• <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
    亚洲欧美色中文字幕在线| 日韩视频在线欧美| 777米奇影视久久| 成年美女黄网站色视频大全免费| 亚洲成人免费av在线播放| 精品高清国产在线一区| 亚洲一卡2卡3卡4卡5卡精品中文| 女人爽到高潮嗷嗷叫在线视频| 色网站视频免费| av在线老鸭窝| 日本欧美国产在线视频| 麻豆国产av国片精品| 美女中出高潮动态图| 亚洲精品国产av成人精品| 久久久久久亚洲精品国产蜜桃av| 性色av乱码一区二区三区2| 欧美人与善性xxx| videos熟女内射| 99热全是精品| 亚洲欧美一区二区三区久久| 国产精品一国产av| av在线app专区| 少妇的丰满在线观看| 欧美+亚洲+日韩+国产| netflix在线观看网站| 午夜激情久久久久久久| 天天躁夜夜躁狠狠久久av| 成年人免费黄色播放视频| av在线老鸭窝| 蜜桃国产av成人99| 欧美性长视频在线观看| 国产亚洲欧美精品永久| 中文字幕另类日韩欧美亚洲嫩草| 日本91视频免费播放| 又黄又粗又硬又大视频| 日韩制服骚丝袜av| 人人妻人人爽人人添夜夜欢视频| 午夜视频精品福利| 99久久99久久久精品蜜桃| 国产人伦9x9x在线观看| 国产成人影院久久av| 国产又爽黄色视频| 美女国产高潮福利片在线看| 国产男女内射视频| 色精品久久人妻99蜜桃| 80岁老熟妇乱子伦牲交| 国产欧美日韩一区二区三区在线| 精品高清国产在线一区| 中文精品一卡2卡3卡4更新| 久9热在线精品视频| 久久人妻福利社区极品人妻图片 | 涩涩av久久男人的天堂| 亚洲 欧美一区二区三区| 只有这里有精品99| 91麻豆精品激情在线观看国产 | 五月开心婷婷网| 男女无遮挡免费网站观看| 欧美大码av| 国产一区二区三区av在线| 99re6热这里在线精品视频| 亚洲第一av免费看| 999精品在线视频| 2021少妇久久久久久久久久久| 高清不卡的av网站| 国产日韩一区二区三区精品不卡| 亚洲一卡2卡3卡4卡5卡精品中文| 男女下面插进去视频免费观看| 亚洲国产欧美日韩在线播放| 黄色毛片三级朝国网站| 免费av中文字幕在线| 亚洲七黄色美女视频| 精品亚洲乱码少妇综合久久| 日韩一区二区三区影片| av在线播放精品| 精品国产一区二区久久| 欧美日韩综合久久久久久| 男女午夜视频在线观看| 丝袜脚勾引网站| 久久国产精品人妻蜜桃| 少妇的丰满在线观看| 欧美成狂野欧美在线观看| 亚洲av欧美aⅴ国产| 国产三级黄色录像| 午夜激情av网站| 成人影院久久| 精品国产乱码久久久久久小说| 51午夜福利影视在线观看| av视频免费观看在线观看| 国产欧美日韩一区二区三区在线| 曰老女人黄片| 日本欧美国产在线视频| 免费在线观看日本一区| 欧美黄色淫秽网站| 国产色视频综合| 免费在线观看完整版高清| 久久精品国产a三级三级三级| 亚洲,一卡二卡三卡| 女警被强在线播放| 国产熟女午夜一区二区三区| 黄色一级大片看看| 亚洲图色成人| 欧美+亚洲+日韩+国产| 一级a爱视频在线免费观看| 亚洲国产最新在线播放| 国产人伦9x9x在线观看| 亚洲av成人精品一二三区| 91国产中文字幕| 国产伦人伦偷精品视频| 视频区欧美日本亚洲| 一边摸一边做爽爽视频免费| 咕卡用的链子| av网站在线播放免费| 国产伦人伦偷精品视频| 欧美人与善性xxx| 国产一区有黄有色的免费视频| 一边摸一边做爽爽视频免费| 人妻人人澡人人爽人人| 99久久综合免费| 亚洲精品久久午夜乱码| 国产97色在线日韩免费| 高清黄色对白视频在线免费看| 蜜桃在线观看..