Prediction of abundance of Sthenoteuthis oualaniensis in South China Sea based on optimized grey system model
-
摘要: 鸢乌贼 (Sthenoteuthis oualaniensis) 是南海重要的经济头足类之一，巨大的开发潜力与经济价值使其在我国南海海洋渔业中的地位日益凸显。为深入了解南海鸢乌贼单位捕捞努力量渔获量 (Catch per unit effort, CPUE) 变化情况并作出科学预测，文章选择构建灰色预测模型GM (1,N)，结合海洋环境因子，对2013—2019年春夏季南海鸢乌贼生产数据进行拟合预测，使用Simpson公式和Fourier级数改造原模型背景值并对拟合值残差做修正。结果显示，在鸢乌贼CPUE预测上，普通GM (1,N) 模型的平均相对误差为7.78%，优化灰色GM (1,N) 模型为2.54%；在2019年鸢乌贼CPUE预测上，优化灰色GM (1,N) 模型将相对误差从普通GM (1,N) 模型的4.79%降至1.87%。结果表明，优化的灰色模型较普通多因素GM (1,N) 模型的预测精度更高，为准确预测鸢乌贼资源相对丰度提供了一种新思路。Abstract: Squid (Sthenoteuthis oualaniensis), one of the important economic Cephalopods in the South China Sea, has great development potential and economic value, playing an increasingly significant role in the marine fisheries of the South China Sea. In order to understand the variation of catch per unit effort (CPUE) and make scientific predictions, we constructed a gray prediction model GM (1,N) and combined it with marine environmental factors, then fitted and predicted the production data of the South China Sea squid from spring to summer of 2013−2019. Besides, we modified the background value of the original model by Simpson formula and Fourier series, and corrected the residual error of the simulated value. The results show that the average relative errors of the traditional GM (1,N) model and the optimized grey GM (1,N) model were 7.78% and 2.54%, respectively. For the prediction of squid CPUE in 2019, the optimized grey GM (1,N) model reduced the relative error from 4.79% of the traditional GM (1,N) model to 1.87%. It is showed that the optimized grey system model has a higher prediction accuracy than the traditional GM (1,N) model, which provides a new idea on how to predict the relative abundance of squid resources accurately.
-
鱼类在水体中的生命活动会受到不同环境的影响，水中的溶解氧浓度变化对鱼类有至关重要的影响。水中溶解氧质量浓度在4.0 mg·L−1以上时，鱼类可以正常生长发育；低于1.0 mg·L−1时，大部分鱼类会出现浮头现象[1]。水中溶解氧浓度降低，不仅使鱼类呼吸和摄氧能力下降[2]，还会影响鱼类细胞的存活和信号传递[3]，并直接影响其产卵、交配、生长、发育等一系列生命活动[4]，严重时还会出现死亡，破坏种群内部的动态平衡。
