)速(wind speed, WS)、渦動能(eddy kinetic energy, EKE); 0~500 m深度因子包括: 0、50、100、150、200、250、300、400、500 m水深處的溫度(采用0、50、100、150、200、250、300、400、500表示); 0、50、100、150、200、250、300、350、400、450、500 m水深處的溶解氧(采用0、50、100、150、200、250、300、350、400、450、500表示); 100、200、300、400、500 m水深處的鹽度(采用100、200、300、400、500表示)。以上因子數(shù)據(jù)除WS來源于美國國家海洋和大氣管理局(National Oceanic and Atmospheric Administration, NOAA)的數(shù)據(jù)庫(https://oceanwatch. pifsc.noaa.gov/)外, 其他數(shù)據(jù)均來源于哥白尼海洋環(huán)境監(jiān)測服務(wù)中心(copernicus marine environment monitoring service, CMEMS)網(wǎng)站(http://marine.copernicus. eu)。環(huán)境因子數(shù)據(jù)的初始時間分辨率為d, 初始空間分辨率為0.25°×0.25°。本文將環(huán)境因子和漁業(yè)數(shù)據(jù)進行了匹配, 最終的空間分辨率統(tǒng)一為1°×1°, 以d為單位。以上數(shù)據(jù)預(yù)處理過程通過MATLAB軟件完成。

    1.2 數(shù)據(jù)處理

    1.2.1 長鰭金槍魚CPUE的計算方法 CPUE作為評價漁場的指標(biāo)(沈智賓等, 2015)。將每天的長鰭金槍魚的漁獲尾數(shù)劃分到 1°×1°的網(wǎng)格內(nèi), 根據(jù)每天的船位數(shù)據(jù)等得到每天每網(wǎng)格內(nèi)的總釣鉤數(shù), 算出每天每個網(wǎng)格內(nèi)的長鰭金槍魚CPUE (尾/千鉤), 計算各網(wǎng)格內(nèi)CPUE的公式為

    , (1)

    式(1)中:E,FH分別表示在第年、第月、第天、第經(jīng)度、第緯度的網(wǎng)格內(nèi)的CPUE、尾數(shù)和下鉤數(shù)量。

    1.2.2 海洋環(huán)境因子的共線性分析 由于建立模型所用的葉綠素濃度、混合層深度、海表面風(fēng)速、渦動能以及0~500 m水層的溫度、溶解氧、鹽度等海洋環(huán)境因子的量級單位不同, 數(shù)值范圍差別較大, 為防止對模型產(chǎn)生數(shù)值影響且為了提高模型運行的準(zhǔn)確度, 對所有環(huán)境變量進行歸一化處理(張?zhí)祢? 2016), 公式為

    , (2)

    針對29個海洋環(huán)境因子之間存在的多重共線性, 本文采用方差膨脹因子(variance expansion factor, VIF)(Akinwande, 2015)進行分析。

    對于方程:

    =11+22+33+…+αX++αX+,(3)

    式(3)中,為因變量,為自變量,1、2、3、…、α為回歸系數(shù),為常數(shù)項。則第個自變量的VIF計算公式為:

    , (4)

    式(4)中,表示方差膨脹因子VIF的取值;R為線性方程中的決定系數(shù)。當(dāng)VIF值較大時, 表示環(huán)境變量之間存在多重共線性, 即VIF值越大, 表示環(huán)境變量之間多重共線性越嚴(yán)重, 一般認(rèn)為<10, 即表示各環(huán)境變量之間沒有多重共線性。選取<10的海洋環(huán)境因子用于建立大西洋熱帶海域長鰭金槍魚的漁場預(yù)報模型。

    1.2.3 海洋環(huán)境因子相對重要性分析 海洋環(huán)境因子相對重要性的計算方法為: 利用SPSS軟件計算長鰭金槍魚CPUE與篩選后各環(huán)境因子的Pearson相關(guān)系數(shù); 根據(jù)Pearson相關(guān)系數(shù)絕對值判斷其相對重要性。

    1.3 模型建立

    漁場分類時, 若CPUE等于0, 為“非漁場”; CPUE大于0, 則為“漁場”, 其中零值比列為40.11%。從數(shù)據(jù)集中隨機選取75%站點的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù), 25%站點的數(shù)據(jù)為測試數(shù)據(jù); 并使用訓(xùn)練數(shù)據(jù)分別建立KNN、LR、SVM、CART、RF、GBDT和STK7種模型。系列模型的基本原理和參數(shù)選擇方法如表1。

    Stacking算法框架如圖1所示, 第一層由3個基學(xué)習(xí)器組成, 并輸入原始訓(xùn)練集, 即第一步將與各個海洋環(huán)境因子匹配好的大西洋熱帶海域長鰭金槍魚CPUE原始數(shù)據(jù)集, 基于非共線性海洋環(huán)境因子的篩選, 劃分為75%的訓(xùn)練數(shù)據(jù)和25%測試數(shù)據(jù); 第二步從7個模型中選擇預(yù)測效果較好的3個模型作為初級學(xué)習(xí)器, 選取結(jié)構(gòu)簡單的LR作為次級學(xué)習(xí)器; 第三步將75%的訓(xùn)練樣本隨機劃分為個數(shù)量相同的訓(xùn)練集子集1,2, …,D, 取作為測試子集,D–1{1,2, …,D}(D?D–1)作為KNN、RF和GBDT的訓(xùn)練子集, 接著將各個模型的預(yù)測結(jié)果統(tǒng)一為LR模型的訓(xùn)練集′, 各個單模型對測試集的預(yù)測結(jié)果合并為LR模型的測試集′, 最終輸出預(yù)測結(jié)果。

    1.4 模型性能評價

    將25%測試數(shù)據(jù)代入各模型得出預(yù)測結(jié)果, 對模型性能進行評價。本文采用AUC和ACC作為模型性能評價指標(biāo)。其中AUC取值范圍為0~1, 值越大說明該模型的預(yù)測性能越好, 反之預(yù)測性能越差(張?zhí)祢? 2016); 同理, 所得ACC值越大, 說明該模型整體預(yù)測效果越好, 反之預(yù)測效果越差, 所以本文按照兩者結(jié)果, 對比并選取預(yù)測準(zhǔn)確度較高且性能穩(wěn)定的模型。

    表1 各模型的基本原理與參數(shù)選擇

    Tab.1 The basic principle and the parameter selection of each model

    圖1 Stacking 集成學(xué)習(xí)方法

    注: KNN: k nearest neighbor, K最近鄰模型; RF: random forest, 隨機森林算法; GBDT: gradient boosting decision tree, 梯度提升決策樹; LR: logistic regression, 邏輯斯蒂回歸

