Characteristics of axial skeleton in Seriola dumerili
-
摘要:
文章采用X光射线法结合生物生态消化法，对高体鰤 (Seriola dumerili) 个体中轴骨骼进行了消化、拍照及描述性统计。研究发现高体鰤中轴骨骼包括头骨和脊柱，头骨分为脑颅和咽颅两部分，脑颅分为筛区、眼区、耳区、枕区4区及围眶骨系，咽颅分为颌弓、舌弓、鳃弓3区及鳃盖骨系；高体鰤躯干支撑结构为脊柱，脊柱由前后连接的椎骨组成，每节椎骨均由形态不同的椎体、髓棘、髓弓组成，部分椎骨分化出椎体横突、肋骨、脉弓和脉棘。结果表明，高体鰤头部主要骨骼约为128块，其中脑颅 (包括围眶骨系) 39块，咽颅 (包括鳃盖骨系) 89块；包括尾杆骨在内，高体鰤脊柱椎骨数目为24，脊柱共有髓棘、髓弓23枚，脉棘14枚、脉弓15枚，椎体横突10对，无背肋，腹肋9对。
Abstract:With X-ray and ecological digestion methods, the axial skeleton of Seriola dumerili were digested, photographed and described statistically. It is showed that the axial skeleton of S. dumerili included skull and spine. The skull was divided into neurocranium and splanchnocranium. The neurocranium was composed of ethmoidal region, orbital region, otic region, occipital region and circumorbital series. The splanchnocranium was divided into mandibular arch, hyoid arch, branchial arch and opercular series. The supporting structure spine was composed of vertebrae connected front and back. All vertebra consisted of centrum, neural spine and neural arch in different shapes. Partial vertebrae differentiated into parapophysis, ribs, haemal arches and haemal spines. The results show that the main bones of skull were about 128, including 39 neurocranium and 89 splanchnocranium. The number of vertebrae of S. dumerili spine was 24, with 23 neural spine, 23 neural arch, 14 haemal spines, 15 haemal arch, 10 pairs of parapophysis and 9 pairs of ventral ribs, but without dorsal rib.
-
Keywords:
- Seriola dumerili /
- Axial skeleton /
- X-ray /
- Ecological digestion
-
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 方斑东风螺对高体鰤个体去肌肉、去内脏的消化处理
Figure 1. Digestive treatment of S. dumerili of muscle and viscera removed by B. areolata
![]()
图 2 高体鰤X射线影像
1. 脊椎骨；2. 上颌骨；3. 下颌骨；4. 脑颅；5. 眼；6. 腹腔；7. 鳔；8. 肋骨；9. 胸鳍；10. 背鳍；11. 腹鳍；12. 臀鳍；13. 尾鳍；14. 尾杆骨
Figure 2. X-ray image of S. dumerili
1. Vartebra; 2. Upper jaws; 3. Lower jaws; 4. Neurocranium; 5. Eye; 6. Abdominal cavity; 7. Bladder; 8. Ribs; 9. Pectoral fin; 10. Dorsal fin; 11. Pelvic fin; 12. Anal fin; 13. Caudal fin; 14. Urostyle
![]()
图 3 经方斑东风螺消化后高体鰤中轴骨骼
1. 颌骨；2. 脑颅；3. 肋骨；4. 髓棘；5. 脉棘；6. 尾杆骨
Figure 3. Axial skeleton of S. dumerili after digestion by B. areolata
1. Maxilla; 2. Neurocranium; 3. Ribs; 4. Neural spine; 5. Haemal spine; 6. Urostyle