斑马鱼 (Danio rerio) 具有易繁殖、发育快等优点[5]，一直作为模式生物用于生物医学研究[6-7]。作为模式生物，斑马鱼的应激调节功能、心血管系统功能等与人类高度相似[8-9]。鳃是鱼类重要的黏膜免疫器官和呼吸器官，在鱼类低氧适应研究中常作为主要的研究对象，如低氧胁迫下鳃组织中热休克蛋白的研究[10]，草鱼 (Ctenopharyngodon idellus) 在低氧胁迫下鳃的差异蛋白质组学及热休克诱导[11]，低氧胁迫对卵形鲳鲹 (Trachinotus ovatus) 鱼体鳃器官的影响[12]等。
miRNAs可以通过调控其靶基因的表达水平从而参与细胞的各类进程，并参与许多关键的生理进程与病理过程[13]。已有多项研究表明，miRNAs是植物和动物面临环境胁迫作出响应的关键调节剂，一些miRNAs可以通过调控基因表达，恢复或重建新的表达程序，从而增强细胞对胁迫的耐受性[14]。低氧是生物常常面临的一种胁迫，目前已有一些应对低氧胁迫miRNAs的报道。如缺氧性神经胶质瘤来源的外泌体通过信号转导和转录活化因子3 (STAT3) 和核因子κB (NF-κB) 途径靶向端粒重复结合因子2 (terf2ip)，传递microRNA-1246诱导M2巨噬细胞极化[15]。miR-204可以作用于血管内皮生长因子 (vegf) 的3'-UTR区，是一个内源性的vegf表达调控因子。miR-204通过基因网络调控应答低氧胁迫[16]。miR-126-5p可以作为一种新型的miRNA，在缺氧条件下靶向白细胞介素17 (IL-17A) 来调节大鼠心肌细胞 (H9c2) 的活力和凋亡[17]。
热休克蛋白 (Heat shock proteins, HSPs) 是生物在面对环境中的物理、化学、生物等刺激发生应激反应后大量产生的，常被称为应激蛋白[18]。热休克蛋白是生物体内最古老的分子之一。生物体为抵御环境变化所带来的刺激，会减少其他正常蛋白的合成，同时增加HSP的合成以应对环境的变化，帮助生物体恢复正常[10]。因此本文在对常氧和低氧胁迫下的斑马鱼鳃组织进行小RNA组测序的基础上，进一步筛选可能与低氧胁迫相关的micRNAs，并用其对热休克蛋白基因进行了靶基因预测，以期进一步挖掘斑马鱼的低氧适应机制。
1. 材料与方法
1.1 材料
1.1.1 实验试剂
small RNA分离试剂盒，DEPC水 (生物生工有限公司)，氯仿 (24∶1)，Trizol 试剂，异丙醇，无水乙醇 (吉泰生物公司)。
1.1.2 实验器材
研磨棒、EP管、超净工作台、冰块、移液器、各类枪头、剪刀、镊子、锡纸均购买于上海生物生工有限公司，低氧驯化箱 (长沙华晓电子科技有限公司定制)，离心机，旋涡仪 (德国Eppendorf有限公司)。
1.2 方法
1.2.1 样本低氧处理
将本实验室培养的多代斑马鱼分别置于1.0 mg·L−1的低氧驯化箱中，保持该浓度进行低氧胁迫，同时保留6.7 mg·L−1的溶解氧质量浓度作为常氧对照组。在使用1.0 mg·L−1的溶解氧质量浓度进行低氧胁迫时，发现2周后斑马鱼不再出现浮头的现象，推测经2周低氧胁迫后其逐渐适应了低氧环境。故采用低氧驯化2周后的斑马鱼与常氧下的斑马鱼进行比对。低氧胁迫2周后，取出常氧/低氧条件下的斑马鱼，每个溶解氧质量浓度下取样本15尾 (体长3~4 cm)，解剖取出两组样本的鳃组织，备用。
1.2.2 高通量测序和生信分析
提取RNA样本，按照NucleoZOL试剂盒进行。将所提取的RNA进行电泳检测。检测后将EP管放入−80 ℃冰箱进行保存。将上述常氧和低氧下斑马鱼鳃组织提取后检测合格的RNA[19]，按照small RNA分离试剂盒的方法，分别进行small RNA的分离。将提取的small RNA进行纯化，运用荧光光度计进行定量，上机检测测序得到原始测序结果。为保证数据的质量，对原始数据进行处理。去除低质量的reads (N比例大于10%的reads、有5'接头污染的reads、无3'接头序列和插入片段的reads、3'接头序列以及polyA/T/G/C的reads) 后得到的clean small RNA reads数。其中大多数小RNA的长度为21~23 nt。对于该物种的ncRNA注释，若有该物种小RNA的注释信息，就用该物种ncRNA注释所测的small RNA。若没有该物种的信息，则选择Rfam数据库中rRNA、tRNA、snRNA和 snoRNA来注释测序所得的small RNA。