    將25%的測試數(shù)據(jù)代入預(yù)測能力最佳的模型, 計算得出“漁場”和“非漁場”并使用ArcGIS軟件畫出實際“漁場”和“非漁場”與模型預(yù)測得到的“漁場”和“非漁場”疊圖, 定性評價最佳模型的預(yù)測能力。

    1.5 中心漁場的確定

    本研究把25%的測試站點的環(huán)境數(shù)據(jù)代入預(yù)測能力最佳的模型, 計算得出“漁場”位置, 利用ArcGIS軟件的核密度分析工具計算并畫出“漁場”位置密度分布圖, 把密度大于最大密度的60% (8個/km2)以上的范圍定義為中心漁場。

    2 結(jié)果

    2.1 長鰭金槍魚漁場分布

    通過ArcGIS軟件畫出長鰭金槍魚CPUE分布圖(圖2), 得出長鰭金槍魚漁場主要分布在15°N~15°S, 15°~45°W的大西洋中部熱帶海域, 其高CPUE漁區(qū)集中分布在4°~10°N, 30°~45°W海域和5°~10°S, 18°~30°W的海域。

    2.2 海洋環(huán)境因子篩選與相對重要性分析

    按照各環(huán)境因子的||<10, 篩選得出20個用于漁場預(yù)測的環(huán)境因子, 分別是chl、MLD、WS、EKE、0、50、100、150、250、400、0、50、100、150、200、500、100、200、300和500(表2)。相關(guān)系數(shù)分析結(jié)果表明, 100 m水層溫度(100)與CPUE的相關(guān)系數(shù)最高, 達到0.399; 100、150、500 m水層的溶解氧、100 m水層的鹽度與CPUE的相關(guān)系數(shù)較高, 分別達到0.372、0.334 、0.322和0.322; 相關(guān)系數(shù)較小的是MLD和葉綠素濃度, 分別為0.21和-0.148; 海表面溫度(0)和海表面風(fēng)速(WS)的相關(guān)系數(shù)分別為0.140和0.069; 而渦動能(EKE)的相關(guān)系數(shù)最低, 為-0.036, 影響程度最小(表2)。

    圖2 2016~2019年大西洋熱帶海域13艘漁船長鰭金槍魚CPUE分布

    2.3 模型性能評價

    各個模型總體的ACC和AUC如表3所示, 單個模型預(yù)測結(jié)果中RF的準(zhǔn)確度最高, 為75.57%, KNN和GBDT的準(zhǔn)確度并列為第二(73.92%), 因此選取RF、KNN和GBDT用于STK模型; CART最低, 為66.85%。STK模型的ACC最高, 達到75.92%, AUC也達到了0.742。綜合上述結(jié)果, 表明STK模型預(yù)測性能良好。

    表2 多重共線性和相關(guān)性分析結(jié)果

    Tab.2 Results of multi-collinearity diagnosis and correlation analysis

    對于STK模型, 將測試數(shù)據(jù)中得到的實際漁場與預(yù)測漁場進行疊加, 得出漁場主要分布在2°~14°N, 32°~45°W和2°~10°S, 18°~28°W的海域, 極少分布在5°~10°W附近, 且預(yù)測的0°~18°W海域的漁場的誤判率很高(圖3); 將測試數(shù)據(jù)中的實際非漁場與預(yù)測非漁場進行疊加, 實際非漁場主要分布在5°~14°N, 30°~45°W和2°S~7°N, 12°~30°W的海域, 極少分布在2°~12°S, 2°~10°W海域附近, 且預(yù)測的2°~8°S, 20°~30°W海域的實際非漁場的誤判率較高(圖4)。各模型對漁場和非漁場的判別準(zhǔn)確率比較結(jié)果見表4。說明Stacking集成模型的預(yù)測性能良好。

    表3 各個模型預(yù)測結(jié)果對比

    Tab.3 Comparison of forecast results of each model

    注: 注:ACC: accuracy, 預(yù)報準(zhǔn)確率; AUC: area under curve, 曲線下面積

    圖3 實際漁場與預(yù)報得到的漁場對比圖

    圖4 實際非漁場與預(yù)報得到的非漁場對比圖

    2.4 中心漁場

    2016~2019年25%的測試數(shù)據(jù)中實際漁場密度分布如圖5a所示, 其中心漁場集中分布在4°~10°N, 33°~43°W海域, 以及5°~8°S, 27°~29°W和7°~9°S, 22°~24°W的海域。STK模型預(yù)測漁場密度分布如圖5b所示, 從整體來看預(yù)測的中心漁場比實際中心漁場略大, 但基本吻合。

    表4 各模型對漁場和非漁場的判別準(zhǔn)確率(%)比較

    Tab.4 Comparison of discrimination accuracy (%) for fishing ground and non-fishing ground of each model

    3 討論

    3.1 模型對比分析

    STK模型的漁場預(yù)報性能比6種單一模型(KNN、LR、CART、SVM、RF、GBDT)對大西洋熱帶海域長鰭金槍魚漁場預(yù)報的性能要好, 為最佳模型。CART的漁場預(yù)報性能最差。這是因為STK是一種堆疊集成方法, 能夠?qū)NN、RF和GBDT預(yù)測結(jié)果再次進行次級訓(xùn)練, 克服單一模型的局限性, 能綜合三種模型的優(yōu)勢, 而CART容易過擬合, 導(dǎo)致泛化能力不強, 且某些自變量的占比過高時, 容易導(dǎo)致預(yù)測能力降低。RF對長鰭金槍魚漁場的預(yù)報性能與STK模型相近, 這可能是因為RF在構(gòu)建模型時通過自助采樣選取訓(xùn)練樣本, 增強其泛化和抗噪能力, 在一定程度上降低了不良數(shù)據(jù)對模型預(yù)測能力的影響(方匡南等, 2011)。GBDT與RF都是由多個分類樹通過不同算法構(gòu)建的模型, 但GBDT的預(yù)測性能明顯低于RF, 這是因為GBDT訓(xùn)練樣本選取的方法與RF不同, 其在模型構(gòu)建過程中使用同一個訓(xùn)練樣本, 導(dǎo)致模型泛化能力降低。LR、KNN、SVM的預(yù)測性能都比較低, 這幾個模型不能有效克服構(gòu)建模型所使用的樣本數(shù)據(jù)質(zhì)量不高的問題(如各類別的樣本數(shù)據(jù)不平衡、數(shù)據(jù)缺失等)。