| 午夜精品国产一区二区电影| 美女国产高潮福利片在线看| 人人妻人人添人人爽欧美一区卜| 女人精品久久久久毛片| 久久九九热精品免费| 一区在线观看完整版| 黄色一级大片看看| www.自偷自拍.com| 又紧又爽又黄一区二区| 免费一级毛片在线播放高清视频 | 又大又爽又粗| 日韩熟女老妇一区二区性免费视频| 人妻一区二区av| 成人午夜精彩视频在线观看| 国产日韩欧美亚洲二区| 丝瓜视频免费看黄片| 如日韩欧美国产精品一区二区三区| 十八禁人妻一区二区| 亚洲精品一二三| 亚洲国产精品国产精品| 国产高清视频在线播放一区 | 免费av中文字幕在线| 夫妻午夜视频| 久久久久视频综合| 视频区图区小说| 国产精品国产三级专区第一集| 久久99精品国语久久久| 亚洲av国产av综合av卡| 中文字幕人妻丝袜制服| 精品免费久久久久久久清纯 | 免费看不卡的av| 91字幕亚洲| 伊人久久大香线蕉亚洲五| 2021少妇久久久久久久久久久| 国产日韩一区二区三区精品不卡| 熟女少妇亚洲综合色aaa.| 国产成人免费观看mmmm| 国产麻豆69| 国产麻豆69| 久久久久久亚洲精品国产蜜桃av| 日韩大片免费观看网站| 国产男人的电影天堂91| 国产精品亚洲av一区麻豆| 免费高清在线观看视频在线观看| 亚洲久久久国产精品| 国产淫语在线视频| 男人舔女人的私密视频| 建设人人有责人人尽责人人享有的| 久久久久网色| 免费日韩欧美在线观看| www日本在线高清视频| 美国免费a级毛片| 婷婷色综合www| 伦理电影免费视频| 亚洲欧美成人综合另类久久久| 国产精品偷伦视频观看了| 高清黄色对白视频在线免费看| 纵有疾风起免费观看全集完整版| 免费在线观看完整版高清| 国产主播在线观看一区二区 | 这个男人来自地球电影免费观看| 最近最新中文字幕大全免费视频 | 啦啦啦在线免费观看视频4| √禁漫天堂资源中文www| 色综合欧美亚洲国产小说| 精品免费久久久久久久清纯 | 日韩电影二区| 精品亚洲成国产av| 欧美亚洲日本最大视频资源| av不卡在线播放| 我的亚洲天堂| 亚洲色图综合在线观看| 国产日韩一区二区三区精品不卡| 婷婷丁香在线五月| √禁漫天堂资源中文www| 成人影院久久| 欧美久久黑人一区二区| 高潮久久久久久久久久久不卡| 中文字幕人妻熟女乱码| 两性夫妻黄色片| 国产欧美日韩精品亚洲av| 91麻豆精品激情在线观看国产 | 中文字幕色久视频| 亚洲综合色网址| 欧美中文综合在线视频| 亚洲av电影在线观看一区二区三区| 天堂8中文在线网| 久久青草综合色| 国产精品亚洲av一区麻豆| 亚洲精品国产一区二区精华液| 女人精品久久久久毛片| av又黄又爽大尺度在线免费看| 日韩av免费高清视频| 男女边吃奶边做爰视频| 国产视频首页在线观看| 女人爽到高潮嗷嗷叫在线视频| 黄色毛片三级朝国网站| 国产av国产精品国产| 国产成人a∨麻豆精品| av国产久精品久网站免费入址| 天天躁日日躁夜夜躁夜夜| 国产精品一二三区在线看| 亚洲一码二码三码区别大吗| 精品国产一区二区三区久久久樱花| 午夜福利在线免费观看网站| 国产又色又爽无遮挡免| 亚洲av美国av| 国产xxxxx性猛交| 一区二区日韩欧美中文字幕| 国产精品久久久人人做人人爽| 久久国产精品男人的天堂亚洲| 天天影视国产精品| 精品国产一区二区三区四区第35| 国产真人三级小视频在线观看| 自线自在国产av| 在线精品无人区一区二区三| 国产日韩欧美在线精品| 19禁男女啪啪无遮挡网站| 亚洲精品美女久久久久99蜜臀 | 美女主播在线视频| 1024视频免费在线观看| bbb黄色大片| 观看av在线不卡| www.