1.2.3 靶基因预测
本实验室前期通过对低氧、常氧条件下鳃组织的转录组比较分析发现，常氧低氧条件下斑马鱼鳃中一共筛选获得28个显著差异表达的热休克蛋白基因，包括表达量显著下调基因12个，显著上调基因16个[12]。对miRNAs 测序和斑马鱼鳃转录组进行关联分析。针对低氧胁迫和常氧条件下斑马鱼鳃中显著差异表达的miRNAs，对实验室前期筛选获得的28个差异热休克蛋白基因进行靶基因的预测分析。miRNAs的靶基因预测使用TargetScanFish (http://www.targetscan.org/fish_62/)、miRanda (http://www.microrna.org/microrna/home.do) 2个网站同时进行。
2. 结果
2.1 低氧与常氧下斑马鱼鳃的小RNA测序
常氧和低氧斑马鱼鳃样本的小RNA组测序分别产生6 995 009和6 662 504 bp的原始数据。去除低质量的数据后分别得到6 585 748和5 941 304 bp的clean data。
常氧与低氧小RNA序列比对后获得了相应结果，获得饼状图 (图1)。根据饼图比例分析，可以看出，其中常氧的miRNA约占整个small RNA总数量的40%。而低氧的约占20%。提示与常氧相比，低氧胁迫下的miRNA有降低的趋势 (图1)。
![]()
图 1 常氧与低氧中鳃组织miRNA占小RNA的比例Figure 1. Proportion of miRNA in whole small RNAs sequence in normoxic and hypoxic gill tissues2.2 低氧/常氧下鳃组织的差异miRNAs分析
根据测序结果，首先排除tRNA、rRNA等小分子的RNA。利用归一化法对比低氧胁迫斑马鱼与常氧斑马鱼中同一个miRNA的表达差异量。利用火山图呈现差异miRNAs的整体分布情况。结果显示，低氧/常氧条件下的斑马鱼鳃间一共筛选出差异表达的miRNAs共32个 (图2)。使用校正后的显著水平 (P) 和差异倍数 (Fold change) 2个水平进行评估，设置显著差异表达miRNAs的筛选条件为P<0.01和 |log2(fold change)|>1。
![]()
图 2 常氧和低氧鳃组织差异miRNAs火山图Figure 2. miRNAs volcano map of difference between normoxic and hypoxic gill tissues针对32个差异miRNAs，同时使用 |log2FC|≥1，P<0.05，且表达量≥50作为临界值，从低氧和常氧的比较中，一共鉴定获得低氧与常氧条件下显著差异表达的15个miRNAs。其中，13个miRNAs在低氧胁迫斑马鱼鳃中的表达量显著上调、2个miRNAs (miR-455-3p、miR-125b-5p) 的表达量显著下调。图3为显著差异表达miRNAs的聚类。
![]()
图 3 常氧和低氧鳃组织差异miRNAs聚类图Figure 3. miRNAs clustering map of difference between normoxic and hypoxic gill tissues2.3 差异miRNAs靶向热休克蛋白基因的预测结果
针对前期筛选获得的低氧胁迫与常氧条件下显著差异表达的28个热休克蛋白基因 (包括12个表达量显著下调的hsp基因、16个显著上调的hsp基因)[11]进行靶基因预测，结果显示，7个显著差异表达的miRNAs可以靶向9个热休克蛋白基因。图4显示出单个miRNA靶向热休克蛋白基因的数量。
![]()
图 4 差异miRNAs靶基因数量统计分析Figure 4. Statistical analysis of number of differential miRNAs target genes表达量显著下调的miR-455-3p可以靶向2个显著上调的热休克蛋白基因 (表1)。表达量显著上调的miRNAs (dre-miR-194a、dre-miR-155、dre-miR-130c、dre-miR-9、dre-miR-29a、dre-miR-96-5p) 可以靶向7个显著下调的热休克蛋白基因 (表2)。
表 1 斑马鱼低氧与常氧鳃中下调的miRNAs靶基因预测Table 1. Prediction of down-regulated miRNAs target genes in hypoxic and normoxic gills of D. reriomiRNA名称
miRNA name靶基因