![]()
图 4 高体鰤头骨图示
a. 筛区 (1. 犁骨；2. 侧筛骨；3. 前筛骨；4. 鼻骨；5. 中筛骨)；b. 眼区 (1. 额骨；2. 基蝶骨；3. 翼蝶骨；4. 副蝶骨)；c. 耳区 (1. 后耳骨；2. 顶骨；3. 蝶耳骨；4. 上耳骨；5. 翼耳骨；6. 前耳骨)；d. 枕区 (1-a. 基枕骨截面；1-b. 基枕骨侧面；2. 侧枕骨；3. 上枕骨)；e. 围眶骨系 (1. 眶下骨；2. 眶前骨；3. 眶后骨；4. 眶上骨；5. 泪骨)；f. 颌弓 (1. 关节骨；2. 腭骨；3. 前颌骨；4. 后翼骨；5. 上颌骨；6. 辅上颌骨；7. 中翼骨；8. 前翼骨；9. 齿骨；10. 隅骨；11. 方骨)；g. 舌弓和鳃弓 (1. 舌颌骨；2. 角舌骨；3. 上舌骨；4. 基舌骨；5. 续骨；6. 咽头悬着骨)；h. 鳃盖骨系 (1. 间鳃盖骨；2. 下鳃盖骨；3. 前鳃盖骨；4. 鳃盖骨)
Figure 4. Diagram of S. dumerili skull
a. Ethmoidal region (1. Vomer; 2. Ectoethmoid; 3. Preethmoid; 4. Nasal; 5. Mesethmoid); b. Orbital region (1. Frontal; 2. Basisphenoid; 3. Alisphenoid; 4. Parasphenoid); c. Otic region (1. Opisthotica; 2. Parietal; 3. Sphenotic; 4. Epiotic; 5. Pterotic; 6. Prootic); d. Occipital region (1-a. Basioccipitale bone cross section; 1-b. Basioccipitale bone side section; 2. Exoccipital bone; 3. Supraoccipital bone); e. Circumorbital series (1. Infraorbital bone; 2. Preorbital bone; 3. Postorbital bone; 4. Supraorbital bone; 5. Lacrimal bone); f. Mandibular arch (1. Articular; 2. Palatine; 3. Premaxilla; 4. Metapterygoid; 5. Maxilla; 6. Supramaxilla; 7. Metapterygoid; 8. Prepterygoid; 9. Alvenlus; 10. Angulare; 11. Quadrate); g. Hyoid arch and branchial arch (1. Hyomandibular; 2. Ceratohyal; 3. Epihyal; 4. Intrahyoid; 5. Symplecticum; 6. Suspensory branchial); h. Opercular series (1. Interoperculum; 2. Suboperculum; 3. Praeopercular; 4. Operculums)
表 1 高体鰤中轴骨骼
Table 1 Axial skeleton statistics of S. dumeril
部位
Part组成
Composition区位
Region骨骼
Skeleton数量
Number合计
Total头部 Head 脑颅+围眶骨系
Neurocranium and circumorbital series筛区 Ethmoidal region 前筛骨 Preethmoid 1块 7块 犁骨 Vomer 1块 鼻骨 Nasal 1对 中筛骨 Mesethmoid 1块 侧筛骨 Ectoethmoid 1对 眼区 Orbital region 额骨 Frontal 1对 6块 副蝶骨 Parasphenoid 1块 翼蝶骨 Alisphenoid 1对 基蝶骨 Basisphenoid 1块 耳区 Otic region 蝶耳骨 Sphenotic 1对 12块 翼耳骨 Pterotic 1对 前耳骨 Prootic 1对 后耳骨 Opisthotica 1对 顶骨 Parietal 1对 上耳骨 Epiotic 1对 枕区 Occipital region 侧枕骨 Exoccipital bone 1对 4块 基枕骨 Basioccipital bone 1块 上枕骨 Supraoccipital bone 1块 围眶骨系 Circumorbital series 泪骨 Lacrimal bone 1对 10块 (5对) 眶下骨 Infraorbital bone 1对 眶后骨 Postorbital bone 1对 眶上骨 Supraorbital bone 1对 眶前骨 Preorbital bone 1对 咽颅+鳃盖骨系
