Status of shrimp peeling and pretreatment technology for facilitating peeling
-
摘要:
快速剥壳是虾深加工过程中的关键环节，也是制约虾类加工产业工业化发展的技术难题。文章探讨了虾体壳肉结合特点及虾类剥壳加工现状，并就传统预处理手段及高压处理、酶辅助、超声、微波高新前沿技术在虾壳快速剥离中的研究应用及可行性进行分析论述，展望未来虾类剥壳产业的发展趋势，为解决虾剥壳的瓶颈问题、提升虾机械加工产业的技术水平提供参考。
Abstract:Rapid peeling, a key technology in deep processing of shrimps, is also a harsh problem that has restricted the industrialization of shrimp processing industry. This paper reviews the status of shrimp peeling industry and the characteristics of tight connection in shell-meat, discusses the application and the potential utilization of traditional pre-treatment methods and novel high-tech as HP (High pressure), ultrasound, enzyme treatment and microwave in shrimps peeling. Furthermore, we propose the future trends of shrimp peeling industry, providesing references for solving the bottleneck problem of shrimp shelling and improving the technical level of shrimp processing industry.
-
Keywords:
- Shrimp /
- Peeling /
- Pretreatment /
- Shell-meat combination
-
水质预测是通过对研究区域现有水质资料系统的分析后所作出的水质状况预报[1]，可进一步掌握当地水环境质量的演变趋势，从而为水环境领域决策者提供科学的水质参考信息，以实施正确的管理政策来防治评价水域内水质恶化或对当地的水资源进行规划和管理[2]。但水 (海) 域作为一个动态时变系统，其本身存在基础资料难以获取、内在规律复杂及数据波动等问题[3]，这使得传统的预测方法 (线性回归模型和神经网络模型等[4]) 面临着数据样本不足，拟合效果差等问题，给水质预测的实际应用带来了很大困难。
近年来，诸多学者针对河流、湖泊、水库等内陆水域进行了水质预测方法的研究工作，如岳遥和李天宏[5]将模糊集理论中级别特征值的概念引入马尔可夫模型，利用基于投影距离的方法(M2) 对1992—2004年黄河干流潼关、三门峡两个断面的生化需氧量(BOD5)、氨氮 (NH3-N)、溶解氧(DO)等3项水质指标进行浓度预测，发现除潼关的BOD5误差较大以外，其余水质指标的预测结果均具有较高的精度；张颖和高倩倩[6]利用改进的灰色预测方法与模糊神经网络方法相结合建立了针对太湖流域3个断面监测点的综合水质预测模型，结果表明该方法对水质数据的综合趋势预测应用效果较好；张茜和冯民权[7]以灰色关联分析为基础，利用 BP 神经网络马尔可夫模型对漳泽水库水质进行预测，验证了该方法在水质预测上的可行性，并提出利用灰色系统与神经网络结合，灰色系统和模糊系统的结合等方法，是今后研究水质预测的方向。目前针对海湾水质的预测研究鲜有报道[8]。
灰色模型以微分方程为描述形式，揭示事物发展的连续过程，符合海洋水质状况的渐变规律[9]。因此，本研究基于灰色系统理论中残差修正的GM (1,1) 模型[10]和灰色拓扑预测的方法对2007—2017年春 (5月)、秋(10月) 海州湾海洋牧场人工鱼礁区的DO、化学需氧量 (COD)、BOD5和溶解无机氮 (DIN) 4个监测指标进行水质预测的应用，探讨两种方法在海洋水质预测的可行性并选择模型精度较高的方法预测2018—2022年的水质变化趋势，最终与2018年春秋季实际调查所得水质数据进行对比，以期为海湾的水质预测提供科学的方法，同时为海州湾海洋牧场的水质监测和生态修复工作提供参考。
1. 材料与方法
1.1 研究区域
海州湾位于黄海北部，属于典型的开放型海湾。为了修复海州湾生态环境，养护渔业资源，原农业部渔业局、原江苏省海洋与渔业局和原连云港市海洋与渔业局于2007年在海州湾海域实施了“江苏省海州湾海洋牧场示范区建设”项目[11]。本文在2007—2017年海州湾人工鱼礁区 (119º20'E—119º34'E，34º51'N—34º58' N) 选取了均匀分布的9个站点的水质数据作为海湾水质预测的研究试点 (图1)，海州湾历史调查的水质数据均为表层海水数据且严格按照国标GB 17378.4—2007《海洋调查规范》中的相关方法进行实验获得。
![]()
图 1 海州湾人工鱼礁区站点示意图Figure 1. Schematic diagram of stations in artificial reef area of Haizhou Bay1.2 残差修正的GM (1,1) 模型
1.2.1 GM (1,1) 模型
GM (1,1) 模型是作为灰色预测的核心，是由一个单变量的一阶微分方程构成的灰色模型[12]。GM (1,1) 符号含义为：G代表Grey (灰色)，M代表Model (模型)，两个“1”代表1个变量和1阶方程。方法步骤如下：
设有原始数据
$ {x^{\left( 0 \right)}}$ 为：$$ {x^{\left( 0 \right)}} = \left[ {{x^{\left( 0 \right)}}\left( 1 \right),{x^{\left( 0 \right)}}\left( 2 \right) \ldots \ldots {x^{\left( 0 \right)}}\left( n \right)} \right] $$ (1) 对原始数列
$ {x^{\left( 0 \right)}}$ 进行一次累加生成，得到1−AGO序列$ {x^{\left( 1 \right)}}$ 为：$$ {x^{\left( 1 \right)}} = \left[ {{x^{\left( 1 \right)}}\left( 1 \right),{x^{\left( 1 \right)}}\left( 2 \right) \ldots \ldots {x^{\left( 1 \right)}}\left( n \right)} \right] $$ (2) 其中
$ {x^{\left( 1 \right)}}\left( {{k}} \right) = \displaystyle\sum\limits_{{{i}} = 1}^{{k}} {{{x}}^{\left( 0 \right)}}\left( {{i}} \right){{,i = 1,2 \ldots ,n}}$ 。累加生成的目的在于消除数列的随机性，增加数列的指数律，以适应GM (1,1) 模型的建模要求。根据1−AGO序列x(1)进行邻均值序列生成，得到邻均值序列
$ {z^{\left( 1 \right)}}$ 为：$$ {z^{\left( 1 \right)}} = \left[ {{z^{\left( 1 \right)}}\left( 1 \right),{z^{\left( 1 \right)}}\left( 2 \right) \ldots \ldots {z^{\left( 1 \right)}}\left( n \right)} \right] $$ (3) 其中
$ {{{z}}^{{\rm{(1)}}}}\left( {\rm{k}} \right){\rm{ = }}\dfrac{1}{2}{{[}}{{{x}}^{{{(1)}}}}\left( {{k}} \right){{ + }}{{{x}}^{{{(1)}}}}{{(k - 1)],k = 2,3 \ldots ,n}}$ 那么可建立灰微分方程：
$$ {x^{\left( 0 \right)}}\left( k \right) + a{z^{\left( 1 \right)}} = b $$ (4) 记参数向量