Gene binding结合位点
Site目标区域的预测配对
Predicted pairing of target regiondre-miR-455-3p hspa14 935—941 
dnajb6b 1157—1163 
1829—1835 
表 2 斑马鱼低氧与常氧鳃中上调miRNAs靶基因预测Table 2. Prediction of up-regulated miRNAs target genes in hypoxic and normoxic gills of D. reriomiRNA名称
miRNA name靶基因
Gene binding结合位点
Site目标区域的预测配对
Predicted pairing of target regiondre-miR-194a hspa12a 2262—2268 
dnajc5aa 4114—4120 
hspb7 1644—1650 
hsp70.3 245—251 
dnajb2 3834—3840 
dre-miR-155 hspa12a 2771—2777 
hspg2 3611—3617 
hspa13 308—314 
903—910 
dnajb2 1484—1490 
3420—3426 
dre-miR-130c hspa12a 3219—3225 
4709—4715 
dnajb2 920—926 
dre-miR-9 dnajc5aa 2348—2354 
dnajb2 5033—5039 
dre-miR-29a hspg2 2832—2839 
dre-miR-96-5p dnajb2 2290—2296 
5045—5051 
5094—5100 
2.4 差异miRNAs靶向的热休克蛋白基因富集分析
针对差异miRNAs靶向的热休克蛋白基因进行富集分析发现，富集到的生物过程功能前6条通路主要与发育相关，包括dnajb6b和hspg2两个靶基因 (图5)。低氧胁迫的斑马鱼鳃中表达量显著上调的miR-455-3p靶向dnajb6b，而hspg2同时受到2个上调的miRNAs (miR-155和miR-29a) 调控。差异miRNAs靶向的热休克蛋白基因富集的前20条通路主要涉及的基因除了上面提及的2个miRNAs外，还包括miR-194a和miR-130c同时靶向的hspb7。
![]()
图 5 差异miRNAs靶向的热休克蛋白基因GO富集Figure 5. GO enrichment of differential miRNAs-targeted heat shock protein genes3. 讨论
本研究发现了在缺氧反应中差异表达的15个miRNAs，13个miRNAs在低氧胁迫的斑马鱼鳃中表达量上调，2个miRNAs的表达显著下调。也有研究表明，在下调的miRNAs中，miR-125b-5p的靶基因rps3a通过在翻译机制中发挥调节作用以抑制细胞凋亡[20]；而在上调的miRNAs中，mir-192可以通过靶向E盒结合锌指蛋白基因 (Zeb2) 来保护肝脏免受氧化应激诱导的损伤，增强肝脏的低氧耐受性[21-22]。在人类细胞中，miR-29b的上调可以靶向TNF受体相关因子5 (TRAF5) 保护心肌细胞免受缺氧诱导的细胞凋亡[23]。miR-29b在调节细胞凋亡中显示出重要作用[24]。另外，小鼠中miR-216b可以作用于自噬相关蛋白13基因 (Atg13)，且使缺氧条件下细胞的自噬减少，并减少细胞的凋亡[25]。
高海拔人群中的miR-210-3p水平与红细胞计数以及血红蛋白和血细胞比容显示出强正相关性，被认为是人类适应高海拔地区生活的重要miRNA[26]。miR-194过表达可以保护缺氧诱导的人肾皮质近曲小管上皮细胞 (HK-2) 损伤[27]。miR-155被发现在低氧条件下促进内皮细胞的血管生成[28]。人参皂甙 (GS-Rb1) 可以增加mir-29a的表达量，保护缺氧的心肌细胞[29]。大鼠中Hif-1α诱导的miR-9上调在缺氧期间有助于肺动脉平滑肌细胞的表型调节[30]，miR-96-5p已知有抑制细胞凋亡的功能[31]。miR-1可能在转录后水平直接或间接调控HSP90aa1和HSP90b1。过表达miR-1后缺氧复氧的HSP90蛋白及其亚型90aa1和90b1表达水平更低，结合之前的结果提示miR-1可能在心肌缺氧复氧中调控HSP90[32]。在高血压心肌肥厚的早期代偿阶段，心肌miR-378表达的下降使其对内源性HSF1转录后抑制作用减弱，进而对HSF1的代偿性升高发挥了重要的调控作用[33]。