熟女人妻精品国产| 久久九九热精品免费| 日韩一卡2卡3卡4卡2021年| 黄色片一级片一级黄色片| 精品一区二区三区四区五区乱码 | 中文字幕最新亚洲高清| 制服人妻中文乱码| 久久国产亚洲av麻豆专区| 秋霞在线观看毛片| 精品国产超薄肉色丝袜足j| a 毛片基地| 黑人欧美特级aaaaaa片| 电影成人av| 尾随美女入室| 精品国产一区二区三区久久久樱花| 久久精品成人免费网站| 精品国产乱码久久久久久小说| 欧美日韩亚洲国产一区二区在线观看 | 欧美日韩国产mv在线观看视频| 男女高潮啪啪啪动态图| 大陆偷拍与自拍| 一级毛片黄色毛片免费观看视频| 日韩av在线免费看完整版不卡| 亚洲人成电影免费在线| 91麻豆av在线| 亚洲中文日韩欧美视频| 久久久久久久国产电影| 国产在线观看jvid| 亚洲少妇的诱惑av| 欧美精品高潮呻吟av久久| 精品亚洲乱码少妇综合久久| 男女无遮挡免费网站观看| 亚洲精品美女久久久久99蜜臀 | 美女主播在线视频| 亚洲国产av影院在线观看| 久久久国产一区二区| 国产激情久久老熟女| 色综合欧美亚洲国产小说| 亚洲av电影在线观看一区二区三区| 啦啦啦中文免费视频观看日本| 无限看片的www在线观看| 色播在线永久视频| 一级a爱视频在线免费观看| 一边摸一边做爽爽视频免费| 久久精品国产a三级三级三级| 丁香六月天网| 美女中出高潮动态图| 捣出白浆h1v1| 99国产综合亚洲精品| 只有这里有精品99| 欧美成狂野欧美在线观看| 亚洲人成电影免费在线| 男女高潮啪啪啪动态图| 夜夜骑夜夜射夜夜干| 亚洲精品国产区一区二| 国产主播在线观看一区二区 | 自拍欧美九色日韩亚洲蝌蚪91| 亚洲国产av新网站| 黑人猛操日本美女一级片| 日日爽夜夜爽网站| 午夜日韩欧美国产| 中文字幕av电影在线播放| 色播在线永久视频| 婷婷色av中文字幕| 美女中出高潮动态图| 国产高清不卡午夜福利| 国产精品国产三级专区第一集| 国产国语露脸激情在线看| 色播在线永久视频| 亚洲国产成人一精品久久久| 亚洲av成人不卡在线观看播放网 | 久久久久久久国产电影| 一区二区三区乱码不卡18| 美女国产高潮福利片在线看| 老司机靠b影院| 女人高潮潮喷娇喘18禁视频| 天天操日日干夜夜撸| 日韩大片免费观看网站| 操出白浆在线播放| 视频区图区小说| 一边亲一边摸免费视频| 亚洲免费av在线视频| av在线播放精品| 亚洲欧美一区二区三区国产| 人人妻,人人澡人人爽秒播 | 亚洲国产精品999| 亚洲精品自拍成人| 日韩av免费高清视频| 侵犯人妻中文字幕一二三四区| av在线app专区| 丝袜喷水一区| 熟女av电影| 日韩大码丰满熟妇| 欧美人与性动交α欧美精品济南到| 国产视频首页在线观看| 一本大道久久a久久精品| 蜜桃国产av成人99| videos熟女内射| 亚洲精品久久成人aⅴ小说| 看十八女毛片水多多多| 欧美亚洲 丝袜 人妻 在线| 国产97色在线日韩免费| 国产精品 欧美亚洲| 男人爽女人下面视频在线观看| 男人添女人高潮全过程视频| 少妇精品久久久久久久| 久久鲁丝午夜福利片| 久久精品成人免费网站| 一级片'在线观看视频| 久久久久精品国产欧美久久久 | h视频一区二区三区| 国产在线免费精品| 高清黄色对白视频在线免费看| 日韩伦理黄色片| 亚洲精品久久午夜乱码| 亚洲精品国产区一区二| av欧美777| 男的添女的下面高潮视频| 一区二区av电影网| 日日摸夜夜添夜夜爱| 丝袜在线中文字幕| 人体艺术视频欧美日本| 日韩av不卡免费在线播放| 欧美少妇被猛烈插入视频| 9191精品国产免费久久| 国产高清视频在线播放一区 | 中文字幕制服av| 国产精品.