排序方式: 共有40条查询结果,搜索用时 15 毫秒
1.
东太平洋赤道附近海域茎柔鱼(Dosidicus gigas) 渔业生物学的初步研究 总被引:1,自引:0,他引:1
根据2011年东太平洋赤道附近海域探捕期间采集的1178尾茎柔鱼样本,进行了茎柔鱼的生物学特性研究。结果表明:茎柔鱼胴长范围为201—421mm,平均胴长为290mm,优势胴长为260—320mm;体重范围为200—2650g,平均体重为1000g,优势体重为600—1000g;胴长与体重关系呈幂指数关系;雌、雄性比为2.59:1;性腺成熟度以I、Ⅱ期为主;缠卵腺长和缠卵腺重随着性腺的成熟而逐步增大;雌性初次性成熟胴长为397.2mm;摄食等级以0—1级为主;与其它海域相比,该海域茎柔鱼个体差异明显,主要为小型群体。 相似文献
2.
基于外部形态特征的东南太平洋茎柔鱼种群结构研究 总被引:2,自引:0,他引:2
茎柔鱼是大洋性重要经济头足类,分布范围广泛,种群结构复杂。本文根据2008年5月~2009年10月对智利、秘鲁2个海区采集的茎柔鱼生物学样本,利用胴宽、鳍长、触腕长等11个外部形态指标与胴长之比,分析东南太平洋茎柔鱼种群结构组成及其差异,并建立相应的判别函数。研究认为,采集的渔获物样本中,初步可分为大型和小型2个种群。2个海区间大型群和小型群的外部形态特征差异显著,2个海区利用外部形态特征对种群判别正确率均在60%以上。研究认为,研究认为,外部形态特征可作为划分茎柔鱼种群结构的有效方法之一。 相似文献
3.
轮廓与特征点研究是头足类角质颚形态特征鉴别的基本方法,对于轮廓与特征点的提取最常用的方法是手动描绘与标定,利用计算机视觉进行轮廓与特征点的提取,不仅可以降低手动提取带来的误差、提高准确性,而且更加快速、便捷。文章将利用计算机视觉提取头足类角质颚的轮廓与特征点,首先将自制装置拍摄得到的角质颚三视图放入MTALAB软件中进行编程处理,然后利用Canny算法提取角质颚轮廓,最后根据地标点的定义标定特征点位置并建立空间坐标系得到角质颚的特征点坐标。研究结果显示,利用计算机视觉提取角质颚的轮廓图像以及特征点坐标是可行的,当标准差σ取值为0.1时角质颚轮廓图效果最佳,在得到的轮廓图上进行特征点的标定,通过迭代遍历轮廓图获得各个特征点的空间坐标。研究分析认为,将计算机视觉应用于头足类角质颚形态学的研究可以提高研究的便捷性,同时也为后续的研究提供了新的实验思路和方法。 相似文献
4.
基于形态法的西北太平洋柔鱼种群结构研究 总被引:4,自引:0,他引:4
西北太平洋柔鱼是我国鱿钓渔业重要捕捞对象,种群结构是渔业生物学研究的基础内容.文中根据2007年7~10月40°N~45°N,151°E~158°E海域连续采集的1 342尾柔鱼样本,测定其胴长(ML)、腕长等12项形态指标,利用正态线性转化、主成分分析和判别分析等方法研究雌雄个体的种群结构.结果表明,该海域雌、雄柔鱼均存在大小2个种群.均数差异显著性表明,雌性个体2个种群在MW/ML和FW/ML存在显著差异,雄性个体在MW/ML和AL_3/ML存在显著差异,但其形态差异仍属于种内差异.主成分分析和逐步判别分析的判别准确率(雌性60.3%,雄性60.1%),说明所划分的种群在部分形态比指标上差异明显.研究认为,形态学指标可初步区分西北太平洋柔鱼种群,但需结合其他生态学指标和耳石等硬组织进一步划分. 相似文献
5.
基于角质颚长度的头足类种类判别 总被引:5,自引:1,他引:5
本文根据2013 年8 月于舟山市沈家门东河菜场采集的5 种近海常见经济头足类(剑尖枪乌 贼、杜氏枪乌贼、金乌贼、曼氏无针乌贼和短蛸), 利用逐步判别和主成分分析法对其上、下角质颚 的各5 种长度指标(喙长、头盖长、脊突长、侧壁长、翼长)进行分析。结果显示, 这5 种头足类角质 颚长度差异显著(ANOVA: P<0.001), 其中以金乌贼的角质颚尺寸最大, 短蛸的角质颚尺寸最小。判 别分析显示, 角质颚长度适合用来划分头足类的种类, 综合判别成功率为96.2%, 其中以上颚侧壁 长、上颚头盖长和下颚脊突长对判定的贡献率最高。然而, 与之相比, 标准化后的角质颚长度则更适 合用来划分头足类的种类, 综合判别成功率达到100%, 其中以标准化下颚喙长和标准化下颚翼长对 判定的贡献率最高。主成分分析显示, 角质颚长度及标准化后角质颚长度对枪乌贼类和乌贼类的判 定成功率均达到100%.本文建立了一种基于角质颚长度判别分析法的头足类种类判定的新方法, 丰 富了头足类种类鉴定的技术手段, 为我国学者在相关领域的研究提供了基础。 相似文献
6.