$ \hat a = {\left( {a,b} \right)^T}$ ，则微灰分方程的最小二乘估计数列满足：$$ \hat a = {\left( {{B^T}B} \right)^{ - 1}}{B^T}Y $$ (5) 其中
$$ {{Y = }}\left[ {\begin{array}{*{20}{c}} {{{\rm{x}}^0}\left( 2 \right)}\\ {{{\rm{x}}^0}\left( 3 \right)}\\ \vdots \\ {{{\rm{x}}^0}\left( {\rm{n}} \right)} \end{array}} \right]\;\;\;\;\;\;\;\;\;\;{{B = }}\left[ {\begin{array}{*{20}{c}} { - {{{z}}^{\left( 1 \right)}}\left( 2 \right)}&1\\ { - {{{z}}^{\left( 1 \right)}}\left( 3 \right)}&1\\ \vdots & \vdots \\ { - {{{z}}^{\left( 1 \right)}}\left( {\rm{n}} \right)}&1 \end{array}} \right] $$ (6) 称
$ \dfrac{{d{x^{\left( 1 \right)}}}}{{dt}} + a{x^{\left( 1 \right)}} = b$ 为灰微分方程的白化方程，则白化微分方程的解 (时间响应函数)为：$$ {\hat {x}^{\left( 1 \right)}}\left( {k + 1} \right) = \left( {{x^{\left( 0 \right)}}\left( 1 \right) - \frac{b}{a}} \right){{\rm e}^{ - ak}} + \frac{b}{a},\;\;\;{{k = 1,2 \ldots ,n - 1}} $$ (7) 累减还原得预测公式：
$$ \begin{split} &{\hat x^{\left( 0 \right)}}\left( k \right) = {\hat x^{\left( 0 \right)}}\left( {k + 1} \right) - {\hat x^{\left( 0 \right)}}\left( k \right) = \left( {1 - {{\rm e}^a}} \right)\left( {{x^{\left( 0 \right)}}\left( 1 \right) - \frac{b}{a}} \right){{\rm e}^{ - ak}},\\ & {{k = 1,2,3,4 \ldots ,n - 1}} \end{split} $$ (8) 1.2.2 残差修正
传统GM (1,1) 模型对波动性较大的数据进行预测往往难以取得理想的模拟精度，这时可以对残差序列建立GM (1,1) 模型来进行修正，以提高模型精度[10]。
建立残差数列
$ {\varepsilon ^{\left( 0 \right)}}\left( k \right)$ ：$$ {\varepsilon ^{\left( 0 \right)}}\left( k \right) = {x^{\left( 0 \right)}}\left( k \right) - {\hat x^{\left( 0 \right)}}\left( k \right) $$ (9) 平移变换得到非负序列
$ {\eta ^{\left( 0 \right)}}\left( k \right)$ ：$$ {\eta ^{\left( 0 \right)}}\left( k \right) = {\varepsilon ^{\left( 0 \right)}}\left( k \right) + 2\left| {{\varepsilon _{\rm min}}^{\left( 0 \right)}} \right| $$ (10) 其中
$ \left| {{\varepsilon _{\rm min}}^{\left( 0 \right)}} \right|$ 为残差序列中最小负数的绝对值非负处理的残差序列建立GM (1,1) 模型得到残差预测值
$ {\hat \eta ^{\left( 0 \right)}}$ ，建模方法见1.2.1。残差预测值的还原：
$$ {\hat \varepsilon ^{\left( 0 \right)}}\left( k \right) = {\hat \eta ^{\left( 0 \right)}}\left( k \right) - 2\left| {{\varepsilon _{\rm min}}^{\left( 0 \right)}} \right| $$ (11) 将残差模型叠加到原模型上：
$$ {\hat x_1}^{\left( 0 \right)}\left( k \right) = {\hat x^{\left( 0 \right)}}\left( k \right) + {\hat \varepsilon ^{\left( 0 \right)}}\left( k \right) $$ (12) 1.3 灰色拓扑模型
灰色拓扑预测是灰色系统理论中针对波动序列而提出的一种预测方法，其运用等高线 (阈值) 将图形分割成多个序列，建立GM (1,1) 模型群，来对整个图形的发展趋势进行预测[13]。模型特点能很好地适应波动但不具有明显周期性的海洋水质数据。
1.3.1 等高线的选择
灰色拓扑模型与传统的GM (1,1) 模型相比，增加了等高线将序列图形分割成多个序列的步骤，其实质为将波动序列转化成多个递增有序的等高时刻序列的数据转化过程，以满足GM (1,1) 模型建模数据需具有一定指数律的要求。
在形式上，等高线 (阈值) 一般是等间距的且与横轴平行的直线。等高线选择方法是在满足GM (1,1) 模型至少要4个点的前提下通过经验法得到，即对实际数据的区间以及波动规律等图形先验知识做出分析，以进行选择合适的阈值和等高线个数。
1.3.2 GM (1,1) 模型群
灰色拓扑预测是通过GM (1,1) 模型群来进行波形预测，建模方法参考1.2.1。不同的是，在式(8)中得到的预测 (拟合) 值xi(k)是所对应阈值下一个将要出现的时间，以这些时间为x值，其相对应的阈值为y值才可描绘出预测的波形曲线。
1.4 精度检验
灰色模型的预测结果只有经过精度检验才能判断模型能否用作预测。为了更好地探讨灰色拓扑预测与残差修正的GM (1,1) 模型对海湾水质预测的可行性，本文采用了残差大小检验、后验差检验、关联度检验及实际检验4种精度检验。方法如下：
1.4.1 残差大小检验
$$ \begin{split} &{\rm{K}}{\text{点的模拟相对误差}}{\Delta _k} = \left| {\frac{{\varepsilon \left( k \right)}}{{{x^{\left( k \right)}}}}} \right|,\\ &{\text{平均相对误差}}\bar \Delta = \frac{1}{n}\mathop \sum \limits_{k = 1}^n {\Delta _k} \end{split} $$ (13) 式中残差序列
$ {\varepsilon ^{\left( 0 \right)}}\left( k \right) = {x^{\left( 0 \right)}}\left( k \right) - {\hat x^{\left( 0 \right)}}\left( k \right)$ ，$ {\hat x^{\left( 0 \right)}}\left( k \right)$ 为预测模型模拟序列。一般来说，$ \bar \Delta $ <20%为可以接受的程度，最佳为$ \bar \Delta $ <10%。1.4.2 后验差检验均方差比值C：
$$ {{C}} = \frac{{{s_2}}}{{{s_1}}} = \dfrac{{\sqrt {\dfrac{1}{n}\displaystyle \sum \limits_{k = 1}^n {{\left( {{\rm{}}{\varepsilon ^{\left( 0 \right)}}\left( k \right) - \bar \varepsilon } \right)}^2}} }}{{\sqrt {\dfrac{1}{n}\displaystyle \sum \limits_{k = 1}^n {{\left( {{\rm{}}{x^{\left( 0 \right)}}\left( k \right) - \bar x} \right)}^2}} }} $$ (14) 小误差概率P是残差
