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.
-
藻毒素主要由海洋藻类产生,包括多种具有生物活性的化合物。这些化合物经食物链传递至贝类,并进一步威胁人类健康。根据化学结构,藻毒素分为以下类型:氮杂螺环酸毒素类 (Azaspiracids, AZAs)、环亚胺类 (Cyclic imines, CIs)、软骨藻酸类 (Domoic acids, DAs)、大田软海绵酸类 (Okadaic acid, OA)、裸甲藻毒素 (Brevetoxins, BTXs)、蛤毒素 (Pectenotoxins, PTXs)、石房蛤毒素 (Saxitoxins, STXs) 和虾夷扇贝毒素类 (Yessotoxins, YTXs)[1]。其中,除软骨藻酸类和石房蛤毒素外,其余6类均为脂溶性藻毒素。脂溶性藻毒素分布广泛,约占已发现藻毒素的90%,而脂溶特性使其更易在脂肪组织内富集,给人类健康带来更多潜在危害,因此脂溶性藻毒素引起了越来越多的关注。
我国是世界上最重要的贝类增养殖国家,由于贝类增养殖海域与有毒有害赤潮高发区存在高度重叠[2],有毒赤潮频发给我国贝类带来藻毒素沾染风险。由脂溶性藻毒素引起的贝类中毒事件在我国时有发生[3]。例如,2011年宁波和宁德两地发生的因食用污染贝类导致的群体中毒事件,涉及200多人,社会和经济效益损失巨大。因此,分析贝类体内藻毒素污染情况,评估其安全性,可有效预测贝类食用风险,防范藻毒素带来的危害效应。
北部湾是我国重要的牡蛎产区和最大的近江牡蛎 (Crassostrea rivularis) 养殖基地。“中国大蚝之乡”——广西钦州市年产近江牡蛎近60万吨,产值20多亿元,畅销广东、上海、湖南等地。近江牡蛎的安全对消费者健康和广西经济发展有重要意义。以往调查发现该区域贝类存在脂溶性藻毒素污染,并且环亚胺毒素 (GYM) 的含量高于我国其他海域[4]。因此,本文采集不同季节养殖近江牡蛎,应用高效液相色谱-质谱联用 (High-performance liquid chromatography-tandem mass spectrometry, HPLC-MS/MS) 技术[5],分析脂溶性藻毒素沾染情况并进行安全评价,为区域海产品质量评价与食用安全控制提供理论依据。
1. 材料与方法
1.1 试验试剂
所用溶剂均为色谱纯。脂溶性藻毒素标准OA、YTX、Dinophysistoxin (DTX) 1、homo-YTX、AZA1、AZA2、AZA3、spirolide (SPX) 1、GYM和PTX2,均购自加拿大国家研究院海洋生物科学研究所。
1.2 试验设备
超高效液相色谱仪 (Thermo Fisher UltiMate 3000, USA),三重四极杆线性离子阱质谱仪(AB Sciex, Qtrap®-4500, USA),C18反相色谱柱 (Waters, X-bridge C18, 3.5 μm, 3 mm×150 mm, USA),组织匀浆机 (IKA, T10BS25, GER)、固相萃取仪 (奥特赛恩斯仪器有限公司,ASE-12)、Strata™-X 聚合物固相萃取 (Solid phase extraction, SPE) 柱 (60 mg/3 cc, Phenomenex, USA)、针式滤膜 (0.22 µm, ANPEL, SCAA-104)。
1.3 样品采集
近江牡蛎样品于2017年4月 (春季)、7月 (夏季)、10月 (秋季) 和2018年1月 (冬季)采集自广西北部湾养殖场 (108.97°E,21.55°N)。选取养殖场四周及中心区域5根养殖柱,取身长11~13 cm,体质量150~250 g的2龄贝个体 (上市规格),每柱取3只。现场以海水冲洗牡蛎外壳附着物,将样品放入冰盒运回实验室−20 ℃保存。
1.4 样品处理与毒素提取
贝类样品前处理参考陈建华[6]和Liu等[7]的方法。具体操作为:样品解冻后分离贝肉匀浆。称取1 g匀浆组织,加入3 mL甲醇混匀,经2 000 g离心5 min取上清。重复上述操作,将3次上清液合并定容至10 mL备用。