近年来, 计算机模式识别技术因其识别结果准确、快速, 而不断被用于生物判别邻域。本文利用MATLAB软件实现动量自适应BP神经网络(back propagation neural networks)对西北印度洋、中东太平洋和南海3个海区的鸢乌贼角质颚及其胴长进行模式识别。研究结果显示, 训练成型的神经网络收敛误差仅为4.416×10-2, 加入动量和自适应学习率的BP神经网络对鸢乌贼地理种群的识别率有显著提高。3个海区的正确识别率分别为100%、88.89%和94.12%, 总成功率为 93.24%, 说明角质颚外部形态和胴长可用于鸢乌贼地理种群的区分。而BP神经网络的其他学习算法, 如梯度下降法、单一动量法和单一自适应法的总识别率分为74.32%, 77.03%和87.84%。本研究的识别效果稳定, 对于大样本训练集的识别率也高达92.77%, 为头足类的种群判别提供了新的方法和思路。 相似文献
7.
智利外海茎柔鱼(Dosidicus gigas)耳石外部形态特征分析 总被引:6,自引:0,他引:6
根据2008年1—5月智利外海茎柔鱼资源调查中随机采集的663尾样本(雌性464尾,雄性199尾),对其耳石形态特征进行观察与测量。观测表明,茎柔鱼耳石具有长窄的吻区和宽大的翼区。对耳石10项形态参数进行主成分分析,结果显示,耳石总长(TSL)、吻侧区长(RLL)、翼区长(WL)可以作为耳石长度特征的代表,最大宽度(MW)则可代表耳石宽度特征。雌性个体TSL、RLL、WL和MW与胴长(ML)之间为线性关系(Y=a+b×ML)(P0.05),生长系数b在1.9358—2.9607间,其中MW的最小,WL的最大,耳石各区为均匀生长。雄性个体TSL、RLL、WL和MW与ML之间为幂函数关系(Y=c×MLd)(P0.05),生长系数d在0.9165—1.1877间,其中TSL生长速度慢于ML,RLL和MW基本与ML一致,WL则快于ML,耳石各区为非均匀生长。 相似文献
8.
金枪鱼类是我国远洋渔业重要的捕捞对象,其形态指标对研究金枪鱼类的生长、发育和生活史具有重要意义。人工测量形态指标是一种非常繁琐且低效率的测量方法,而计算机视觉是一种高效和客观的自动测量方法。因此,本文通过计算机视觉库OpenCV对3种金枪鱼类图像进行预处理,主要利用双边滤波、灰度变换、二值化处理和提取轮廓等图像处理技术得到金枪鱼类形态轮廓图像。根据预先选定的特征点,利用计算机视觉技术遍历轮廓图像上所有的像素点,并自动定位出每张轮廓图像的预选特征点共17个。利用计算机视觉技术遍历得到的特征点位置,自动测量出3种金枪鱼的形态指标像素长度,并计算出形态指标实际长度。还分析自动测量与人工测量形态指标的绝对误差和相对误差。研究结果表明,通过计算机视觉技术对3种金枪鱼的形态指标的自动测量效果较好,大眼金枪鱼、黄鳍金枪鱼和长鳍金枪鱼的12个形态指标的绝对误差范围分别为0~1.46 cm、0~1.73 cm、0~1.32 cm,其相对误差范围分别为0.01%~5.84%、0%~6.17%、0%~6.89%。本研究以期为金枪鱼类智能识别提供前期工作基础,也为其他鱼类自动测量研究提供基础参考。 相似文献
9.
年龄和生长速度等参数是渔业资源评估和管理的基础。鸢乌贼生命周期短、生长速度快。为研究鸢乌贼的日龄和生长, 利用2016年10月—2017年9月灯光罩网作业方式采集的南海鸢乌贼样本, 通过耳石微结构研究南海鸢乌贼不同种群、性别间的日龄组成和生长的差异, 结果表明: 1) 鸢乌贼中型群日龄范围48~125d, 优势日龄61~80d, 雌雄个体日龄组成差异显著; 微型群日龄范围44~95d, 优势日龄51~70d, 雌雄个体日龄组成差异极显著。2) 鸢乌贼中型群孵化时间为2016年7月—2017年7月, 1月和7—8月为孵化高峰期; 微型群孵化时间为2016年6—10月和12月至翌年2月, 1月和8月为孵化高峰期。3) 中型群雌雄胴长、体质量与日龄分别符合对数和线性关系; 微型群雌雄胴长与日龄分别符合对数和Logistic关系, 而体质量与日龄符合Logistic关系。4) 南海鸢乌贼微型群生长速度大于中型群, 微型群雄性个体生长速度大于雌性, 而中型群雄性个体生长速度小于雌性。通过对耳石生长纹的分析, 了解鸢乌贼的日龄组成、推算孵化时间、选出合适的生长方程及估算生长速度, 为渔业生物学提供基础资料。 相似文献
10.