$ {\varepsilon \left( k \right)}$ 与残差均值$ {\bar \varepsilon }$ 之差小于定值0.674 5s1的概率，即：$$ {{P}} = {{P}}\left\{ {\left| {\varepsilon \left( k \right) - \bar \varepsilon } \right| < 0.674\;5{s_1}} \right\} $$ (15) 均方差比值C越小，小误差概率P越大，表明模型精度越高。
1.4.3 关联度检验灰色绝对关联度：
$$ \begin{split}&\;\\ &{\varepsilon _{0i}}{\rm{ = }}\frac{{1 + \left| {{s_0}} \right| + \left| {{s_i}} \right|}}{{1 + \left| {{s_0}} \right| + \left| {{s_i}} \right| + \left| {{s_i} - {s_0}} \right|}} \end{split} $$ (16) $$ \left| {{s_0}} \right| = \left| {\mathop \sum \limits_{k = 2}^{n - 1} x_0^0\left( k \right) + \frac{1}{2}x_0^0\left( n \right)} \right|,\left| {{s_i}} \right| = \left| {\mathop \sum \limits_{k = 2}^{n - 1} x_i^0\left( k \right) + \frac{1}{2}x_i^0\left( n \right)} \right| $$ (17) $$ \left| {{s_i} - {s_0}} \right| = \left| {\mathop \sum \limits_{k = 2}^{n - 1} \left( {x_i^0\left( k \right) - x_0^0\left( k \right)} \right) + \frac{1}{2}\left( {x_i^0\left( n \right) - x_0^0\left( n \right)} \right)} \right| $$ (18) 一般要求ε0i>0.7即可。关联度越大，表明模型的预测效果越好。
灰色预测模型精度等级见表1。
本文采用针对参考序列为区间的灰色关联法[14]得到预测模型精度指标与评判标准 (表1)的关联度，以此作为依据综合评定预测模型的精度等级，因而可以让多个精度指标参与到模型的整体精度判断上，且更加直观，便于比较。
表 1 精度检验等级参照表Table 1. Reference table for accuracy atspection level精度等级
Accuracy level平均相对误差α
Average relativeresidual均方差比值C
Post-test difference ratio小误差概率P
Small error probability关联度ε
Correlation degree一级 Level 1 ≤0.01 ≤0.35 ≥0.95 ≥0.9 二级 Level 2 0.01<α ≤ 0.05 0.35<C ≤ 0.5 0.80 ≤P<0.95 0.9<ε0≤0.8 三级 Level 3 0.05<α ≤ 0.10 0.50<C≤ 0.65 0.70 ≤P<0.80 0.8<ε0≤0.7 四级 Level 4 >0.10 >0.65 <0.70 <0.7 注：模型的精度等级三级即为合格，三级以上则可较好用作预测 Note: Level 3 of accuracy of the model is qualified, and Level 3 or higher level can be better used for prediction. 1.4.4 实际检验[15]
实际采样获得的实验值与同一时间点的预测值对比，以了解预测可信度。误差在20%内则说明模型可靠，预测结果可信。
2. 结果
2.1 选取数据
本文运用2007—2017年春 (5月)、秋 (10月) 海州湾人工鱼礁区9个监测站点的DO、COD、BOD5和DIN水质数据，做平均处理以表示海州湾人工鱼礁区整体的水质状况 (表2)。
表 2 2007—2017年海州湾人工鱼礁区各监测站点水质指标的平均浓度值和标准偏差Table 2. Average concentration and standard deviation of water quality indicators at monitoring stations in Haizhou Bay artificial reef area from 2007 to 2017年-月
Year-Month溶解氧
DO化学需氧量
COD生化需氧量
BOD5溶解无机氮
DIN2007-05 8.67±0.2 3.96±0.3 1.22±0.1 0.02±0.004 2007-10 9.94±0.2 4.50±0.5 2.13±0.3 0.12±0.01 2008-05 9.46±0.4 5.28±0.5 2.35±0.5 0.50±0.04 2008-10 10.03±0.2 3.54±0.2 0.85±0.3 0.03±0.006 2009-05 8.37±0.1 0.88±0.1 0.78±0.2 0.07±0.008 2009-10 9.52±0.3 0.67±0.1 0.08±0.01 0.17±0.05 2010-05 9.77±0.3 1.52±0.2 1.36±0.3 0.09±0.02 2010-10 8.53±0.1 0.99±0.1 1.12±0.3 0.10±0.01 2011-05 10.29±0.3 2.96±0.3 3.88±0.6 0.11±0.01 2011-10 7.36±0.4 1.36±0.2 1.23±0.2 0.85±0.05 2012-05 9.21±0.2 0.77±0.2 4.56±0.2 0.25±0.05 2012-10 8.05±0.1 0.43±0.1 2.82±0.4 0.29±0.02 2013-05 8.50±0.1 1.29±0.2 4.06±0.5 0.73±0.06 2013-10 7.56±0.3 2.15±0.1 2.23±0.3 0.20±0.02 2014-05 6.79±0.4 1.84±0.3 1.44±0.2 0.28±0.04 2014-10 6.92±0.1 0.95±0.2 0.91±0.2 0.51±0.04 2015-05 7.83±0.2 1.03±0.3 2.79±0.3 0.30±0.02 2015-10 9.27±0.3 2.44±0.1 4.51±0.5 0.11±0.01 2016-05 9.72±0.2 4.69±0.2 3.63±0.4 0.25±0.02 2016-10 9.81±0.3 1.06±0.1 4.37±0.3 0.65±0.04 2017-05 8.98±0.2 2.71±0.2 2.87±0.1 0.27±0.01 2017-10 8.52±0.1 1.32±0.1 1.77±0.2 0.17±0.01 2.2 残差修正的GM (1,1) 模型
本文通过传统GM (1,1) 模型 [式 (1)—(8)] 对2007—2017年春 (5月)、秋 (10月)海州湾人工鱼礁区DO、COD、BOD5及DIN水质数据的尾端序列 (至少6个，视模型精度而定) 进行尝试建模，时间横轴取近似等距，建模精度见表3。
表 3 传统GM (1,1) 模型的精度检验Table 3. Accuracy test of traditional GM (1,1) model水质指标
Water quality index尾端序列个数
Tail end number精度指标 Accuracy index 精度等级
Accuracy gradeα C P ε 溶解氧 DO 8 8.91% 0.454 1 0.29 0.699 8 三级 化学需氧量 COD 10 48.05% 0.994 5 0.33 0.841 0 四级 生化需氧量 BOD5 6 13.46% 0.546 6 0.80 0.870 5 三级 无机氮 DIN 10 50.15% 0.999 8 0.56 0.682 8 四级 注：精度等级是由灰色关联法评价得到 Note: The accuracy grade is evaluated by the improved grey correlation method. 发现传统GM (1,1) 建模精度均不佳 (表3)，故采用残差修正 [式 (9)— (12)] 以提升模型精度，修正过程的精度变化见表4。