利用SPE固相萃取小柱对上述甲醇粗提液进行净化。先后加入3 mL甲醇和3 mL去离子水交替活化SPE柱3次。然后取4 mL甲醇粗提液加入10 mL去离子水混匀,上SPE柱进行毒素吸附,用3 mL 20%的甲醇清洗柱子以除去杂质。最后取1 mL含0.3%氨水的甲醇溶液将毒素洗脱收集。洗脱液过滤后进行HPLC-MS/MS分析。
另取甲醇粗提液4 mL,加入2 mL NaOH (2.5) 溶液,混匀后75 ℃水浴40 min,冷却至室温后加入2 mL HCl (2.5 mol·L−1) 中和。水解后样品经净化、过滤进行HPLC-MS/MS分析。
1.5 毒素分析
多种脂溶性藻毒素同步分析方法参照Liu等[7],根据质谱检测结果进行定性。
1.6 安全风险评价
将藻毒素标准配置成混合标准溶液,通过外标法得到毒素浓度与质谱信号响应值之间的关系,计算阳性样品藻毒素含量。
采用风险熵值法 (Risk quotient, RQ)[8]和点评估法[9]进行安全风险评估。因环亚胺类GYM和SPX1安全阈值未设定,且没有明确证据表明该类毒素对人具有口服毒性[10-11]。因此,安全风险评价不包括这两种毒素。
风险熵值法:
$${\small{\rm{RQ}}} = \frac{{\small{\text{总毒素含量}}\;({\text{μ}}{\rm{ g}}\cdot{\rm{k}}{{\rm{g}}^{ - 1}})}}{{\small{\text{标准含量}}\;({\text{μ}}{\rm{ g}}\cdot{\rm{k}}{{\rm{g}}^{ - 1}})}}$$ (1) 计算样品RQ值,若RQ<1,说明食用该样品不存在藻毒素中毒风险;若RQ≥1,说明存在风险,食用后可能引发安全问题。
点评估法:
$$ \begin{array}{c} {\small{\text{毒素摄入量}}}\;\left( {\small{\rm{Daily}}\;{\rm{toxin}}\;{\rm{intake}},\; {\rm{DTI}}} \right) =\\ \dfrac{{\small{\text{毒素含量}}\;({\small{\text{μ}}}{\small{\rm{ g}}}\cdot{\small{\rm{k}}}{\small{{\rm{g}}}^{ - 1}}) \times {\small{\text{食用量}}}\;\left( {\small{{\rm{g}}}\cdot{{\small{\rm{d}}}^{ - 1}}} \right)}}{{\small{\text{体质量}}\;({\small{\rm{kg}}}) \times \small{1\;000}}} \end{array}$$ (2) 将每人每天单位体质量毒素摄入量DTI与急性毒性参考剂量 (Acute reference doses, ARfD)比较,计算暴露风险指数 (Expose risk index, ERI):
${\rm{ERI}} = \displaystyle \sum \nolimits \left({{\rm{DTI}}/{\rm{ARFD}}} \right)$ ,若0≥ERI < 0.1, 表明食用非常安全;若0.1≥ERI<1, 表明存在安全隐患;若ERI≥1,表明食用风险超过限度,需要启动风险管理程序。2. 结果与分析
2.1 近江牡蛎中脂溶性藻毒素污染状况分析
从20世纪90年代起,我国已有贝类沾染脂溶性藻毒素的报道。随着LC-MS/MS技术的应用和普及,我国贝类样品中脂溶性藻毒素的检出率逐渐增加,且不断发现新的种类[12-13]。研究表明,脂溶性藻毒素在我国分布广泛,从渤海到南海各海域均有检出;渤海和南海贝类藻毒素超标率普遍高于黄海和东海,达70%以上[14-15]。
对春、夏、秋、冬四季牡蛎样品进行脂溶性藻毒素分析,结果见表1。OA、DTX1、YTX、AZA1和AZA3等毒素成分均未检出,说明样品未沾染这些类型的毒素或者其含量低于检测限。而homo-YTX、AZA2、SPX1、GYM和PTX2均有检出,且呈一定的季节差异。图1为典型阳性样品毒素质谱图。