    圖5 25%的測試數(shù)據(jù)中漁區(qū)密度分布圖

    3.2 環(huán)境變量共線性分析

    由于海洋環(huán)境非常復(fù)雜, 環(huán)境因子相互影響, 可能導(dǎo)致環(huán)境變量之間存在多重共線性, 會對預(yù)測結(jié)果產(chǎn)生偏差。Dormann(2013)認(rèn)為當(dāng)環(huán)境變量之間的相關(guān)系數(shù)大于0.7時, 說明存在共線性的可能性較大。多重共線性是影響SVM和LR預(yù)測精度和運行速率的主要原因之一(惠守博等, 2006; 張玲, 2010), 雖然CART、RF和GBDT在模型訓(xùn)練的過程中會自動消除多重共線性對預(yù)測精度的影響, 但是共線性使得環(huán)境變量的大部分信息相互疊加, 導(dǎo)致數(shù)據(jù)大量冗余, 模型的運行效率降低以及誤判解釋變量的貢獻率。故消除環(huán)境變量之間的多重共線性, 在一定程度上提高了模型的預(yù)測精度、穩(wěn)定性和可靠性。

    VIF方法雖然可以消除共線性, 但也有可能導(dǎo)致原本生態(tài)學(xué)意義重要的因子被刪除, 本研究從29個潛在的影響因子中刪除了9個具有共線性的因子(200、300、500、250、300、350、400、450、400)。這些被刪除的因子均為200 m以深的因子, 由于長鰭金槍魚偏好覓食的水層為160~240 m水層, 且在該水層主要受餌料分布及水溫的影響(楊嘉樑等, 2014), 因此本研究未刪除對長鰭金槍魚具有生態(tài)學(xué)重要意義的因子。

    3.3 環(huán)境因子的相對重要性及中心漁場

    研究認(rèn)為溫度直接或間接影響魚類分布、集群和洄游(陳雪忠等, 2013), 其垂直水溫是影響長鰭金槍魚漁場分布主要原因之一(郭剛剛等, 2016)。研究表明, 100 m水層的溫度、溶解氧和鹽度與長鰭金槍魚CPUE關(guān)系較為密切, 可能的原因是該水層是水溫急劇下降的溫躍層, 溫度和鹽度等環(huán)境因子適宜長鰭金槍魚生存, 并且具有豐富的餌料生物資源, 較高的溶解氧含量(張嘉容等, 2020)。張嘉容等(2020)研究分析得到南太平洋中對長鰭金槍魚CPUE具有顯著影響的環(huán)境因子是120 m水層的溫度和鹽度, 這與本研究結(jié)果基本一致。葉綠素濃度和WS對長鰭金槍魚漁場分布的影響較小, 這是由于海面風(fēng)速能夠改變?nèi)~綠素的空間位置和含量(Pickett, 2006; Jufaili, 2019), 而較高的葉綠素濃度會吸引更多浮游生物在附近繁殖(楊勝龍等,2012), 但長鰭金槍魚并不會直接捕食浮游生物。EKE對長鰭金槍魚漁場分布的影響最小, 這可能是因為EKE是通過影響環(huán)流、海洋溫度以及葉綠素的垂直和水平分布(Tussadiah, 2018)間接影響長鰭金槍魚漁場的分布。2016~2019年25%的測試數(shù)據(jù)中預(yù)測得到的中心漁場比實際中心漁場范圍略大, 可能是由于漁業(yè)生產(chǎn)作業(yè)不能均勻、完全覆蓋整個區(qū)域, 而預(yù)測是根據(jù)海洋環(huán)境數(shù)據(jù)進行平滑計算得出的, 預(yù)測得到的中心漁場范圍可靠。另外, 準(zhǔn)確預(yù)測中心漁場能夠使?jié)O船縮短搜索漁場的時間、節(jié)省燃油, 增加長鰭金槍魚的漁獲量, 提高經(jīng)濟效益。

    4 展望

    本研究根據(jù)29種海洋環(huán)境因子, 建立6種模型并篩選最佳的三個預(yù)測模型構(gòu)成STK模型, 提高了大西洋熱帶海域長鰭金槍魚漁場預(yù)報的精度, 但長鰭金槍魚漁場預(yù)報的精度還與數(shù)據(jù)的空間分辨率、漁撈日志記錄的數(shù)據(jù)的準(zhǔn)確度、餌料資源分布、洋流、流速等其他環(huán)境變量有關(guān), 還會受到氣候的年代際, 如北大西洋濤動等大尺度海洋事件的影響, 本研究中CPUE為0的比例較高, 還需要進一步收集數(shù)據(jù)開展研究。另外, 本研究結(jié)果適用于大西洋熱帶海域長鰭金槍魚漁場的預(yù)報, 對于大西洋溫帶水域的長鰭金槍魚漁場的預(yù)報還需要進一步收集數(shù)據(jù)開展相關(guān)研究。

    致謝 本研究得到了中水集團遠洋股份有限公司宗文峰、葉少華和鄧榮成先生的大力支持, 謹(jǐn)致謝意。

    王超學(xué), 潘正茂, 馬春森, 等, 2012. 改進型加權(quán)KNN算法的不平衡數(shù)據(jù)集分類[J]. 計算機工程, 38(20): 160-163, 168.

    毛江美, 陳新軍, 余景, 2016. 基于神經(jīng)網(wǎng)絡(luò)的南太平洋長鰭金槍魚漁場預(yù)報[J]. 海洋學(xué)報, 38(10): 34-43.

    方匡南, 吳見彬, 朱建平, 等, 2011. 隨機森林方法研究綜述[J]. 統(tǒng)計與信息論壇, 26(3): 32-38.

    田欣, 2017. 決策樹算法的研究綜述[J]. 現(xiàn)代營銷(1): 36.

    呂紅燕, 馮倩, 2019. 隨機森林算法研究綜述[J]. 河北省科學(xué)院學(xué)報, 36(3): 37-41.

    任中華, 陳新軍, 方學(xué)燕, 2014. 基于棲息地指數(shù)的東太平洋長鰭金槍魚漁場分析[J]. 海洋漁業(yè), 36(5): 385-395.

    閆敏, 張衡, 樊偉, 等, 2015. 南太平洋長鰭金槍魚漁場CPUE時空分布及其與關(guān)鍵海洋環(huán)境因子的關(guān)系[J]. 生態(tài)學(xué)雜志, 34(11): 3191-3197.

    楊勝龍, 張禹, 樊偉, 等, 2012. 熱帶印度洋大眼金槍魚漁場時空分布與溫躍層關(guān)系[J]. 中國水產(chǎn)科學(xué), 19(4): 679-689.

    楊嘉樑, 黃洪亮, 宋利明, 等, 2014. 基于分位數(shù)回歸的庫克群島海域長鰭金槍魚棲息環(huán)境綜合指數(shù)[J]. 中國水產(chǎn)科學(xué), 21(4): 832-851.

    吳昊, 秦立春, 羅柳容, 2019. 基于提升度的KNN分類子的分類原則改良模型[J]. 廣西師范大學(xué)學(xué)報(自然科學(xué)版), 37(2): 75-81.

    沈智賓, 陳新軍, 汪金濤, 2015. 基于海表溫度和海面高度的東太平洋大眼金槍魚漁場預(yù)測[J]. 海洋科學(xué), 39(10): 45-51.