表 4 灰残差GM (1,1) 模型在修正过程中的精度变化Table 4. Precision changes of grey residual GM (1,1) model in process of correction水质指标
Water quality index修正次数
Correction times精度指标 Accuracy index 精度等级
Accuracyα C P ε 溶解氧 DO 一次修正 7.35% 0.628 1 0.50 0.621 3 三级 二次修正 4.00% 0.153 9 1.00 0.687 5 一级 化学需氧量 COD 一次修正 51.11% 0.982 7 0.38 0.741 8 三级 二次修正 54.77% 0.976 7 0.57 0.666 9 三级 生化需氧量 BOD5 一次修正 14.18% 0.517 6 0.75 0.771 0 三级 二次修正 9.14% 0.002 3 1.00 0.994 7 一级 溶解无机氮 DIN 一次修正 53.15% 0.991 0 0.50 0.926 3 三级 二次修正 58.28% 0.974 0 0.57 0.764 3 三级 参考表4中各水质预测模型的精度等级变化可知，传统的GM (1,1) 模型对海洋水质数据的浓度预测并不理想，4个水质指标的精度均在三级 (合格) 和四级 (不合格) 之间。其缘由来自GM (1,1) 模型本身更适用于齐次指数序列，对于波动序列建模误差较大。从二次残差修正的GM (1,1) 模型的拟合结果来看，DO和BOD5的精度得到了很大提升，精度等级均提升至一级 (好)，两者的预测模型达到了可以进行浓度预测的程度。而COD和DIN残差修正前后，预测的整体精度并没有明显提升。由于COD和DIN的数据波动振幅较大，波动频率高，在残差修正过程中总存在1至2个拟合值误差较大，使得修正后的整体模型精度仍然偏低。就本文结果而言，残差修正的GM (1,1) 模型并不能对所有指标的海洋水质数据达到较高的预测精度。
2.3 灰色拓扑预测
根据2007—2017年春(5月)、秋(10月)海州湾人工鱼礁区的DO、COD、BOD5及DIN的浓度变化趋势可知，历年海洋水质的监测数据波动性较大，不具备典型的分布规律，故采用灰色拓扑预测的方法对其建立水质预测模型，并分别选取合适的等高线 (阈值) 将波动的图形分割 (图2)。
![]()
图 2 2007—2017年海州湾鱼礁区溶解氧、化学需氧量、生化需氧量和溶解无机氮平均浓度变化趋势及等高线Figure 2. Trends and contours of DO, COD, BOD5 and DIN concentrations in reef areas of Haizhou Bay from 2007 to 2017结合公式(1)—(8)对图形与等高线构成的等高时刻序列 (交点横坐标序列) 建立GM (1,1) 模型群，并得到GM (1,1) 模型群的精度，结果见表5。
表 5 灰色拓扑预测模型及精度检验Table 5. Grey topological prediction model and accuracy test水质指标
Water quality index阈值
ThresholdGM (1,1) 模型群
GM (1,1) model group精度指标
Accuracy index精度等级
Accuracy levelα C P ε 本处在海水水质标准溶解氧 DO 7.4 x(1)(k+1)=40.10e0.23k−30.12 4.32% 0.312 8 1.0 0.902 0 一级 8.0 x(1)(k+1)=36.93e0.25k−27.15 0.85% 0.236 7 1.0 0.976 9 一级 8.6 x(1)(k+1)=19.76e0.21k−14.84 11.19% 0.248 7 1.0 0.994 6 一级 9.2 x(1)(k+1)=18.48e0.20k−17.03 10.96% 0.221 1 1.0 0.982 7 一级 9.8 x(1)(k+1)=12.92e0.36k−9.70 16.48% 0.316 0 1.0 0.924 5 二级 化学需氧量 COD 0.7 x(1)(k+1)=20.42e0.30k−14.56 12.18% 0.425 4 1.0 0.829 6 一级 1.5 x(1)(k+1)=53.23e013k−48.46 9.23% 0.221 8 1.0 0.976 6 一级 2.3 x(1)(k+1)=27.77e0.34k−23.30 14.83% 0.432 1 1.0 0.819 4 二级 3.1 x(1)(k+1)=14.430.46k−13.34 46.35% 0.558 3 0.67 0.766 2 三级 3.9 x(1)(k+1)=14.43e0.46k−12.82 53.86% 0.586 8 0.67 0.500 1 三级 生化需氧量 BOD5 1.6 x(1)(k+1)=5.29e0.49k−3.42 27.41% 0.410 6 1.0 0.818 8 二级 2.2 x(1)(k+1)=10.96e0.41k−9.32 2.79% 0.153 6 1.0 0.894 2 一级 2.8 x(1)(k+1)=11.26e0.40k−9.85 2.63% 0.067 6 1.0 0.949 7 一级 3.4 x(1)(k+1)=5.53e0.34k−4.35 10.83% 0.151 2 1.0 0.983 0 一级 4.0 x(1)(k+1)=14.66e0.34k−11.83 14.22% 0.419 5 1.0 0.829 6 二级 溶解无机氮 DIN 0.2 x(1)(k+1)=14.18e0.29k−10.18 8.78% 0.240 0 1.0 0.879 3 一级 0.3 x(1)(k+1)=14.27e0.25k−12.24 4.24% 0.115 0 1.0 0.949 1 一级 0.4 x(1)(k+1)=14.65e0.25k−12.40 6.68% 0.183 5 1.0 0.918 8 一级 0.5 x(1)(k+1)=15.05e0.24k−12.57 11.93% 0.264 4 1.0 0.900 9 一级 0.6 x(1)(k+1)=10.90e0.38k−8.19 29.86% 0.570 5 0.67 0.774 2 三级 由灰色拓扑预测模型与模型精度关联分析的结果(表5)可知，除了COD阈值为3.1和3.9及DIN阈值为0.6的GM (1,1) 模型精度等级只有三级 (合格) 外，其余阈值的GM (1,1) 模型综合精度等级均在二级 (较好) 及以上，说明该模型用于水质预测较为可靠，可为海州湾人工鱼礁区的水质浓度变化趋势进行预测。
综上，灰色拓扑预测较残差修正的GM (1,1) 模型更适用针对海洋水质数据的预测并选择该方法对2018—2022年内海州湾人工鱼礁区水质的浓度趋势进行波形预测。
2.4 预测与评价
利用表5中灰色拓扑预测的GM (1,1) 模型群对未来的水质浓度进行预测，得到各阈值2018—2022年内可能出现的未来预测时刻，并进行整数化处理，即落入区间[k−0.5, k+0.5]的预测时刻对应的阈值均为第k年的预测值[16]。在建模过程中会形成不同阈值处于相同年份的预测无效点，这是如阈值选取过密集或者是模型本身存在的模拟误差等多因素造成的，该类失效点可以用一个区间来描述[17]。其中出现频率= 2018—2022年内相应阈值出现时间点的个数/2018—2022年总时间点个数 (表6)。
表 6 不同水质数据的浓度阈值2018—2022年的出现时间序预测Table 6. Prediction of concentration thresholds for different water quality data during 2018−2022水质指标
Water quality index阈值
Threshold预测时间点
Predicted time point出现频率