Splanchnocranium and opercular series颌弓 Mandibular arch 前颌骨 Premaxilla 1对 24块 (12对) 上颌骨 Maxilla 1对 腭骨 Palatine 1对 前翼骨 Prepterygoid 1对 中翼骨 Mesopterygoid 1对 后翼骨 Metapterygoid 1对 方骨 Quadrate 1对 齿骨 Alvenlus 1对 关节骨 Articular 1对 隅骨 Angulare 1对 辅上颌骨 Supramaxilla 1对 麦克尔氏软骨 Meckel's cartilage 1对 舌弓 Hyoid arch 舌颌骨 Hyomandibular 1对 22块 续骨 Symplecticum 1对 基舌骨 Intrahyoid 1块 下舌骨 Hypohyal 2对 角舌骨 Ceratohyal 1对 上舌骨 Epihyal 1对 尾舌骨 Urohyal 1块 间舌骨 Interhyal 1对 鳃条骨 Branchiostegal ray 3对 鳃弓 Branchial arch 基鳃骨 Basibranchial 3块 35块 下鳃骨 Hypobranchial 3对 角鳃骨 Ceratobranchial 4对 上鳃骨 Epibranchial 4对 上咽骨 Epipharyngeal 3对 下咽骨 Hypopharyngeal 1对 咽头悬着骨 Suspensory branchial 1对 鳃盖骨系 Opercular series 前鳃盖骨 Praeopercular 1对 8块 鳃盖骨 Operculums 1对 下鳃盖骨 Suboperculum 1对 间鳃盖骨 Interoperculum 1对 躯干 Body 脊柱 Spine 椎骨 Vartebra 椎体 Vartebrae 24枚 − 髓棘 Vartebra 23枚 髓弓 Neural arch 23枚 脉棘 Haemal spine 14枚 脉弓 Haemal arch 15枚 椎体横突 Haemal spine 10对 肋骨 (腹肋) Ventral rib (abdominal rib) 9对 
下载: 导出CSV
-
[1] Food and Agriculture Organization of the United Nations. Fisheries and aquaculture-cultured aquatic species information programme, Seriola dumerili (Risso, 1810)[EB/OL]. [2019-06-12]. http://www.fao.org/fishery/culturedspecies/Seriola_dumerili/en.
[2] HARRIS P J, WYANSKI D M, WHITE D B, et al. Age, growth, and reproduction of greater amberjack off the southeastern US Atlantic Coast[J]. Trans Am Fish Soc, 2007, 136(6): 1534-1545. doi: 10.1577/T06-113.1
[3] PORRELLO S, ANDALORO F, VIVONA P, et al. Rearing trial of Seriola dumerili in a floating cage[M]//BARNABÉ G, KESTEMONT P. Production, environment and quality. Ghent: EAS Special publication, 1993: 299-307.
[4] JOVER M, GARCIA-GÓMEZ A, TOMÁS A, et al. Growth of Mediterranean yellowtail (Seriola dumerili) fed extruded diets containing different levels of protein and lipid[J]. Aquaculture, 1999, 179(1/2/3/4): 25-33.
[5] PASTOR E, GRAU A, RIERA F, et al. Experiences in the culture or new species in the "Estación de Acuicultura" of the Balearic Government (1980 –1998)[M]//Recent advances in Mediterranean aquaculture finfish species diversification. Zaragoza: CIHEAM, 2000: 371-379.
[6] NAKADA M. Yellowtail and related species culture[M]//STICKNEY R. Encyclopedia of aquaculture. Hoboken: Wiley, 1999: 1007-1036.
[7] GARCÍA A, DÍAZ M V. Culture of Seriola dumerili[M]//Marine aquaculture finfish species diversification. Zaragoza: CIHEAM, 1995: 103-114.