可见，miRNAs在低氧条件下在其他器官起着抑制细胞凋亡，增强器官的低氧耐受性，保护细胞免受缺氧带来的损伤等一系列功能。因此，本研究筛选出的低氧和常氧之间差异表达的miRNAs很可能在低氧适应机制中起重要作用。已知生物体在面对环境变化时会通过改变蛋白或者调节mRNAs的翻译以适应环境，本实验室已经发表过低氧胁迫下鳃组织相关热休克差异蛋白基因，验证了一些热休克蛋白基因应对低氧胁迫的作用[11]。因此，本研究利用筛选到的斑马鱼低氧与常氧状态下差异表达的15条miRNAs对28个热休克蛋白基因[11]进行靶基因预测，再结合miRNAs与预测的mRNAs的表达呈负相关这一特性，对预测的靶基因进行分析。
热休克蛋白被认为与正常和异常的胚胎发育密切相关。低氧胁迫下，低表达的miR-455-3p通过同时靶向提高hspa14和dnajb6b的表达，有可能增强了生物体的发育和机体保护，进而增强对低氧的适应。本研究发现，miR-194a同时靶向5个热休克蛋白基因 (hspa12a、dnajc5aa、hspb7、hsp70.3、dnajb2)；而miR-155可以同时靶向4个热休克蛋白基因 (hspa12a、hspg2、hspa13、dnajb2)。本研究还发现，热休克蛋白基因dnajb2同时受到5个miRNAs调控。基因dnajb2是HSP70的伴侣调节剂，主要在神经系统中表达[34]。等距遗传性运动神经病 (dHMN) 是一组罕见的遗传性神经肌肉疾病，其特征是在没有感觉症状的情况下会影响腓骨肌肉的萎缩，dnajb2是23个与dHMN有关的基因之一，主要从dnajb2起始[35]。可以推测，5个miRNAs靶向抑制dnajb2基因的表达，有可能减轻了对低氧环境下生物体神经系统的伤害。
Hspa14可能是肢体发育的相关基因[36]，在成年斑马鱼中进行无偏见的诱变筛选，确定了dnajb6b是心肌病的新型遗传修饰剂[37]。缺乏热休克蛋白基因hspg2可减轻在低氧中引起的动脉高压[38]。另外，在靶向的热休克蛋白基因GO功能富集前20条通路中，均有hspg2的参与。miR-155和miR-29a同时靶向hspg2，很可能通过抑制hspg2的表达来降低低氧胁迫下引起的动脉高压，增强对低氧环境的适应。
综上，本研究结合常氧与低氧下差异表达的miRNAs和热休克蛋白基因的关联分析，为探究鱼类低氧适应机制提供了新的研究思路。
-
![]()
图 1 2013—2019年南海鸢乌贼单位捕捞努力量渔获量变化
Figure 1. CPUE of S. oualaniensis in South China Sea from 2013 to 2019
![]()
图 2 海表面叶绿素质量浓度、海表面温度和海表面风速对单位捕捞努力量渔获量的影响
Figure 2. Effects of sea surface Chl-a concentration, sea surface temperature, sea surface wind speed on CPUE
![]()
图 3 3种模型的拟合结果与单位捕捞努力量渔获量真实值的比较
Figure 3. Comparison between fitting results of three models and real CPUE value
表 1 环境因子序列与单位捕捞努力量渔获量的灰色关联度分析结果
Table 1 Grey relational analysis of environmental factor sequence and CPUE
月份
Month海表面高度
SSH海表面温度
SST海表面盐度
SSS海表面叶绿素a
Sea surface Chl-a海表面风速
SSW2月 Feb. 0.730 9 0.890 0* 0.698 6 0.948 6 0.828 2 3月 Mar. 0.756 3 0.872 0 0.724 0 0.964 5* 0.856 5* 4月 Apr. 0.728 6 0.817 9 0.732 9 0.952 9 0.825 5 5月 May 0.782 2* 0.827 1 0.750 1* 0.938 3 0.831 0 6月 Jun. 0.726 2 0.832 9 0.730 3 0.963 2 0.827 9 均值 Mean 0.744 8 0.848 0 0.727 2 0.953 5 0.833 8 注：*. 该因子对应相关度最高的月份 Note: *. The factor corresponds to the month with the highest correlation. 