Occurrence frequency溶解氧 DO 7.4 2019 (春) 0.1 8.0 2020 (春) 0.1 8.6 2019 (春)、2022 (秋) 0.2 9.2 2018 (秋)、2020 (春)、2021 (秋)、2022 (秋) 0.4 9.8 2022 (秋) 0.1 失效点 Failure point 2019 (春)：[7.4,8.6]，2022 (秋)：[9.2,9.8] 化学需氧量 COD 0.7 2018 (春)、2022 (春) 0.2 1.5 2020 (春)、2022 (春) 0.2 2.3 2020 (秋)、2022 (秋) 0.2 3.1 无 0 3.9 无 0 失效点 Failure point 2022 (春)：[0.7,1.5] 生化需氧量 BOD5 1.6 2022 (春) 0.1 2.2 2021 (秋) 0.1 2.8 2020 (春)、2021 (春) 0.2 3.4 2018 (秋)、2022 (春) 0.2 4 2018 (春)、2019 (秋)、2020 (秋)、2022 (秋) 0.4 失效点 Failure point 2022 (春)：[1.6,3.4] 溶解无机氮 DIN 0.2 2019 (秋)、2022 (春) 0.2 0.3 2018 (秋)、2020 (秋) 0.2 0.4 2018 (秋)、2020 (秋) 0.2 0.5 2018 (春)、2020 (春)、2022 (秋) 0.3 0.6 2019 (秋) 0.1 失效点 Failure point 2018 (秋) ：[0.3,0.4]，2019 (秋) ：[0.2,0.6] 注：2021—2022年的预测有效性<2018—2020年的预测有效性，但其仍具一定参考价值 Note: The predictive validity of 2021−2022 is lower than that of 2018–2020, but it still has some reference value. 根据表6做出海州湾海洋牧场人工鱼礁区的水质拓扑预测包络曲线，灰色区域表示预测区间 (图3)。未出现预测值的年份则需再添加阈值通过建模补全。
![]()
图 3 2018—2022年海州湾人工鱼礁区溶解氧、化学需氧量、生化需氧量和溶解无机氮的预测包络曲线Figure 3. Prediction envelope curves of DO, COD, BOD5 and DIN in artificial reef area of Haizhou Bay from 2018 to 2022以灰色拓扑模型的预测结果来评价海州湾人工鱼礁区的水质状况和人工鱼礁的环境修复效果 (表6和图3)，DO的9.2阈值浓度2018—2022年的出现频率为0.4，其余4个阈值浓度出现频率均在0.2以下。图形趋势有小幅波动，整体呈上升趋势，但海水DO浓度存在上限，因此在2018—2022年内海州湾人工鱼礁区水质趋势维持在相当高的DO浓度可能性较大。总体平均质量浓度为8.615 mg·L−1，超过海水水类标准Ⅰ类标准 (6 mg·L−1)。COD在0.7~2.3 mg·L−1的阈值范围出现频率为0.6、3.1和3.9的阈值浓度在2018—2022年内未出现预测值，图形波动平缓，主要集中在0.7~2.3 mg·L−1。总体平均质量浓度为1.76 mg·L−1，基本处在海水水质标准在Ⅱ类 (3 mg·L−1) 以上，表明海州湾人工鱼礁区内受有机物污染的程度有整体下降的趋势，可能原因在于高水平的DO浓度促进了COD的降解。DO和COD均呈现良好水质状态表明，海洋牧场人工鱼礁区的建设对水环境质量具有一定的修复作用，这与展卫红等[18]的研究结果类似。
BOD5阈值浓度4的出现频率为0.4，且大部分出现在秋季，其余阈值浓度的出现频率则小于0.2。图形波动较大，总体呈上升趋势，表明在2018—2022年海州湾人工鱼礁区海洋水质的BOD5浓度仍然偏高。总体平均质量浓度为3.15 mg·L−1，BOD5的海水水质标准极大可能介于Ⅱ(3 mg·L−1) 类和Ⅲ类 (4 mg·L−1) 之间。DIN的预测结果不确定性较大，0.2~0.5的阈值浓度出现频率接近。图形呈现出一定周期性的波动变化，可能由于其浓度受到陆源排污的影响较大，且DIN作为海洋生物生长繁殖的所必需的营养物质[19]，海洋具有一定的自消耗能力。总体平均质量浓度为0.38 mg·L−1，说明DIN海水水质标准同样介于Ⅱ (0.3 mg·L−1) 类和Ⅲ类 (0.4 mg·L−1) 之间。从预测结果来看，2018—2022年海州湾人工鱼礁区的BOD5和DIN浓度偏高，存在一定超标风险，相关部门需要引起重视，从源头出发采取相应措施。
2.5 实际检验
灰色拓扑预测的结果与2018年 (春秋) 实际水质数据进行对比检验，结果见表7。
表 7 灰色拓扑预测值与2018年春秋实际水质数据对比Table 7. Comparison of predicted values and actual water quality data in spring and autumn of 2018水质指标
Water quality index时间
Time预测值 (区间)
Predictive value (interval)实际数据
Actual data相对误差/%
Occurrence frequency溶氧 DO 春 (5月) [8.6,9.2] 9.399 1 2.16 秋 (10月) 8.3 8.053 0 6.80 化学需氧量 COD 春 (5月) [0.7,2.7] 3.511 7 23.11 秋 (10月) [1.5,2.3] 2.484 2 7.41 生化需氧量 BOD5 春 (5月) 4.0 3.768 9 6.13 秋 (10月) [3.4,3.7] 3.081 9 10.32 溶解无机氮 DIN 春 (5月) 0.5 0.473 6 5.57 秋 (10月) [0.3,0.4] 0.361 9 0 通过对比预测值与2018年春秋季实际水质数据结果，发现除COD预测模型中2018年春季的数据误差较大 (23.11%) 外，其余2018春秋季的水质预测值 (区间) 与实际数据较为吻合，相对误差均在15%以内，进一步验证了预测结果的可信程度。
3. 讨论
水质中长期预测模型的构建具有一定难度。从本文的模型精度看，残差修正的GM (1,1) 模型虽然具有一定提高模型精度的作用，但对于海洋水质数据并不完全适用，这与郭兰兰[9]的研究略有出入，笔者认为其原因在于海洋水质数据相较于河流波动性更大。而灰色拓扑模型则能够更好地对波动的水质数据进行建模并预测，克服了海洋水质数据的随机波动性所导致建模困难的问题。但灰色拓扑模型作为灰色理论中应用相对较少的一种方法，在建模过程中也存在不足之处[20]，例如针对波动序列进行等高线分割没有相应通用的理论指导，大多通过经验法抑或是多次建模验证；与其他图形预测方法[21-22]结合来对灰色拓扑模型优化的研究较少等。因此，针对灰色拓扑预测的改进仍需要更进一步的研究，只有理论完备的模型基础才能趋向实际的应用。
一个完善的评价指标体系必须具备解释功能、评价功能及预测预报功能[23]，但对于海洋环境评价体系中预测预报功能的研究尚少[24-25]。本文运用灰色拓扑模型对海州湾人工鱼礁区的水质数据进行浓度预测，补充了海洋环境评价体系的水质预测能力，可为海州湾海洋牧场的环境评价体系补充更多科学的论证，还可为海州湾以人工鱼礁为主的海洋环境修复建设提供决策参考和借鉴。而就本文的预测与评价结果来看，它是以当下发展态势为前提，得到2018—2022年水质的变化趋势，具有一定的现实参考意义，而不是精确到某个具体值[26]，未来的趋势仍较大程度取决于政府部门相关的用海政策，对数据进行及时的更新才能保证预测结果的有效性。
4. 结论
本文采用残差修正的GM (1,1) 模型和灰色拓扑理论对海州湾的水质指标数据进行建模，发现灰色拓扑预测相较于残差修正的GM (1,1) 模型针对水质数据具有更好的预测精度，且预测结果与2018年春秋实际值较为吻合。对预测结果分析发现，海州湾人工鱼礁区的DO、COD水质指标在未来5年可以保持良好的水质状态，可见人工鱼礁的建设对海洋环境具有一定的修复作用。但BOD5和DIN仍存在一定的超标风险。灰色拓扑预测的改进仍具有较大的研究空间，如等高线选取理论基础，与其他图形预测方法相结合等将是未来的研究方向之一。
-
![]()
图 1 Laitram Machinery A型自动虾剥壳机[11]
Figure 1. A-type automatic sheller from Laitram Machinery
-
[1] 刘书成, 郭明慧, 黄万有, 等. 超高压技术在虾类保鲜与加工中的应用[J]. 食品工业科技, 2015, 36(9): 376-383, 390. [2] MAO X, GUO N, SUN J, et al. Comprehensive utilization of shrimp waste based on biotechnological methods: a review[J]. J Clean Prod, 2017, 143: 814-823. doi: 10.1016/j.jclepro.2016.12.042