[8] 胡石柳, 纪荣兴. 杜氏鰤人工苗养殖生物学特性及养殖技术研究[J]. 海洋科学, 2003, 27(7): 5-9. doi: 10.3969/j.issn.1000-3096.2003.07.002 [9] 常藕琴, 石存斌, 任燕, 等. 高体鰤类结节病的病理组织学观察[J]. 水产学报, 2013, 37(6): 936-943. [10] BARTOLI1 P, BRAY R A. Four species of Stephanostomum Looss, 1899 (Digenea: Acanthocolpidae) from Seriola dumerili (Risso) (Teleostei: Carangidae) in the western Mediterranean, including S. euzeti n. sp[J]. Syst Parasitol, 2004, 58(1): 41-62. doi: 10.1023/B:SYPA.0000023855.64187.14
[11] JIRAPONGPAIROJ B, KOBAYASHI K, FUKUDA Y, et al. Development of consensus qPCR primers to detect cytokine genes in three amberjack species: Seriola quinqueradiata, S. lalandi and S. dumerili[J]. Fish Sci, 2015, 81(5): 907-914. doi: 10.1007/s12562-015-0913-4
[12] MATSUMOTO M, AMER M T, ARAKI K, et al. Amberjack Seriola dumerili interleukin-10 negatively suppresses host cell-mediated immunity[J]. Fish Sci, 2018, 84(5): 857-867. doi: 10.1007/s12562-018-1223-4
[13] IGUCHI J, TAKASHIMA Y, NAMIKOSHI A, et al. Species identification method for marine products of Seriola and related species[J]. Fish Sci, 2012, 78(1): 197-206. doi: 10.1007/s12562-011-0433-9
[14] HARGROVE J S, MURIE D J, PARKYN D C, et al. Mixing rates in weakly differentiated stocks of greater amberjack (Seriola dumerili) in the Gulf of Mexico[J]. Genetica, 2018, 146(4/5): 393-402.
[15] MATSUNARI H, HASHIMOTO H, IWASAKI T, et al. Effect of feeding rotifers enriched with taurine on the growth and survival of larval amberjack Seriola dumerili[J]. Fish Sci, 2013, 79(5): 815-821. doi: 10.1007/s12562-013-0657-y
[16] LINH N T H, NAGAI S, NAGASAKA N, et al. Effect of Lactococcus lactis K-C2 on the growth performance, amino acid content and gut microfora of amberjack Seriola dumerili[J]. Fish Sci, 2018, 84(6): 1051-1062. doi: 10.1007/s12562-018-1243-0
[17] LIU C H. Early osteological development of the yellow tail Seriola dumerili (Pisces: Carangidae)[J]. Zool Stud, 2001, 40(4): 289-298.
[18] LAGGIS A, SFAKIANAKIS D G, DIVANACH P, et al. Ontogeny of the body skeleton in Seriola dumerili (Risso, 1810)[J]. Ita J Zool, 2010, 77(3): 303-315. doi: 10.1080/11250000903170870
[19] MA Z H, ZHENG P L, GUO H Y, et al. Jaw malformation of hatchery reared golden pompano Trachinotus ovatus (Linnaeus 1758) larvae[J]. Aquacult Res, 2014, 47(4): 1141-1149.
[20] JING H, YAN L, GANG Y, et al. Osteological development of the vertebral column and caudal complex in larval and juvenile blackhead seabream, Acanthopagrus schlegelii (Perciformes, Sparidae) (Bleeker, 1854)[J]. Pak J Zool, 2019, 51(5): 1859-1867.
[21] 陈咏霞, 刘静, 刘龙. 中国鲷科鱼类骨骼系统比较及属种间分类地位探讨[J]. 水产学报, 2014, 38(9): 1360-1374. [22] 张宁, 苏胜彦, 董在杰, 等. 基于microCT扫描技术的鲤骨骼和显微结构分析[J]. 南方水产科学, 2012, 8(6): 44-49. doi: 10.3969/j.issn.2095-0780.2012.06.007 [23] DINGERKUS G, UHLER L D. Enzyme clearing of alcyan bluestained whole small vertebrates for demonstration of cartilage[J]. Stain Tech, 1977, 52(4): 229-232. doi: 10.3109/10520297709116780
[24] 孟庆闻, 苏锦祥, 李婉端. 鱼类比较解剖[M]. 北京: 科学出版社, 1987: 75-90. [25] MERY D, LILLO I, LOEBEL H, et al. Automated fish bone detection using X-ray imaging[J]. J Food Eng, 2011, 105(3): 485-492. doi: 10.1016/j.jfoodeng.2011.03.007
[26] BERG L S. Classification of fishes both recent and fossil[M]. Beijing: Science Press, 1959: 1-265.