下载: 导出CSV
表 2 多因素预测模型得到的单位捕捞努力量渔获量拟合值与真实值的相对误差
Table 2 Relative error between CPUE predictive value and real value obtained by multi-factor prediction model
模型 Model M1 M2 M3 M4 M5 M6 平均相对误差 Mean relative error/% 4.79 7.79 8.81 27.16 7.78 10.46 注：M1. 包含所有因子的GM (1,6) 模型；M2. 不包含SSH的GM (1,5) 模型；M3. 不包含SST的GM (1,5) 模型；M4. 不包含SSS的GM (1,5) 模型；M5. 不包含Chl-a的GM (1,5) 模型；M6. 不包含SSW的GM (1,5) 模型 Note: M1. GM (1,6) model with all factors; M2. GM (1,5) model without SSH; M3. GM (1,5) model without SST; M4. GM (1,5) model without SSS; M5. GM (1,5) model without Chl-a; M6. GM (1,5) model without SSW
下载: 导出CSV
表 3 3种模型的拟合结果与单位捕捞努力量渔获量真实值的相对误差
Table 3 Relative error between predictive values of three models and real CPUE value
年份
Year真实值
Real valueGM (1,6) 预测值
Predictive value基于Simpson优化的
预测值
Prediction value based
on Simpson formula基于Fourier级数
修正值
Prediction value based
on Fourier series2013 1.856 5 1.856 5 1.856 5 1.844 5 2014 2.376 8 1.975 7 2.082 0 2.355 1 2015 2.656 8 2.717 6 2.457 1 2.712 9 2016 1.932 9 1.973 6 1.991 6 1.852 9 2017 1.915 2 2.199 0 2.108 0 1.991 6 2018 2.150 1 1.922 7 1.868 6 2.076 6 平均相对误差 Mean relative error/% − 7.78 7.69 2.54 2019 2.386 8 2.272 5 2.304 2 2.431 4 相对误差 Relative error/% − 4.79 3.46 1.87
下载: 导出CSV
-
[1] 张鹏, 杨吝, 张旭丰, 等. 南海金枪鱼和鸢乌贼资源开发现状及前景[J]. 南方水产, 2010, 6(1): 68-74. [2] EKO S, YE H J, DAI Y, et al. Detailed spatiotemporal impacts of El Niño on phytoplankton biomass in the South China Sea[J]. J Geophys Res Oceans, 2017, 12(2): 123-126.
[3] 招春旭, 邱星宇, 何雄波, 等. 南海春季月相、水深、作业时间与鸢乌贼CPUE的关系[J]. 水产学报, 2019, 43(11): 2372-2382. [4] 耿喆, 朱江峰, 夏萌, 等. 数据缺乏条件下的渔业资源评估方法研究进展[J]. 海洋湖沼通报, 2018(5): 130-137. [5] 邓聚龙. 灰色系统基本方法[M]. 武汉: 华中理工大学出版社, 1987: 20-60. [6] 陈新军. 灰色系统理论在渔业科学中的应用[M]. 北京: 中国农业出版社, 2003: 1-32. [7] 袁德宝, 张振超, 张军, 等. 最优化分数阶算子EGM (1,1) 模型在变形监测预报中的应用[J]. 大地测量与地球动力学, 2020, 40(4): 331-334, 345. [8] 索瑞霞, 王翔宇, 沈剑. 基于动态无偏灰色马尔科夫模型的煤炭需求量预测[J]. 数学的实践与认识, 2019, 49(13): 179-186. [9] 徐华锋, 刘思峰, 方志耕. GM (1,1) 模型灰色作用量的优化[J]. 数学的实践与认识, 2010, 40(2): 26-32. [10] 高媛媛, 魏勇. 灰色模型背景值优化的一种新方法[J]. 统计与决策, 2020, 36(7): 21-26. [11] CUI J, LIU S F, ZENG B, et al. A novel grey forecasting model and its optimization[J]. Appl Math Model, 2013, 37(6): 4399-4406. doi: 10.1016/j.apm.2012.09.052