[3] DANG T T, GRINGER N, JESSEN F, et al. Enzyme-assisted peeling of cold water shrimps (Pandalus borealis)[J]. Innov Food Sci Emerg, 2018, 47: 127-135. doi: 10.1016/j.ifset.2018.02.006
[4] DANG T T, GRINGER N, JESSEN F, et al. Emerging and potential technologies for facilitating shrimp peeling: a review[J]. Innov Food Sci Emerg, 2018, 45: 228-240. doi: 10.1016/j.ifset.2017.10.017
[5] JABBOUR T, HOGNASON G. Method for shucking lobster, crab or shrimp: US7871314 B2[P]. 2011-02-18.
[6] 李旭光, 周刚, 谷孝鸿. 水生甲壳类蜕皮发生过程及其影响因素的研究与进展[J]. 动物学杂志, 2014, 49(2): 294-302. [7] 卢徐斌, 姜群, 闵悦, 等. 罗氏沼虾蜕皮周期的划分及蜕皮频率对生长的影响[J]. 淡水渔业, 2018, 48(6): 88-93. doi: 10.3969/j.issn.1000-6907.2018.06.014 [8] 朱小明, 李少菁. 甲壳动物幼体蜕皮的调控[J]. 水产学报, 2001, 25(4): 379-384. [9] 周凯敏, 江世贵, 黄建华, 等. 斑节对虾Chitinase-2基因的克隆及其在蜕皮和幼体发育过程中的表达分析[J]. 南方水产科学, 2017, 13(4): 59-68. doi: 10.3969/j.issn.2095-0780.2017.04.008 [10] 赵玉达, 张秀花, 王泽河, 等. 对虾机械式剥壳技术的探讨与研究[J]. 农机化研究, 2014, 36(7): 42-45. doi: 10.3969/j.issn.1003-188X.2014.07.010 [11] LAPEYRE J, LAPEYRE R, PROFUMO F, et al. The Lapeyre automatic shrimp peeling machine, model ‘A’, No. 572, 1979[Z]. Biloxi, Mississippi: American Society of Mechanical Engineers, 2004.
[12] 欧阳杰, 沈建, 郑晓伟, 等. 水产品加工装备研究应用现状与发展趋势[J]. 渔业现代化, 2017, 44(5): 73-78. doi: 10.3969/j.issn.1007-9580.2017.05.014 [13] BETTS E D. Shrimp peelssing machine and method: US4769871[P]. 1988-09-13.
[14] MICHAEL D, JON T K. Shrimp processing machine: US7867067B2[P]. 2011-01-11.
[15] 张秀花, 赵玉达, 王泽河, 等. 对虾剥壳机的设计[J]. 大连海洋大学学报, 2014, 29(2): 198-200. [16] 张泽明, 王泽河, 张秀花, 等. 一种连续式对虾剥壳装置的设计与试验研究[J]. 食品与机械, 2015, 31(3): 115-118. [17] 张秀花, 赵庆龙, 王泽河, 等. 可调五辊式对虾剥壳机剥壳参数优化试验[J]. 农业工程学报, 2016, 32(15): 247-254. doi: 10.11975/j.issn.1002-6819.2016.15.034 [18] 张秀花, 赵庆龙, 赵玉达, 等. 对虾对辊挤压式剥壳工艺参数及预处理条件优化[J]. 农业工程学报, 2014, 30(14): 308-314. doi: 10.3969/j.issn.1002-6819.2014.14.038 [19] 金金, 徐鹏云, 袁兴茂, 等. 对虾剥壳设备的设计与研究[J]. 农机化研究, 2014, 36(9): 134-137. doi: 10.3969/j.issn.1003-188X.2014.09.029 [20] 郑晓伟, 沈建. 南极磷虾捕捞初期适宜挤压脱壳工艺参数[J]. 农业工程学报, 2016, 32(2): 252-257. doi: 10.11975/j.issn.1002-6819.2016.02.036 [21] 郑晓伟, 沈建, 蔡淑君, 等. 南极磷虾等径滚轴挤压剥壳工艺优化[J]. 农业工程学报, 2013, 29(S1): 286-293. [22] 郑晓伟, 张军文, 周春生. 船舶摇摆和工艺参数对南极磷虾挤压脱壳效果的影响[J]. 农业工程学报, 2018, 34(1): 273-278. [23] 张军文, 郑晓伟, 欧阳杰, 等. 南极磷虾脱壳机工艺参数的试验研究[J]. 渔业现代化, 2018, 45(5): 57-62. doi: 10.3969/j.issn.1007-9580.2018.05.010 [24] 谌志新, 王志勇, 欧阳. 我国南极磷虾捕捞与加工装备科技发展研究[J]. 中国工程科学, 2019, 21(6): 48-52. [25] 李高尚, 陈燕婷, 宣仕芬, 等. 不同处理方式对虾蛄脱壳效率及肌肉品质的影响[J]. 核农学报, 2019, 33(8): 1551-1558. doi: 10.11869/j.issn.100-8551.2019.08.1551 [26] 甘晓玲, 和劲松, 朱瑞, 等. 热处理对凡纳滨对虾虾仁加工品质的影响[J]. 食品科学, 2012, 33(19): 29-34. [27] 刘书成, 张良, 吉宏武, 等. 高密度CO2与热处理对凡纳滨对虾肉品质的影响[J]. 水产学报, 2013, 37(10): 1542-1550. [28] 傅新鑫. 南美白对虾热加工特性及其预制产品保鲜的研究[D]. 大连: 大连工业大学, 2017:32-33. [29] XU N, SHI W, WANG X, et al. Effect of ice water pretreatment on the quality of Pacific white shrimps (Litopenaeus vannamei)[J]. Food Sci Nutr, 2019, 7(2): 645-655. doi: 10.1002/fsn3.901
[30] 汪兰, 何建军, 贾喜午, 等. 超高压处理对小龙虾脱壳及虾仁性质影响的研究[J]. 食品工业科技, 2016, 37(14): 138-141, 147. [31] 林婉玲, 杨贤庆, 侯彩玲, 等. 浸渍冻结对凡纳滨对虾冻藏过程中品质的影响[J]. 食品科学, 2014, 35(10): 223-229. doi: 10.7506/spkx1002-6630-201410042 [32] 贾莹, 胡志和, 王秀玲, 等. 超高压对虾蛄脱壳及加工性能的影响[J]. 食品科学, 2015, 36(23): 47-52. doi: 10.7506/spkx1002-6630-201523010 [33] 邹明辉, 李来好, 郝淑贤, 等. 凡纳滨对虾虾仁在冻藏过程中品质变化研究[J]. 南方水产, 2010, 6(4): 37-42. [34] PAN C, CHEN S, HAO S, et al. Effect of low-temperature preservation on quality changes in Pacific white shrimp, Litopenaeus vannamei: a review[J]. J Sci Food Agric, 2019, 99(14): 6121-6128. doi: 10.1002/jsfa.9905