表 1 近江牡蛎样品体内脂溶性藻毒素组成与质量分数Table 1. Composition and contents of lipophilic phycotoxins in C. rivularis collected from Beihai of Guangxiμg·kg−1 采样时间
Sampling time毒素种类 Toxin profile 大田软海绵酸
OA鳍藻毒素
DTX1虾夷扇贝毒素
YTX虾夷扇贝毒素
homo-YTX氮杂螺环酸毒素
AZA12017.04 ND ND ND 1.40±0.31 ND 2017.07 ND ND ND 0.41±0.25 ND 2017.10 ND ND ND 1.17±0.17 ND 2018.01 ND ND ND 0.54±0.12 ND 采样时间
Sampling time毒素种类 Toxin profile 氮杂螺环酸毒素
AZA2氮杂螺环酸毒素
AZA3螺环内脂毒素
SPX1环亚胺毒素
GYM蛤毒素
PTX22017.04 0.09±0.02 ND 0.52±0.18 6.36±1.55 ND 2017.07 ND ND 0.54±0.19 7.22±1.84 0.06±0.03 2017.10 0.12±0.12 ND 0.60±0.18 10.13±3.25 0.03±0.03 2018.01 ND ND 0.26±0.02 13.15±2.54 0.43±0.04 注:ND. 未检出 Note: ND. Undetected 2.1.1 环亚胺类毒素
我国GYM和SPXs首次在广东附近海域的长牡蛎 (C. gigas) 中检出,南海污染程度高于北方[16-18]。本次调查中,牡蛎样品沾染的脂溶性藻毒素以环亚胺类为主,GYM含量最高 (表1),且呈现秋冬高、春夏低的特点。冬季牡蛎样品中GYM质量分数达 (13.15±2.54) μg·kg−1,是春季样品的2倍[(6.36±1.55) μg·kg−1]。与GYM季节分布特征不同,SPX1质量分数在冬季样品中最低[(0.26±0.02) μg·kg−1],秋季最高 [(0.60±0.18) μg·kg−1]。这些毒素含量变化很可能与相关产毒藻种的季节性变动有关。以往研究表明,GYM在我国南海贝类中具有较高的检出率和含量[19],与本次调查结果一致。
2.1.2 聚醚类毒素
OA和DTXs是一类聚醚或大环内酯化合物,由鳍藻属 (Dinophysis sp.) 和原甲藻属 (Prorocentrum sp.) 的藻类产生,是导致腹泻的脂溶性毒素类型[20],具有分布范围广、发病率高等特点。PTXs是鳍藻属产生的是一类大环聚醚化合物,其中以PTX2在海洋环境中最为常见。研究表明,OA、DTX1和PTX2一般共存于海水、浮游植物和贝类样品[19, 21-22]。
贝类体内部分OA和DTX1与游离脂肪酸结合,以酯化形式存在。这部分结合态毒素无法直接检测,一定程度上低估了藻毒素的含量。碱水解使结合态毒素酯键断裂,释放出游离态[23]。本研究中,水解前后均未检测到OA和DTX1,说明该区域牡蛎受此类毒素污染较小。这一结果可能与牡蛎不易累积这些毒素有关[24]。而PTX2在夏、秋、冬三季均有检出,且冬季样品中质量分数最高[(0.43±0.04) μg·kg−1] (表1),可能是由于PTX2比OA和DTX1更易保留在牡蛎组织中。
AZAs属于聚醚类毒素,其结构中具有独特的螺旋环、环胺或其他氮杂基团[25],由环胺藻Azadinium和Amphidoma两个属产生。本研究分析了样品中AZA1、AZA2、AZA3 3种同系物,结果只检测到少量的AZA2,AZA1和AZA3均未检测到。AZA2出现在春、秋两季,质量分数分别为 (0.09±0.02) μg·kg−1和 (0.12±0.02) μg·kg−1 (表1)。Az. poporum被认为是中国沿海AZAs的首要贡献者[26-27],而AZA2是Az. poporum中AZAs最主要的形式。因此,AZA2可能是我国近海海域存在的AZAs的主要形式。