    宋利明, 周建坤, 沈智賓, 等, 2017a. 基于支持向量機的庫克群島海域長鰭金槍魚棲息環(huán)境綜合指數(shù)[J]. 海洋通報, 36(2): 195-208.

    宋利明, 謝凱, 趙海龍, 等, 2017b. 庫克群島海域海洋環(huán)境因子對長鰭金槍魚漁獲率的影響[J]. 海洋通報, 36(1): 96-106.

    張玲, 2010. 多重共線性的檢驗及對預(yù)測目標(biāo)影響程度的定量分析[J]. 通化師范學(xué)院學(xué)報, 31(4): 19-20, 38.

    張瑩, 2015. 基于自然最近鄰居的分類算法研究[D]. 重慶: 重慶大學(xué).

    張?zhí)祢? 2016. 產(chǎn)漂流性卵小型魚類的生態(tài)位建模及分析[D]. 北京: 中國農(nóng)業(yè)大學(xué).

    張春霞, 張講社, 2011. 選擇性集成學(xué)習(xí)算法綜述[J]. 計算機學(xué)報, 34(8): 1399-1410.

    張嘉容, 楊曉明, 戴小杰, 等, 2020. 南太平洋長鰭金槍魚延繩釣漁獲率與環(huán)境因子的關(guān)系研究[J]. 南方水產(chǎn)科學(xué), 16(1): 69-77.

    陳雪忠, 樊偉, 崔雪森, 等, 2013. 基于隨機森林的印度洋長鰭金槍魚漁場預(yù)報[J]. 海洋學(xué)報, 35(1): 158-164.

    邵元海, 劉黎明, 黃凌偉, 等, 2020. 支持向量機的關(guān)鍵問題和展望[J]. 中國科學(xué): 數(shù)學(xué), 50(9): 1233-1248.

    范江濤, 2011. 南太平洋長鰭金槍魚延繩釣漁業(yè)漁情預(yù)報研究[D]. 上海: 上海海洋大學(xué): 21-22.

    林顯鵬, 郭愛, 張洪亮, 等, 2011. 所羅門群島海域長鰭金槍魚的垂直分布與環(huán)境因子的關(guān)系[J]. 浙江海洋學(xué)院學(xué)報(自然科學(xué)版), 30(4): 303-306.

    羅智青, 莫漢培, 王汝輝, 等, 2019. 基于Stacking模型融合的失壓故障識別算法[J]. 能源與環(huán)保, 41(2): 41-45.

    侯娟, 周為峰, 樊偉, 等, 2020. 基于集成學(xué)習(xí)的南太平洋長鰭金槍魚漁場預(yù)報模型研究[J]. 南方水產(chǎn)科學(xué), 16(5): 42-50.

    袁紅春, 陳冠奇, 張?zhí)祢? 等, 2020. 基于全卷積網(wǎng)絡(luò)的南太平洋長鰭金槍魚漁場預(yù)報模型[J]. 江蘇農(nóng)業(yè)學(xué)報, 36(2): 423-429.

    袁紅春, 陳驄昊, 2019a. 基于融合深度學(xué)習(xí)模型的長鰭金槍魚漁情預(yù)測研究[J]. 漁業(yè)現(xiàn)代化, 46(5): 74-81.

    袁紅春, 胡光亮, 陳冠奇, 等, 2019b. 基于粒子群可拓的南太平洋長鰭金槍魚產(chǎn)量預(yù)測方法研究[J]. 漁業(yè)現(xiàn)代化, 46(6): 96-103.

    袁培森, 楊承林, 宋玉紅, 等, 2019. 基于Stacking集成學(xué)習(xí)的水稻表型組學(xué)實體分類研究[J]. 農(nóng)業(yè)機械學(xué)報, 50(11): 144-152.

    郭剛剛, 張勝茂, 樊偉, 等, 2016. 南太平洋長鰭金槍魚垂直活動水層空間分析[J]. 南方水產(chǎn)科學(xué), 12(5): 123-130.

    惠守博, 王文杰, 2006. 支持向量機分類算法中多元變量共線性問題的改進[J]. 計算機工程與設(shè)計, 27(8): 1385-1388.

    儲宇航, 戴小杰, 田思泉, 等, 2016. 南太平洋延繩釣長鰭金槍魚生物學(xué)組成及其與棲息環(huán)境關(guān)系[J]. 海洋漁業(yè), 38(2): 130-139.

    謝金梅, 王艷妮, 2008. 決策樹算法綜述[J]. 軟件導(dǎo)刊, 7(11): 83-85.

    AKINWANDE M O, DIKKO H G, SAMSON A, 2015. Variance inflation factor: as a condition for the inclusion of suppressor variable(s) in regression analysis [J]. Open Journal of Statistics, 5(7): 754-767.

    ASSEGIE T A, SUSHMA S J, BHAVYA B G,, 2021. Correlation analysis for determining effective data in machine learning: detection of heart failure [J]. SN Computer Science, 2(3): 213.

    BRIAND K, MOLONY B, LEHODEY P, 2011. A study on the variability of albacore () longline catch rates in the southwest Pacific Ocean [J]. Fisheries Oceanography, 20(6): 517-529.

    CHEN I C, LEE P F, TZEND W N, 2005. Distribution of albacore () in the Indian Ocean and its relation to environmental factors [J]. Fisheries Oceanography, 14(1): 71-80.

    DAHLEM A M, HASSAN A S, SWANSON S P,, 1989. A model system for studying the bioavailability of intestinally administered microcystin‐LR, a hepatotoxic peptide from the cyanobacterium[J]. Pharmacology & Toxicology, 64(2): 177-181.

    DOMOKOS R, SEKI M P, POLOVINA J J,, 2007. Oceanographic investigation of the American Samoa albacore () habitat and longline fishing grounds [J]. Fisheries Oceanography, 16(6): 555-572.

    DORMANN C F, ELITH J, BACHER S,, 2013. Collinearity: a review of methods to deal with it and a simulation study evaluating their performance [J]. Ecography, 36(1): 27-46.

    D?EROSKI S, ?ENKO B, 2004. Is combining classifiers with stacking better than selecting the best one? [J]. Machine Learning, 54(3): 255-273.

    FRIEDMAN J H, 2003. Stochastic gradient boosting [J]. Computational Statistics & Data Analysis, 38(4): 367-378.

    GO?I N, DIDOUAN C, ARRIZABALAGA H,, 2015. Effect of oceanographic parameters on daily albacore catches in the Northeast Atlantic [J]. Deep Sea Research Part II: Topical Studies in Oceanography, 113: 73-80.

    HWANG W J, WEN K W, 1998. Fast KNN classification algorithm based on partial distance search [J]. Electronics Letters, 34(21): 2062-2063.