[12] 孙辰军, 王翠茹, 张江维. 残差灰色预测模型的改进与应用[J]. 统计与决策, 2005(5): 19-20. doi: 10.3969/j.issn.1002-6487.2005.05.010 [13] 高雪, 陈新军, 余为. 基于灰色系统的西北太平洋柔鱼冬春生群资源丰度预测模型[J]. 海洋学报, 2017, 39(6): 55-61. [14] 谢恩阁, 周艳波, 冯菲, 等. 中国南海外海鸢乌贼灯光罩网渔业CPUE标准化研究[J]. 大连海洋大学学报, 2020, 35(3): 439-446. [15] 张立, 李渊, 林龙山, 等. 南海中南部主要经济种类渔业资源声学评估[J]. 海洋渔业, 2016, 38(6): 577-587. doi: 10.3969/j.issn.1004-2490.2016.06.003 [16] 余景, 胡启伟, 李纯厚, 等. 西沙—中沙海域春季鸢乌贼资源与海洋环境的关系[J]. 海洋学报, 2017, 39(6): 62-73. [17] 冯波, 颜云榕, 张宇美, 等. 南海鸢乌贼 (Sthenoteuthis oualaniensis) 资源评估的新方法[J]. 渔业科学进展, 2014, 35(4): 1-6. doi: 10.11758/yykxjz.20140401 [18] 范江涛, 张俊, 冯雪, 等. 南沙海域鸢乌贼渔场与海洋环境因子的关系[J]. 上海海洋大学学报, 2019, 28(3): 419-426. [19] 王言丰, 陈新军, 陈芃, 等. 基于灰色系统西南大西洋阿根廷滑柔鱼资源丰度预测模型的构建[J]. 海洋学报, 2019, 41(4): 64-73. [20] 余胜威. MATLAB优化算法案例分析与应用[M]. 北京: 清华大学出版社, 2004: 46-55. [21] 成枢, 周龙飞, 高秀明. 基于灰色关联GM (1,N)-Markov修正模型的应用[J]. 勘察科学技术, 2019(3): 43-48. doi: 10.3969/j.issn.1001-3946.2019.03.011 [22] 方舟, 陈洋洋, 陈新军, 等. 基于不同环境因子的中西太平洋鲣鱼资源丰度灰色预测模型构建[J]. 海洋学研究, 2018, 36(4): 60-67. doi: 10.3969/j.issn.1001-909X.2018.04.008 [23] 李庆扬, 王能超, 易大义. 数值分析[M]. 北京: 清华大学出版社, 2008: 32-39. [24] 姜汝翰. 基于灰色模型的青岛港集装箱吞吐量预测研究[D]. 大连: 大连海事大学, 2019: 25-29. [25] DENG Z, KE Y, GONG H, et al. Land subsidence prediction in Beijing based on PS-InSAR technique and improved Grey-Markov model[J]. GISci Remote Sens, 2017, 54(6): 797-818. doi: 10.1080/15481603.2017.1331511
[26] 郭雪峰, 黄健元, 王欢. 改进的灰色模型在流动人口预测中的应用[J]. 统计与决策, 2018, 34(8): 76-79. [27] 蒲晓妮, 赵睿, 王江荣. 基于Fourier级数残差修正的灰色Verhulst模型及应用[J]. 自动化与仪器仪表, 2019(8): 98-101. [28] 徐红云, 崔雪森, 周为峰, 等. 基于海洋遥感的南海外海鸢乌贼最适栖息环境分析[J]. 生态学杂志, 2016, 35(11): 3080-3085. [29] 晏磊, 张鹏, 杨炳忠, 等. 南海鸢乌贼产量与表温及水温垂直结构的关系[J]. 中国水产科学, 2016, 23(2): 469-477. [30] 范江涛, 张俊, 冯雪, 等. 基于地统计学的南沙海域鸢乌贼渔场分析[J]. 生态学杂志, 2017, 36(2): 442-446. [31] 常永波. 几种人工神经网络模型在智利竹䇲鱼渔场渔情预报中的比较研究[D]. 上海: 上海海洋大学, 2016: 7-15. [32] SOYKAN C U, EGUCHI T, KOHIN S, et al. Prediction of fishing effort distributions using boosted regression trees[J]. Ecol Appl, 2014, 24(1): 71-83. doi: 10.1890/12-0826.1
[33] HIROSHI S. Application of support vector regression to CPUE analysis for southern bluefin tuna Thunnus maccoyii, and its comparison with conventional methods[J]. Fish Sci, 2014, 80(5): 879-886. doi: 10.1007/s12562-014-0770-6
计量
- 文章访问数: 725
- HTML全文浏览量: 269
- PDF下载量: 47
粤公网安备 44010502001741号