[27] 孔晓瑜, 周才武. 中国鳜亚科(Sinipercinae)七种鱼类骨骼形态特征的比较研究[J]. 青岛海洋大学学报, 1993, 23(3): 116-124. [28] 杨太有, 李仲辉. 二长棘鲷和黄鳍鲷骨骼系统的比较[J]. 广东海洋大学学报, 2008, 28(3): 1-5. doi: 10.3969/j.issn.1673-9159.2008.03.001 [29] BATTAGLENE S C, COBCROFT J M. Yellowtail kingfish juvenile quality: identify timing and nature of jaw deformities in yellowtail kingfish and scope the likely causes of this condition[R]. Adelaide: Australian Seafood CRC, 2007: 1-150.
[30] KOHNO H. Osteological development of the caudal skeleton in the carangid, Seriola lalandi[J]. Ichthyol Res, 1997, 44(2): 219-221.
[31] COBCROFT J M, PANKHURST P M, POORTENAAR C, et al. Jaw malformation in cultured yellowtail kingfish (Seriola lalandi) larvae[J]. New Zeal J Mar Fresh, 2004, 38(1): 67-71. doi: 10.1080/00288330.2004.9517218
[32] MA Z H, TAN D A Y, QIN J G. Jaw deformities in the larvae of yellowtail kingfish (Seriola lalandi Valenciennes, 1833) from two groups of broodstock[J]. Ind J Fish, 2014, 61(4): 137-140.
[33] 李明德. 鱼类形态与生物学[M]. 厦门: 厦门大学出版社, 2011: 37-38. [34] 周胜杰, 马婷, 胡静, 等. 尖吻鲈仔鱼骨骼发育观察[J]. 南方农业学报, 2018, 49(3): 592-598. [35] 王秋荣, 毕建功, 林利民. 青石斑鱼骨骼发育异常的形态特征[J]. 大连海洋大学学报, 2012, 27(5): 417-421. [36] HU J, LIU Y, MA Z H, et al. Feeding and development of warm water marine fish larvae in early life[M]//YUFERA M. Emerging issues in fish larvae research. Cham: Springer International Publishing, 2018: 275-296.
[37] JUANITO C, DASILAO J R, KOSAKU Y. Development of the vertebral column and caudal complex in a flyingfish, Parexocoetus mento[J]. Ichthyol Res, 1998, 45(3): 303-308. doi: 10.1007/BF02673928
[38] GAVAIA P J, DINIS M T, CANCELA M L. Osteological development and abnormalities of the vertebral column and caudal skeleton in larval and juvenile stages of hatchery-reared Senegal sole (Solea senegalensis)[J]. Aquaculture, 2002, 211(1/2/3/4): 305-323.
[39] ZHENG P L, MA Z H, GUO H Y, et al. Osteological ontogeny and malformations in larval and juvenile golden pompano Trachinotus ovatus (Linnaeus 1758)[J]. Aquacult Res, 2014, 47(5): 1421-1431.
[40] 崔国强. 日本鬼鲉早期发育和盐度耐受力的初步研究[D]. 上海: 上海海洋大学, 2012: 17. [41] 田文斐. 鳜鱼骨骼早期发育以及主要摄食器官发育与摄食行为的适应性研究[D]. 上海: 上海海洋大学, 2012: 14. [42] 陈渊戈, 夏冬, 钟俊生, 等. 刀鲚仔稚鱼脊柱和附肢骨骼发育[J]. 上海海洋大学学报, 2011, 20(2): 217-223. [43] BOGLIONE C, GAGLIARDI F, SCARDI M, et al. Skeletal descriptors and quality assessment in larvae and post-larvae of wild-caught and hatchery-reared gilthead sea bream (Sparus aurata L. 1758)[J]. Aquaculture, 2001, 192(1): 1-22. doi: 10.1016/S0044-8486(00)00446-4
[44] 郑珂, 岳昊, 郑攀龙, 等. 海水养殖鱼类仔、稚鱼骨骼发育与畸形发生[J]. 中国水产科学, 2016, 23(1): 250-261. [45] 马振华, 张殿昌. 黄尾鰤繁育理论与养殖技术[M]. 北京: 中国农业出版社, 2014: 30-33. -
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)
计量
- 文章访问数:
- HTML全文浏览量:
- PDF下载量:
- 被引次数: 13
粤公网安备 44010502001741号