    JOU Y J, HUANG C C L, CHO H J, 2014. A VIF-based optimization model to alleviate collinearity problems in multiple linear regression [J]. Computational Statistics, 29(6): 1515-1541.

    JUFAILI S A, PIONTKOVSKI S A, 2019. Seasonal and interannual variations of Yellowfin tuna catches along the Omani Shelf [J]. International Journal of Oceans and Oceanography, 13(2): 427-454.

    KRISTENSEN P, JUDGE M E, THIM L,, 1998. Hypothalamic CART is a new anorectic peptide regulated by leptin [J]. Nature, 393(6680): 72-76.

    LEHODEY P, SENINA I, NICOL S,, 2015. Modelling the impact of climate change on South Pacific albacore tuna [J]. Deep Sea Research Part II: Topical Studies in Oceanography, 113: 246-259.

    OU J J, JIN X D, MA I,, 2002. CMOS RF modeling for GHz communication IC's [C] // Proceedings of 1998 Symposium on VLSI Technology Digest of Technical Papers. Honolulu, HI, USA: IEEE: 94-95.

    PICKETT M H, SCHWING F B, 2006. Evaluating upwelling estimates off the west coasts of North and South America [J]. Fisheries Oceanography, 15(3): 256-269.

    RAYKOV T, PENEV S, 2010. Testing multivariate mean collinearity via latent variable modelling [J]. British Journal of Mathematical and Statistical Psychology, 63(3): 481-490.

    SUYKENS J A K, LUKAS L, VANDEWALLE J, 2000. Sparse approximation using least squares support vector machines [C] // Proceedings of 2000 IEEE International Symposium on Circuits and Systems. Geneva, Switzerland: IEEE: 757-760.

    TUSSADIAH A, PRANOWO W S, SYAMSUDDIN M L,, 2018. Characteristic of eddies kinetic energy associated with yellowfin tuna in Southern Java Indian Ocean [J]. IOP Conference Series: Earth and Environmental Science, 176(1): 012004.

    WILLIAMS A J, ALLAIN V, NICOL S J,, 2015. Vertical behavior and diet of albacore tuna () vary with latitude in the South Pacific Ocean [J]. Deep Sea Research Part II: Topical Studies in Oceanography, 113: 154-169.

    ZAINUDDIN M, SAITOH K, SAITOH S I, 2008. Albacore () fishing ground in relation to oceanographic conditions in the western North Pacific Ocean using remotely sensed satellite data [J]. Fisheries Oceanography, 17(2): 61-73.

    ZHANG S C, LI X L, ZONG M,, 2018. Efficient KNN classification with different numbers of nearest neighbors [J]. IEEE Transactions on Neural Networks and Learning Systems, 29(5): 1774-1785.

    COMPARISON ON FISHING GROUND FORECAST MODELS OFIN THE TROPICAL WATERS OF ATLANTIC OCEAN

    SONG Li-Ming1, 2, REN Shi-Yu1, HONG Yi-Ran1, ZHANG Tian-Jiao1, SUI Heng-Shou3, LI Bin3, ZHANG Min1, 2

    (1. College of Marine Sciences, Shanghai Ocean University, Shanghai 201306, China; 2. National Engineering Research Center for Oceanic Fisheries, Shanghai 201306, China; 3. CNFC Overseas Fisheries Co, Ltd, Beijing 100032, China)

    To improve the accuracy of the forecast model for albacore tuna ()fishing ground in the tropical waters of Atlantic Ocean, seven fishery forecast models,k-nearest neighbor (KNN), logistic regression (LR), classfication and regression tree (CART), support vector machine (SVM), random forest (RF), gradient boosting decision tree (GBDT), and stacking ensemble learning (STK) model were used and compared based on the data of 13 tuna longliners of Chinese fishing enterprises from 2016 to 2019 in the high seas of the Atlantic Ocean (19°16′S~16°21′N; 46°27′W~2°09′E). Using environmental factors (temperature, salinity and dissolved oxygen) at different water layers from 0 to 500 m, as well as chlorophyll-concentration, sea surface wind speed, eddy kinetic energy, and mixed layer depth, the relationship between albacore tuna CPUE and the environmental factors were analyzed. Seventy-five percent of the data were taken as training data and 25% as test data. The performance of each model was evaluated by prediction accuracy (ACC) and area under receiver operating characteristic curve (AUC). Relationships between CPUE (catch per unit of effort) and marine environmental factors were established. Results show that: (1) the prediction performance of STK model wasobviously better compared with other models and its ACC and AUC is 75.92% and 0.742, respectively; (2) the areas of central fishing ground predicted by STK model for albacore tuna is consistent with the actual fishing ground generally; (3) the marine environmental factors that affect the distribution of albacore tuna fishing grounds in the Atlantic Ocean included mainly temperature and salinity of 100 m layer, and dissolved oxygen at 100, 150, and 500 m layer. The accuracy and the prediction performance of the STK model is high for albacore tuna fishing ground forecast in the tropical waters of Atlantic Ocean.

    ; fishing ground forecast model; comparative study of model performance; tropical waters of Atlantic Ocean

    *國家重點研發(fā)項目, 2020YFD0901205號; 中水集團遠洋股份有限公司技術(shù)研發(fā)項目, D-8006-20-0180號。宋利明, 博士生導(dǎo)師, 教授, E-mail: lmsong@shou.edu.cn