久久久| 夫妻午夜视频| 性色av一级| 无遮挡黄片免费观看| 亚洲成色77777| 男女边摸边吃奶| 搡老乐熟女国产| 激情视频va一区二区三区| 日本黄色日本黄色录像| 18禁黄网站禁片午夜丰满| 高潮久久久久久久久久久不卡| av不卡在线播放| 午夜免费观看性视频| 波多野结衣一区麻豆| 国产av国产精品国产| 精品亚洲成国产av| 国产成人精品无人区| 丰满迷人的少妇在线观看| 久热爱精品视频在线9| 在线观看免费视频网站a站| av网站免费在线观看视频| 欧美中文综合在线视频| 亚洲国产精品成人久久小说| 十八禁高潮呻吟视频| 黄色一级大片看看| 一区二区av电影网| 在线观看免费高清a一片| av线在线观看网站| 夫妻性生交免费视频一级片| 亚洲国产av新网站| 婷婷色综合www| 亚洲国产看品久久| 美女大奶头黄色视频| 成人影院久久| 免费在线观看影片大全网站 | 永久免费av网站大全| 亚洲av电影在线观看一区二区三区| 三上悠亚av全集在线观看| 亚洲人成77777在线视频| 首页视频小说图片口味搜索 | 国产亚洲精品久久久久5区| 亚洲伊人久久精品综合| 日日摸夜夜添夜夜爱| 婷婷成人精品国产| 久久精品国产亚洲av涩爱| 观看av在线不卡| 夜夜骑夜夜射夜夜干| 成年动漫av网址| 亚洲精品日韩在线中文字幕| 亚洲色图综合在线观看| 亚洲国产毛片av蜜桃av| 交换朋友夫妻互换小说| 我的亚洲天堂| 国产爽快片一区二区三区| 日韩电影二区| 亚洲国产精品一区二区三区在线| 一区在线观看完整版| 久久久久久久久免费视频了| 18禁观看日本| 国产欧美日韩精品亚洲av| 免费不卡黄色视频| 五月天丁香电影| 成人午夜精彩视频在线观看| 久久精品成人免费网站| 欧美久久黑人一区二区| 十八禁高潮呻吟视频| 亚洲av欧美aⅴ国产| 91老司机精品| 午夜精品国产一区二区电影| 国产熟女欧美一区二区| 亚洲综合色网址| 亚洲欧美激情在线| 老汉色av国产亚洲站长工具| 两人在一起打扑克的视频| 老司机影院成人| 久久狼人影院| 亚洲精品自拍成人| 真人做人爱边吃奶动态| 国产在线一区二区三区精| 亚洲av欧美aⅴ国产| 亚洲欧洲精品一区二区精品久久久| 国产视频一区二区在线看| 欧美黑人欧美精品刺激| 别揉我奶头~嗯~啊~动态视频 | 国产一区二区 视频在线| 久久久久久免费高清国产稀缺| 日韩,欧美,国产一区二区三区| 欧美日韩一级在线毛片| 久久 成人 亚洲| 精品亚洲成a人片在线观看| 中文字幕另类日韩欧美亚洲嫩草| 黑人欧美特级aaaaaa片| av在线老鸭窝| 欧美人与性动交α欧美精品济南到| 一边摸一边抽搐一进一出视频| 久久久久精品人妻al黑| 爱豆传媒免费全集在线观看| 高清欧美精品videossex| 免费在线观看完整版高清| 中文字幕色久视频| 悠悠久久av| 母亲3免费完整高清在线观看| 亚洲成人手机| 亚洲视频免费观看视频| 最新在线观看一区二区三区 | av在线老鸭窝| 亚洲人成电影观看| 老司机亚洲免费影院| 看免费成人av毛片| 日本猛色少妇xxxxx猛交久久| 丝袜喷水一区| 国产成人一区二区三区免费视频网站 | 国产成人a∨麻豆精品| 日韩视频在线欧美| 久久精品久久久久久噜噜老黄| 久久国产精品影院| 大话2 男鬼变身卡| 欧美日韩国产mv在线观看视频| 