YTXs是含有2个磺酰基的多环聚醚类化合物,其衍生物多达90多种,主要来源于网状原角藻 (Protoceratium reticulatum)、多边舌甲藻 (Lingulodinium polyedrum) 和具刺膝沟藻 (Gonyaulax spinifera),最早在虾夷扇贝中发现[28-29]。2008年,国内首次报道YTXs主要存在于黄渤海区域(特别是北部海区)的贝类样品中,组成基本以YTX为主;而在南海贝类中检出率较低,且主要为衍生物homo-YTX[4,30-31]。本次调查中homo-YTX质量分数为0.41~1.40 μg·kg−1,春、秋季明显高于冬、夏季 (表1)。该结果应该与北部湾海域普遍存在以产homo-YTX为主的有毒藻种有关[14]。
2.2 广西北部湾海域近江牡蛎食用安全性分析
2.2.1 风险熵值法
YTXs、AZAs和PTXs等3类毒素毒性效应各不相同,分别计算RQ值。总毒性根据毒性等效因子 (Toxicity equivalency factors, TEF) (表2) 计算,限量标准参照欧洲食品安全局 (European Food Safety Authority, EFSA) 的规定 (表3)。3类毒素的RQ值均小于1,采样区牡蛎不存在食用安全风险 (图2-a)。
表 2 毒性等效因子换算表 (EFSA 2009)[32]Table 2. Toxicity equivalent factors (TEFs) recommended by EFSA 2009毒素种类
Toxin profile毒性等效因子
TEF大田软海绵酸 OA 1 鳍藻毒素 DTX-1 1 蛤毒素 PTX-2 1 氮杂螺环酸毒素 AZA-1 1 氮杂螺环酸毒素 AZA-2 1.8 氮杂螺环酸毒素 AZA-3 1.4 虾夷扇贝毒素 YTX 1 虾夷扇贝毒素 Homo-YTX 1 表 3 脂溶性贝类毒素限定标准[32]Table 3. Limitations for lipophilic phycotoxins in shellfishμg eq·kg−1 毒素种类
Toxin profile限定标准
Limit急性毒性参考剂量
ARfD大田软海绵酸及类似物
OA and analogues45 0.3 氮杂螺环酸毒素 AZA 30 0.2 蛤毒素 PTX 120 0.8 虾夷扇贝毒素 YTX 1 000 25 石房蛤毒素 STX 800 0.5 2.2.2 点评估法
根据公式2及不同毒素ARfD值 (表3) 计算ERI,设定食用量400 g,成人体质量60 kg[32],结果见图2-b。此次调查中,所有受检样品ERI均小于0.1,说明食用该区域近江牡蛎非常安全。
3. 结论
本文通过HPLC-MS/MS方法,分析不同季节近江牡蛎样品的脂溶性藻毒素,并采用风险熵值法和点评估法进行安全风险评价。结果显示,此次调查牡蛎样品中检测到homo-YTX、AZA2、SPX1、GYM和PTX2 5种脂溶性藻毒素成分,但含量远低于相关限量标准,安全风险评价表明不存在食用安全风险。然而,考虑我国沿海贝类脂溶性藻毒素的沾染情况,应该在更广空间范围内进行持续监测,以保障贝类养殖的持续发展和消费者健康。
致谢:中国科学院海洋研究所有害藻华与海洋生态安全课题组于仁成研究员对本研究的支持与帮助,谨此致谢!
-
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. 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 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 -
[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
-
期刊类型引用(3)
1. 万树杰,陈新军. 基于机器学习的西南印度洋深海散射层声学资源密度预测. 上海海洋大学学报. 2024(06): 1357-1368 . 百度学术
2. 赵旺,陈旭,陈明强,黄星美,邓正华,温为庚,王江勇. 鸢乌贼为蛋白源的方斑东风螺人工配合饲料养殖研究. 广东农业科学. 2023(04): 115-122 . 百度学术
3. 田振中,樊丽花,董海隆. 融合随机森林与多变量灰色的道路交通事故预测模型研究. 警察技术. 2023(05): 78-81 . 百度学术
其他类型引用(4)