    2021-10-23,

    2021-12-20

    S934

    10.11693/hyhz20211000253

    猜你喜歡
    漁場共線性金槍魚
    金槍魚淹死事件
    可以加速的金槍魚機器人
    軍事文摘(2021年22期)2022-01-18 06:22:00
    《關(guān)于加強遠洋魷釣漁船作業(yè)管理的通知》公布
    金槍魚與海豚
    銀行不良貸款額影響因素分析
    埃及超大規(guī)模養(yǎng)魚場
    文氏圖在計量統(tǒng)計類課程教學(xué)中的應(yīng)用
    ——以多重共線性內(nèi)容為例
    不完全多重共線性定義存在的問題及其修正建議
    連續(xù)三年保持50%增長,入駐通威、新希望養(yǎng)殖基地,這家漁機企業(yè)將打造未來無人漁場
    國內(nèi)新型遠洋金槍魚圍網(wǎng)漁船首航
    商周刊(2018年19期)2018-12-06 09:49:41
    久久久久久大精品| 午夜两性在线视频| 人妻丰满熟妇av一区二区三区| 亚洲男人的天堂狠狠| 99久久综合精品五月天人人| 亚洲av电影不卡..在线观看| 免费看日本二区| 欧美日韩亚洲国产一区二区在线观看| 色尼玛亚洲综合影院| 欧美大码av| 99精品在免费线老司机午夜| 亚洲中文日韩欧美视频| 两个人看的免费小视频| 五月玫瑰六月丁香| 国内久久婷婷六月综合欲色啪| 免费搜索国产男女视频| 俄罗斯特黄特色一大片| 欧美激情在线99| 嫁个100分男人电影在线观看| 精品一区二区三区视频在线 | 午夜激情福利司机影院| 国产成+人综合+亚洲专区| 国产精品野战在线观看| 亚洲av不卡在线观看| 免费在线观看亚洲国产| 国产成人aa在线观看| 真人一进一出gif抽搐免费| 可以在线观看的亚洲视频| 欧美极品一区二区三区四区| 69av精品久久久久久| 精品免费久久久久久久清纯| 国产精品免费一区二区三区在线| 国产午夜精品久久久久久一区二区三区 | 亚洲国产精品sss在线观看| 五月伊人婷婷丁香| 亚洲国产精品999在线| 黄色女人牲交| 少妇丰满av| av国产免费在线观看| 国产不卡一卡二| 久久久久久久久久黄片| 日本 av在线| 色吧在线观看| 国产欧美日韩一区二区三| 18禁国产床啪视频网站| 国产精品一区二区三区四区久久| or卡值多少钱| 制服丝袜大香蕉在线| www.www免费av| 美女cb高潮喷水在线观看| 1024手机看黄色片| 精品无人区乱码1区二区| 亚洲国产色片| 无人区码免费观看不卡| 真人一进一出gif抽搐免费| 国产69精品久久久久777片| 亚洲av电影不卡..在线观看| 人妻丰满熟妇av一区二区三区| 熟妇人妻久久中文字幕3abv| 国产一区在线观看成人免费| 午夜福利在线观看吧| 法律面前人人平等表现在哪些方面| 亚洲色图av天堂| 国产不卡一卡二| 一夜夜www| 99久久无色码亚洲精品果冻| 国产国拍精品亚洲av在线观看 | www.熟女人妻精品国产| 色播亚洲综合网| 亚洲狠狠婷婷综合久久图片| 天堂√8在线中文| 国产av不卡久久| 观看美女的网站| 欧美成人一区二区免费高清观看| 1024手机看黄色片| 少妇的丰满在线观看| 亚洲精品456在线播放app | 久久久久亚洲av毛片大全| 国内少妇人妻偷人精品xxx网站| 99国产精品一区二区三区| 国产探花极品一区二区| 一本综合久久免费| 国产黄片美女视频| 亚洲专区中文字幕在线| 国产高清视频在线观看网站| 最近最新中文字幕大全免费视频| 天堂影院成人在线观看| 久久久久久人人人人人| 国产精品自产拍在线观看55亚洲| 久久草成人影院| 搡老熟女国产l中国老女人| 无限看片的www在线观看| 欧美zozozo另类| 成人无遮挡网站| 麻豆成人午夜福利视频| 51国产日韩欧美| 午夜精品久久久久久毛片777| av中文乱码字幕在线| 91av网一区二区| 婷婷六月久久综合丁香| 99精品欧美一区二区三区四区| 少妇裸体淫交视频免费看高清| 高清毛片免费观看视频网站| 蜜桃亚洲精品一区二区三区| 99精品在免费线老司机午夜| 国产男靠女视频免费网站| 免费看美女性在线毛片视频| 级片在线观看| 伊人久久大香线蕉亚洲五| 亚洲av电影在线进入| av片东京热男人的天堂| 无限看片的www在线观看| 男人舔女人下体高潮全视频| 好男人在线观看高清免费视频| 日日夜夜操网爽| 亚洲精品亚洲一区二区| 欧美性猛交╳xxx乱大交人| 首页视频小说图片口味搜索| 小说图片视频综合网站| 琪琪午夜伦伦电影理论片6080| av片东京热男人的天堂| 国产视频一区二区在线看| 国产国拍精品亚洲av在线观看 | 在线国产一区二区在线| 国产成人系列免费观看| 男女视频在线观看网站免费| 精品久久久久久久久久免费视频| 亚洲乱码一区二区免费版| 国产黄色小视频在线观看| 欧美另类亚洲清纯唯美| 在线a可以看的网站| 他把我摸到了高潮在线观看| 国产三级黄色录像| av福利片在线观看| 波野结衣二区三区在线 | 欧美一区二区精品小视频在线| 亚洲专区中文字幕在线| 成人特级黄色片久久久久久久| 又粗又爽又猛毛片免费看| 欧美午夜高清在线| 真人一进一出gif抽搐免费| 在线国产一区二区在线| 搡老岳熟女国产| 嫩草影院入口| 国产亚洲精品综合一区在线观看| 99久久精品热视频| 一进一出抽搐动态| 搞女人的毛片| 高清日韩中文字幕在线| 亚洲人成伊人成综合网2020| 又紧又爽又黄一区二区| 少妇的逼好多水| 欧美色欧美亚洲另类二区| 成人高潮视频无遮挡免费网站| 国产伦精品一区二区三区视频9 | 一区二区三区激情视频| 黄色视频,在线免费观看| 亚洲男人的天堂狠狠| 亚洲精品在线美女| 日日干狠狠操夜夜爽| 久久人妻av系列| 欧美一区二区精品小视频在线| 欧美日韩乱码在线| 亚洲在线观看片| 国产三级在线视频| 桃红色精品国产亚洲av| 日本熟妇午夜| 少妇的逼好多水| 成年女人毛片免费观看观看9| 黄色成人免费大全| 国产一区二区在线av高清观看| 在线看三级毛片| 国产精品国产高清国产av| 国产精品免费一区二区三区在线| 亚洲精品456在线播放app | 欧美不卡视频在线免费观看| 国产亚洲欧美在线一区二区| 成人18禁在线播放| 