国产成人一区二区在线| 各种免费的搞黄视频| 免费看av在线观看网站| 亚洲av日韩在线播放| 久久国产精品人妻蜜桃| 亚洲精品国产av蜜桃| 视频在线观看一区二区三区| 一本久久精品| 黄色视频不卡| 精品一区在线观看国产| 国产精品麻豆人妻色哟哟久久| 最黄视频免费看| 一级a爱视频在线免费观看| 大话2 男鬼变身卡| 亚洲国产最新在线播放| 精品人妻在线不人妻| 波多野结衣一区麻豆| 老司机亚洲免费影院| 男女床上黄色一级片免费看| 国产片内射在线| 亚洲图色成人| 亚洲精品自拍成人| 91九色精品人成在线观看| 久久毛片免费看一区二区三区| 人人妻人人澡人人看| 少妇 在线观看| 成人亚洲欧美一区二区av| 啦啦啦在线免费观看视频4| 久久久精品免费免费高清| 可以免费在线观看a视频的电影网站| 悠悠久久av| 一区二区三区精品91| 水蜜桃什么品种好| 少妇裸体淫交视频免费看高清 | 日韩大片免费观看网站| 久久精品国产a三级三级三级| 久久性视频一级片| 水蜜桃什么品种好| 午夜福利在线免费观看网站| 久久青草综合色| 国产91精品成人一区二区三区 | videos熟女内射| 亚洲人成电影免费在线| 亚洲三区欧美一区| 天天操日日干夜夜撸| 一区二区三区乱码不卡18| 在线天堂中文资源库| 青春草亚洲视频在线观看| 美女午夜性视频免费| 菩萨蛮人人尽说江南好唐韦庄| 亚洲精品国产区一区二| 黄色一级大片看看| 久久久久视频综合| 精品亚洲乱码少妇综合久久| 满18在线观看网站| 久久综合国产亚洲精品| 国产精品国产av在线观看| 国产亚洲欧美精品永久| 国产在线观看jvid| 七月丁香在线播放| av线在线观看网站| 国产极品粉嫩免费观看在线| 激情视频va一区二区三区| 婷婷色麻豆天堂久久| 精品少妇一区二区三区视频日本电影| 纵有疾风起免费观看全集完整版| 美国免费a级毛片| 丝袜美腿诱惑在线| 一区二区三区乱码不卡18| 黑丝袜美女国产一区| 亚洲精品av麻豆狂野| 精品少妇黑人巨大在线播放| 久久久久精品国产欧美久久久 | 在线观看免费高清a一片| 久久鲁丝午夜福利片| 人人妻人人添人人爽欧美一区卜| a级片在线免费高清观看视频| 激情五月婷婷亚洲| 久久精品aⅴ一区二区三区四区| 美女扒开内裤让男人捅视频| 巨乳人妻的诱惑在线观看| 日韩中文字幕视频在线看片| 国产日韩欧美在线精品| 少妇的丰满在线观看| 国产亚洲av片在线观看秒播厂| 久久久精品国产亚洲av高清涩受| 天天躁夜夜躁狠狠躁躁| 免费观看a级毛片全部| 亚洲av综合色区一区| 两性夫妻黄色片| 欧美日韩黄片免| 国产一区二区三区av在线| 麻豆乱淫一区二区| 大香蕉久久成人网| 亚洲专区国产一区二区| 亚洲av欧美aⅴ国产| 曰老女人黄片| 国产精品久久久久久人妻精品电影 | 亚洲中文字幕日韩| 中文欧美无线码| 另类精品久久| 麻豆国产av国片精品| 久久久久久久大尺度免费视频| 亚洲一卡2卡3卡4卡5卡精品中文| 国产高清视频在线播放一区 | 伊人亚洲综合成人网| 亚洲欧美中文字幕日韩二区| 夫妻性生交免费视频一级片| 美女福利国产在线| 国产成人精品在线电影| 91精品国产国语对白视频| 国产欧美亚洲国产| 久久 成人 亚洲| 亚洲中文av在线| 国产免费视频播放在线视频| 国产精品九九99| 国产成人av激情在线播放| 人人妻人人爽人人添夜夜欢视频| 久久久久久久精品精品| 亚洲国产日韩一区二区| 高清不卡的av网站| 啦啦啦 在线观看视频| 好男人视频免费观看在线| 99精国产麻豆久久婷婷| 99国产精品一区二区三区|