[35] 刘金昉, 刘红英, 王慧青, 等. 低温盐水预处理对南美白对虾剥壳的影响研究[J]. 核农学报, 2014, 28(2): 252-258. doi: 10.11869/j.issn.100-8551.2014.02.0252 [36] 刘金昉, 申亮, 刘红英, 等. 冰盐预处理对南美白对虾剥壳的影响研究[J]. 食品工业科技, 2013, 34(22): 111-115. [37] KUNZ P. Method of chemical peeling of fruits and vegetables with an alknolamine: US3970762 A[P]. 1976-07-20.
[38] HSU K C, HWANG J S, CHI H Y, et al. Effect of different high pressure treatments on shucking, biochemical, physical and sensory characteristics of oysters to elaborate a traditional Taiwanese oyster omelette[J]. J Sci Food Agric, 2010, 90(3): 530-535.
[39] 李学鹏, 周凯, 王祺, 等. 牡蛎超高压脱壳效果的研究[J]. 食品工业科技, 2014, 35(15): 210-214. [40] SHAO Y, XIONG G, LING J, et al. Effect of ultra-high pressure treatment on shucking and meat properties of red swamp crayfish (Procambarus clarkia)[J]. LWT, 2018, 87: 234-240. doi: 10.1016/j.lwt.2017.07.062
[41] YI J J, XU Q, HU X S, et al. Shucking of bay scallop (Argopecten irradians) using high hydrostatic pressure and its effect on microbiological and physical quality of adductor muscle[J]. Inno Food Sci Emerg, 2013, 18: 57-64. doi: 10.1016/j.ifset.2013.02.010
[42] 巩雪, 常江. 超高压技术在贝类脱壳加工中的应用[J]. 食品工业科技, 2016, 37(15): 394-396. [43] 易俊洁, 董鹏, 丁国微, 等. 鲍鱼超高压脱壳工艺的优化及品质研究[J]. 高压物理学报, 2014, 28(2): 239-246. doi: 10.11858/gywlxb.2014.02.017 [44] BINDU J, GINSON J, KAMALAKANTH C K, et al. High pressure treatment of green mussel Perna viridis Linnaeus, 1758: effect on shucking and quality changes in meat during chill storage[J]. Ind J Fish, 2015, 62(2): 72-76.
[45] 李明月, 杜钰, 姚晓玲, 等. 超高压处理对蛋白质功能特性的影响[J]. 食品科技, 2018, 43(1): 50-54. [46] 周一鸣, 刘倩, 周小理, 等. 超高压对食品蛋白质结构性质影响的研究进展[J]. 食品工业, 2018, 39(7): 285-288. [47] 杨徽. 基于超高压技术的虾脱壳工艺与品质检测研究[D]. 杭州: 浙江大学, 2011: 35. [48] 陈少华, 胡志和, 吴子健, 等. 超高压技术对南美白对虾脱壳及加工性能的影响[J]. 食品科学, 2014, 35(22): 11-16. doi: 10.7506/spkx1002-6630-201422003 [49] 易俊洁, 丁国微, 胡小松, 等. 南美白对虾脱壳工艺比较及其对虾仁品质的影响[J]. 农业工程学报, 2012, 28(17): 287-292. doi: 10.3969/j.issn.1002-6819.2012.17.042 [50] 崔燕, 林旭东, 康孟利, 等. 超高压协同冷冻脱壳对南美白对虾品质的影响[J]. 现代食品科技, 2018, 34(10): 171-178. [51] 崔燕, 宣晓婷, 林旭东, 等. 超高压协同冷冻辅助脱壳对南美白对虾肌原纤维蛋白理化性质的影响[J]. 现代食品科技, 2019, 35(2): 38-45. [52] 叶韬, 陈志娜, 吴盈盈, 等. 超高压对鲜活小龙虾脱壳效率、肌原纤维蛋白和蒸煮特性的影响[J]. 食品与发酵工业, 2020, 46(1): 149-156. [53] 刘书成, 邓倩琳, 黄万有, 等. 超高压处理对凡纳滨对虾虾仁蛋白质和微观结构的影响[J]. 水产学报, 2017, 41(6): 877-887. [54] KAUR B P, KAUSHIK N, RAO P S, et al. Chilled storage of high pressure processed black tiger shrimp (Penaeus monodon)[J]. J Aquat Food Prod T, 2015, 24(3): 283-299. doi: 10.1080/10498850.2013.772271
[55] JANTAKOSON T, KIJROONGROJANA K, BENJAKUL S, et al. Effect of high pressure and heat treatments on black tiger shrimp (Penaeus monodon Fabricius) muscle protein[J]. Int Aquat Res, 2012, 4(1): 1-12. doi: 10.1186/2008-6970-4-1
[56] 杨巨鹏, 洪梦蓉, 雷叶斯, 等. 超高压处理对南美白对虾褐变的影响[J]. 食品安全质量检测学报, 2019, 10(3): 676-682. doi: 10.3969/j.issn.2095-0381.2019.03.021 [57] IBARZ A, PAGAN J, GARVIN A, et al. Enzymatic peeling and discoloration of Red Bartlett pears[J]. Int J Food Sci Tech, 2013, 48(3): 636-641. doi: 10.1111/ijfs.12009
[58] PAGAN A, CONDE J, PAGAN J, et al. Lemon peel degradation modeling in the enzymatic peeling process[J]. J Food Process Eng, 2011, 34(2): 383-397. doi: 10.1111/j.1745-4530.2009.00363.x
[59] SANCHEZBEL P, EGEA I, SERRANO M, et al. Obtaining and storage of ready-to-use segments from traditional orange obtained by enzymatic peeling[J]. Food Sci Technol Int, 2012, 18(1): 63-72. doi: 10.1177/1082013211414208
[60] SUUTARINEN M, MUSTRANTA A, AUTIO K, et al. The potential of enzymatic peeling of vegetables[J]. J Sci Food Agric, 2003, 83(15): 1556-1564. doi: 10.1002/jsfa.1579
[61] DANG T T, JESSEN F, MARTENS H J, et al. Proteomic and microscopic approaches in understanding mechanisms of shell-loosening of shrimp (Pandalus borealis) induced by high pressure and protease[J]. Food Chem, 2019, 289: 729-738. doi: 10.1016/j.foodchem.2019.03.059