午夜免费成人在线视频| 国产精品久久视频播放| 无限看片的www在线观看| 国产精品一及| 首页视频小说图片口味搜索| 91久久精品电影网| 99国产精品一区二区蜜桃av| 午夜日韩欧美国产| 久久中文看片网| 三级毛片av免费| 国产精品99久久久久久久久| 欧美日本亚洲视频在线播放| 久久香蕉精品热| 亚洲人成网站高清观看| 在线播放无遮挡| 国产精品亚洲一级av第二区| 国产午夜精品久久久久久一区二区三区 | 欧美日韩福利视频一区二区| 桃色一区二区三区在线观看| 99热这里只有是精品50| 91在线观看av| 免费av不卡在线播放| 欧美日韩黄片免| 国产精品影院久久| 日韩高清综合在线| 日韩大尺度精品在线看网址| 欧美+亚洲+日韩+国产| 99久久无色码亚洲精品果冻| 美女被艹到高潮喷水动态| av国产免费在线观看| 国产精品嫩草影院av在线观看 | e午夜精品久久久久久久| 欧美日韩精品网址| 乱人视频在线观看| 天堂网av新在线| 一级a爱片免费观看的视频| 精品欧美国产一区二区三| 国产探花极品一区二区| 男女下面进入的视频免费午夜| 长腿黑丝高跟| 国产精品久久久久久久电影 | 日韩av在线大香蕉| 精品一区二区三区视频在线 | 青草久久国产| 国产熟女xx| 色吧在线观看| 亚洲精品乱码久久久v下载方式 | 尤物成人国产欧美一区二区三区| 在线视频色国产色| 国产美女午夜福利| 国产午夜福利久久久久久| 一夜夜www| 可以在线观看毛片的网站| 热99在线观看视频| 免费看日本二区| 国产高潮美女av| 欧美黑人巨大hd| 国产伦精品一区二区三区四那| 在线观看一区二区三区| 桃色一区二区三区在线观看| 老熟妇仑乱视频hdxx| 丝袜美腿在线中文| 内射极品少妇av片p| 国产精品一区二区三区四区久久| 国产高清videossex| 亚洲精品一区av在线观看| 日本一二三区视频观看| 国产精品99久久99久久久不卡| 露出奶头的视频| 国产aⅴ精品一区二区三区波| 亚洲乱码一区二区免费版| 欧美成狂野欧美在线观看| 国产探花极品一区二区| 99国产综合亚洲精品| 日本一本二区三区精品| 草草在线视频免费看| 99热6这里只有精品| 亚洲国产高清在线一区二区三| 18禁美女被吸乳视频| 欧美最黄视频在线播放免费| 美女高潮喷水抽搐中文字幕| 国产久久久一区二区三区| 久久欧美精品欧美久久欧美| 久久久国产成人免费| 在线观看66精品国产| 亚洲无线在线观看| 欧美黄色淫秽网站| а√天堂www在线а√下载| 日韩高清综合在线| 国产成人啪精品午夜网站| 久久久久免费精品人妻一区二区| 好男人电影高清在线观看| 国产真人三级小视频在线观看| 99精品欧美一区二区三区四区| 成人特级av手机在线观看| 在线观看日韩欧美| 国产探花极品一区二区| 色吧在线观看| 内地一区二区视频在线| 3wmmmm亚洲av在线观看| 一级黄片播放器| 成年女人看的毛片在线观看| 俺也久久电影网| 久久久久国产精品人妻aⅴ院| 久久香蕉国产精品| 99热精品在线国产| 18禁国产床啪视频网站| 国产高清videossex| 五月伊人婷婷丁香| 国产精品久久久久久久久免 | 国产精品综合久久久久久久免费| 午夜福利视频1000在线观看| 久久香蕉精品热| 女人十人毛片免费观看3o分钟| 在线国产一区二区在线| 亚洲无线在线观看| 少妇的逼水好多| 精品乱码久久久久久99久播| 人妻久久中文字幕网| 免费看a级黄色片| av女优亚洲男人天堂| 在线观看66精品国产| 两个人视频免费观看高清| 9191精品国产免费久久| 噜噜噜噜噜久久久久久91| 午夜精品一区二区三区免费看| 久久99热这里只有精品18| 精品午夜福利视频在线观看一区| 国产午夜精品久久久久久一区二区三区 | 日本一本二区三区精品| 美女黄网站色视频| 尤物成人国产欧美一区二区三区| 国产蜜桃级精品一区二区三区| 亚洲欧美精品综合久久99| 99国产极品粉嫩在线观看| 亚洲欧美日韩高清专用| 999久久久精品免费观看国产| 母亲3免费完整高清在线观看| 一个人看视频在线观看www免费 | 久久香蕉精品热| 日韩av在线大香蕉| 老司机在亚洲福利影院| 性色av乱码一区二区三区2| 亚洲午夜理论影院| 亚洲av日韩精品久久久久久密| 脱女人内裤的视频| 午夜免费观看网址| 国产aⅴ精品一区二区三区波| 国产高清激情床上av| 中出人妻视频一区二区| 丁香欧美五月| 老司机午夜十八禁免费视频| 老熟妇乱子伦视频在线观看| 男人舔女人下体高潮全视频| 国产精品精品国产色婷婷| 午夜精品在线福利| 精品国内亚洲2022精品成人| 不卡一级毛片| 哪里可以看免费的av片| 色播亚洲综合网| 日本在线视频免费播放| 国产精品综合久久久久久久免费| 亚洲av电影在线进入| 午夜福利成人在线免费观看| 一进一出抽搐gif免费好疼| 亚洲五月天丁香| 亚洲午夜理论影院| avwww免费| 性色avwww在线观看| 精品99又大又爽又粗少妇毛片 | 精品一区二区三区视频在线 | 国产成人av教育| 国内精品美女久久久久久| 午夜福利视频1000在线观看| 色哟哟哟哟哟哟| 给我免费播放毛片高清在线观看| 老汉色∧v一级毛片| 一本一本综合久久| 91久久精品电影网| 精品无人区乱码1区二区| 嫩草影视91久久| 国产真实乱freesex| 成人av一区二区三区在线看| 亚洲欧美一区二区三区黑人| 精品国内亚洲2022精品成人| 黄色片一级片一级黄色片| 高潮久久久久久久久久久不卡| 老熟妇仑乱视频hdxx| 欧美成人一区二区免费高清观看| 麻豆一二三区av精品| 2021天堂中文幕一二区在线观| 黄片大片在线免费观看| 少妇熟女aⅴ在线视频| 亚洲av日韩精品久久久久久密| 夜夜夜夜夜久久久久| 国产精品国产高清国产av| 十八禁网站免费在线| 欧美色欧美亚洲另类二区| 在线a可以看的网站| 欧美一区二区亚洲| 国产aⅴ精品一区二区三区波| 亚洲欧美日韩无卡精品| bbb黄色大片| av福利片在线观看| 床上黄色一级片| 首页视频小说图片口味搜索| 全区人妻精品视频| 天天添夜夜摸| 亚洲男人的天堂狠狠| 全区人妻精品视频| 黄色视频,在线免费观看| 精品一区二区三区av网在线观看| av国产免费在线观看| 亚洲成人久久爱视频| 老熟妇乱子伦视频在线观看| 国产亚洲欧美在线一区二区| 欧美极品一区二区三区四区| 