[62] TAKEI R, HAYASHI M, UMENE S, et al. Texture and microstructure of enzyme-treated chicken breast meat for people with difficulties in mastication[J]. J Texture Stud, 2016, 47(3): 231-238. doi: 10.1111/jtxs.12178
[63] TAKEI R, HAYASHI M, UMENE S, et al. Changes in physical properties of enzyme-treated beef before and after mastication[J]. J Texture Stud, 2015, 46(1): 3-11. doi: 10.1111/jtxs.12103
[64] 吴菲菲, 巢玲, 李化强, 等. 超声技术在食品工业中的应用研究进展[J]. 食品安全质量检测学报, 2017, 8(7): 2670-2677. doi: 10.3969/j.issn.2095-0381.2017.07.045 [65] AWAD T S, MOHARRAM H A, SHALTOUT O E, et al. Applications of ultrasound in analysis, processing and quality control of food: a review[J]. Food Res Int, 2012, 48(2): 410-427. doi: 10.1016/j.foodres.2012.05.004
[66] GAO R P, YE F Y, LU Z Q, et al. A novel two-step ultrasound post-assisted lye peeling regime for tomatoes: reducing pollution while improving product yield and quality[J]. Ultrason Sonochem, 2018, 45: 267-278. doi: 10.1016/j.ultsonch.2018.03.021
[67] ROCK C, YANG W, GOODRICHSCHNEIDER R, et al. Conventional and alternative methods for tomato peeling[J]. Food Eng Rev, 2012, 4(1): 1-15. doi: 10.1007/s12393-011-9047-3
[68] 徐洋, 吕大强, 王舒婷, 等. 超声辅助酶法回收南极磷虾壳中蛋白质的研究[J]. 安徽农业科学, 2016, 44(14): 97-100. doi: 10.3969/j.issn.0517-6611.2016.14.033 [69] 孟秀梅, 李明华. 响应面法优化虾壳蛋白脱除工艺研究[J]. 食品工业, 2017, 38(10): 5-9. [70] 耿军凤, 张丽芬, 陈复生, 等. 超声波辅助酶技术在食品蛋白质中的应用研究[J]. 食品工业, 2019, 40(1): 237-242. [71] JIN J, MA H L, WANG K, et al. Effects of multi-frequency power ultrasound on the enzymolysis and structural characteristics of corn gluten meal[J]. Ultrason Sonochem, 2015, 24: 55-64. doi: 10.1016/j.ultsonch.2014.12.013
[72] DANG T T, GRINGER N, JESSEN F, et al. Facilitating shrimp (Pandalus borealis) peeling by power ultrasound and proteolytic enzyme[J]. Innov Food Sci Emerg, 2018, 47: 525-534. doi: 10.1016/j.ifset.2018.04.019
[73] LI Z X, LI X Y, LIN H, et al. Effect of power ultrasound on the immunoactivity and texture changes of shrimp (Penaeus vannamei)[J]. Czech J Food Sci, 2018, 29(5): 508-514.
[74] 周建伟, 孟倩, 高德, 等. 超声加工技术对牛肉及其制品品质影响的研究进展[J]. 现代食品科技, 2020, 36(1): 296-302. [75] 欧阳杰, 张军文, 谈佳玉, 等. 贝类开壳技术与装备研究现状及发展趋势[J]. 肉类研究, 2018, 32(5): 64-68. [76] AJAVAKOM A, SUPSVETSON S, SOMBOOT A, et al. Products from microwave and ultrasonic wave assisted acid hydrolysis of chitin[J]. Carbohyd Polym, 2012, 90(1): 73-77. doi: 10.1016/j.carbpol.2012.04.064
[77] ALISHAHI A, MIRVAGHEFI A, TEHRANI M R, et al. Enhancement and characterization of chitosan extraction from the wastes of shrimp packaging plants[J]. J Polym Environ, 2011, 19(3): 776-783. doi: 10.1007/s10924-011-0321-5
[78] ZHAO D, HUANG W C, GUO N, et al. Two-step separation of chitin from shrimp shells using citric acid and deep eutectic solvents with the assistance of microwave[J]. Polymers (Basel), 2019, 11(3): 409. doi: 10.3390/polym11030409
[79] 陈雪. 微波技术在食品加工与检测中应用[J]. 食品安全导刊, 2015(3): 75-76. [80] GEORGE D F, BILEK M M, MCKENZIE D R. Non-thermal effects in the microwave induced unfolding of proteins observed by chaperone binding[J]. Bioelectromagnetics, 2008, 29(4): 324-330. doi: 10.1002/bem.20382
[81] BORDAGARAY A, AMIGO J M. Modelling highly co-eluted peaks of analytes with high spectral similarity[J]. Trac-Trend Anal Chem, 2015, 68: 107-118. doi: 10.1016/j.trac.2015.02.010
-
期刊类型引用(4)
1. 江满菊，郭禹，秦传新，辛益，赵心冉，于刚，马振华，杨育凯. 红鳍笛鲷幼鱼对不同开孔形状和尺寸人工鱼礁模型的行为偏好探究. 南方水产科学. 2024(05): 42-52 . 
本站查看
2. 曾钰，肖曲，陶佳，高雯媛，张翔宇. 基于人工神经网络构建湖南省企业重金属废水预测模型研究. 科技资讯. 2024(24): 202-204 . 百度学术
3. 马晓霞. 地下水水环境中的非突发性水质风险预测模型研究. 环境科学与管理. 2022(08): 181-185 . 百度学术
4. 徐文哲，朱丽梅，范海莉，王增远，周翠兰. 基于神经网络算法的造纸生产线废水处理水质预测. 造纸科学与技术. 2022(02): 39-43 . 百度学术
其他类型引用(9)
下载:
计量
- 文章访问数: 4855
- HTML全文浏览量: 2257
- PDF下载量: 116
- 被引次数: 13
粤公网安备 44010502001741号