日韩欧美精品v在线| 狂野欧美白嫩少妇大欣赏| 在线天堂最新版资源| 一边摸一边抽搐一进一小说| 日韩中文字幕欧美一区二区| 男人和女人高潮做爰伦理| 悠悠久久av| bbb黄色大片| 午夜免费成人在线视频| 婷婷丁香在线五月| 日韩欧美一区二区三区在线观看| 中文在线观看免费www的网站| 在线免费观看的www视频| 天堂网av新在线| 麻豆国产97在线/欧美| 成人一区二区视频在线观看| 国产一区二区三区在线臀色熟女| 免费看光身美女| 国产精品久久久久久人妻精品电影| 波野结衣二区三区在线 | 黑人欧美特级aaaaaa片| 99在线人妻在线中文字幕| 啦啦啦韩国在线观看视频| 成人特级av手机在线观看| 久久久久免费精品人妻一区二区| 有码 亚洲区| x7x7x7水蜜桃| 国产亚洲av嫩草精品影院| 男女那种视频在线观看| 在线视频色国产色| 国产精品 国内视频| 可以在线观看毛片的网站| 国产不卡一卡二| 国产真实乱freesex| 91九色精品人成在线观看| 久久精品夜夜夜夜夜久久蜜豆| 熟女人妻精品中文字幕| 久久国产精品影院| 在线观看美女被高潮喷水网站 | 久久性视频一级片| 日本熟妇午夜| 18禁在线播放成人免费| 国产av麻豆久久久久久久| av在线蜜桃| 两个人的视频大全免费| 欧美乱色亚洲激情| av国产免费在线观看| 色视频www国产| 亚洲成人精品中文字幕电影| 热99re8久久精品国产| 日韩精品青青久久久久久| 在线免费观看不下载黄p国产 | bbb黄色大片| 99视频精品全部免费 在线| 欧美在线一区亚洲| 激情在线观看视频在线高清| 岛国在线免费视频观看| 亚洲国产精品合色在线| 观看美女的网站| 国产熟女xx| 九九热线精品视视频播放| 中文字幕高清在线视频| 免费高清视频大片| 国产综合懂色| 黄色女人牲交| 欧美日韩亚洲国产一区二区在线观看| 啦啦啦免费观看视频1| 色综合欧美亚洲国产小说| 18禁黄网站禁片免费观看直播| 狂野欧美激情性xxxx| 久久人人精品亚洲av| 久久精品国产99精品国产亚洲性色| 美女大奶头视频| 99久久精品国产亚洲精品| 欧美绝顶高潮抽搐喷水| av在线天堂中文字幕| 在线观看舔阴道视频| 亚洲熟妇熟女久久| 99精品在免费线老司机午夜| 久久精品影院6| 午夜视频国产福利| 国产一区二区亚洲精品在线观看| 精品久久久久久久久久免费视频| 18禁国产床啪视频网站| 内地一区二区视频在线| 国产野战对白在线观看| 成人性生交大片免费视频hd| 国产免费一级a男人的天堂| 真人一进一出gif抽搐免费| 国内精品美女久久久久久| 在线观看日韩欧美| 不卡一级毛片| 国产亚洲精品久久久com| 日本熟妇午夜| 国产高清有码在线观看视频| 欧美绝顶高潮抽搐喷水| 色综合站精品国产| 波多野结衣巨乳人妻| 亚洲国产欧洲综合997久久,| 国产成人a区在线观看| 成人三级黄色视频| 一进一出抽搐动态| 伊人久久大香线蕉亚洲五| 操出白浆在线播放| 午夜福利在线在线| 国产淫片久久久久久久久 | 亚洲精品乱码久久久v下载方式 | 久久九九热精品免费| 亚洲av二区三区四区| 性色av乱码一区二区三区2| 国产伦在线观看视频一区| 国产一区二区三区在线臀色熟女| 午夜免费男女啪啪视频观看 | e午夜精品久久久久久久| 精品国产三级普通话版| 国产av麻豆久久久久久久| 岛国在线免费视频观看| 免费在线观看影片大全网站| 特大巨黑吊av在线直播| 88av欧美| 欧美绝顶高潮抽搐喷水| 欧美成狂野欧美在线观看| 色在线成人网| 精品久久久久久久久久免费视频| 少妇裸体淫交视频免费看高清| 全区人妻精品视频| 最新在线观看一区二区三区| 久久久久久久久大av| 日韩欧美在线乱码| 久久久久国内视频| 亚洲精品亚洲一区二区| 亚洲第一电影网av| 丰满乱子伦码专区| 夜夜躁狠狠躁天天躁| 黄片小视频在线播放| 老汉色av国产亚洲站长工具| 最新在线观看一区二区三区| 91字幕亚洲| 女警被强在线播放| 欧美日韩黄片免| 免费观看的影片在线观看| 久久国产精品影院| 中国美女看黄片| 小说图片视频综合网站| 无人区码免费观看不卡| 久久精品夜夜夜夜夜久久蜜豆| 日日摸夜夜添夜夜添小说| 欧美激情在线99| 国内少妇人妻偷人精品xxx网站| 欧美极品一区二区三区四区| 国产一区二区激情短视频| h日本视频在线播放| 午夜激情欧美在线| 色综合亚洲欧美另类图片| 小蜜桃在线观看免费完整版高清| 免费看十八禁软件| 国产三级在线视频| 国产成人av激情在线播放| 69人妻影院| 久久久久久人人人人人| svipshipincom国产片| 露出奶头的视频| 国产精品亚洲一级av第二区| 美女高潮的动态| 天堂动漫精品| 激情在线观看视频在线高清| 黄色片一级片一级黄色片| 国产精品久久久久久精品电影| 韩国av一区二区三区四区| 禁无遮挡网站| 中文字幕人成人乱码亚洲影| 99精品在免费线老司机午夜| 男女视频在线观看网站免费| av天堂在线播放| 久久国产精品人妻蜜桃| 亚洲av一区综合| 999久久久精品免费观看国产| 特大巨黑吊av在线直播| 国产精品日韩av在线免费观看| 国产乱人伦免费视频| 免费在线观看亚洲国产| 亚洲精品色激情综合| 亚洲欧美日韩东京热| 可以在线观看的亚洲视频| 国产精品久久久人人做人人爽| 亚洲一区二区三区不卡视频| 最近在线观看免费完整版| 亚洲美女视频黄频| 好看av亚洲va欧美ⅴa在| 精品欧美国产一区二区三| 久久精品夜夜夜夜夜久久蜜豆| 国产亚洲精品综合一区在线观看| 久久性视频一级片| 男人舔女人下体高潮全视频| 亚洲午夜理论影院| 一本一本综合久久| 搡女人真爽免费视频火全软件 | 18禁黄网站禁片免费观看直播| 成人欧美大片| 中国美女看黄片| 少妇人妻一区二区三区视频| 99久久精品一区二区三区| 成人无遮挡网站| 一级a爱片免费观看的视频| 亚洲av中文字字幕乱码综合| 久久久久九九精品影院| www日本黄色视频网| 亚洲av中文字字幕乱码综合| 黄片大片在线免费观看| 在线观看一区二区三区| 91九色精品人成在线观看| 精品一区二区三区视频在线 | 波多野结衣巨乳人妻| 午夜福利视频1000在线观看| 在线观看一区二区三区| 91九色精品人成在线观看| 久久久国产成人免费| 日韩欧美一区二区三区在线观看| 国产探花极品一区二区| 少妇人妻精品综合一区二区 |