谁是真球王——盘点FIFA17球员排名Top5

来源 :电子竞技 | 被引量 : 0次 | 上传用户:qianxiaojiong
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
  在经历了FIFA15到FIFA16的进化失败后,EA终于在FIFA17上交出了让人满意的成绩单。寒霜引擎的使用,画质飞跃性的提升,系统上的改变和AI提高,都是让玩家感受到了EA的诚意。然而,在“硬件”提高的同时,在实战中踢得开心才是最为重要的,如果能够拥有实力超群的真球王,那将会更容易享受到足球带给我们的爽快。接下来,让我们一起来看看FIFA17中排名Top5的球员们。
  诺伊尔——综合数值:92
  基础数据:
  扑救=89;控球=90;踢球=95;反应=89;速度=60;站位=91
  世界上的优秀门将有很多,但优秀的门腰,只有诺伊尔一个。
  随着布冯、切赫、卡西等上一代优秀门将的年龄逐渐增长,以诺伊尔、库尔图瓦等人为代表的新生代优秀门将,逐渐代替了他们的位置。
  在过去的几年中,德国及拜仁的主力门将诺伊尔一直发挥出色,他也成为了不少球迷心中的世界第一门将。在FIFA17中,诺伊尔的综合数值达到了92,成功跻身球员数值Top5。在体现门将的6个基础数据中(扑救、控球、踢球、反应、速度、站位),除了速度以外,诺伊尔的数值最低也达到了89,恐怖的数据也印证了他世界第一门将的地位。
  在这一代的游戏中,EA明显增加了门将的作用,这一点在诺伊尔身上体现的最明显。超高的扑救和反应,让诺伊尔成为了门前最有利的保障。无论是角度刁钻的巧射还是大力的远射,都难以洞穿他把手的大门。
  当人们发现诺伊尔的IMBA之处后,在与实力更强的对手对决时,德国和拜仁会被更多的选择。没错,诺伊尔在FIFA17中防守反击型玩家的首选,只要他在球门前,球门是很难被攻破的。
  当看到对手射门一次次被封堵,久攻不下被反击后,懊恼的看着0:1的比分的时候,场上的两个人内心应该会默默感谢或咒骂如此IMBA的诺伊尔吧。
  苏亚雷斯——综合数值:92
  基础数据:
  速度=82;射门=90;传球=79;盘带=87;防守=42;身体素质=79
  经过在巴萨两个赛季的磨练后,苏亚雷斯正在朝着世界第一前锋前进。有着出色的把握机会能力的他,同样是巴萨一直以来寻求在中锋位置上的最佳选择。
  在两个赛季的成长后,苏亚雷斯在FIFA17中的综合数值达到了恐怖的92。光从综合数值来看,他已经成为了游戏中的第一前锋。除了精妙的射术之外,苏亚雷斯在属性上的分部非常平均,良好的模型和出色的操控手感,也让他能在游戏中发挥出除咬人之外,和现实中基本一致的特点。
  从数值上来看,苏亚雷斯的速度以及传球相对较弱,但其在游戏中实际表现,也还算令人满意。尽管在世界范围内依旧有很多优秀的前锋如莱万、穆勒、本泽马等,但在FIFA17中,这些球星在综合能力超强的苏亚雷斯面前,只能甘拜下风。
  内马尔——综合数值:92
  基础数据:
  速度=91;射门=84;传球=78;盘带=95;防守=30;身体素质=56
  相比FIFA16,内马尔在FIFA17中的综合数值上升了4点,自身的排名也从第八跃升到了第三名,被EA视为C罗梅西后的世界第三巨星。
  内马尔的身上有着传统巴西球星的特点:蝴蝶穿花般的脚下技术,极佳的身体协调性以及快节奏的奔跑盘带速度。作为巴萨前场三人组中的一员,内少完美的融入进了巴萨进攻体系当中,能传能射能突破,懂得分享球的内马尔,已经成为了每一个防守球员最不想面对的球员。
  在这一代的游戏中,如果不算Skill moves,内马尔看上去更像巴萨中的另一个梅西。灵活的人物模型,超高的技术能力,同样偏弱的身体素质,内马尔甚至可以偶尔和梅西换位使用。
  虽然身体素质只有56,但作为边路的好手,这对内马尔的影响并不大。速度快,盘带好的特点,让内马尔在游戏实际表现中,无论是突破内切,或是下底倒三角的传球,都可以做到游刃有余。
  梅西——综合数值:93
  基础数据:
  速度=89;射门=90;传球=86;盘带=96;防守=26;身体素质=61
  在过去的7年间,梅西一直占据着数值榜榜首的位置。但在FIFA17中,梅西却被C罗超越,只能屈居第二的位置。虽然无论在游戏中还是现实中都有被C罗盖过风头的趋势,但梅西依然是那个梅西。
  现实生活中,在内马尔和苏亚雷斯加之后,梅西在巴萨的踢法看上去更加有效率了。MSN组合的每一个人都是能够打破场上僵局的爆点,因为三个人同时具有顶级的突破盘带能力和射术。在三大巨星良好的化学反应下,梅西的踢法可以变的更加“养生”,减少自己招牌式的闪转腾挪,转而磨练自己的传球,调度和掌控节奏能力,为30岁后的位置后撤做好准备。
  与C罗相比,梅西的优势在于传球和盘带这种细腻技术。尽管在绝对速度的测试下,梅西逊于C罗。但是在有球情况下的测试速度,梅西的带球速度要强于C罗,而这也这与游戏中的数值设定相符。
  梅西的数值决定了他在游戏中将更多的扮演前场进攻核心的角色,整体出色且各项平均的数据保证了梅西是大多数玩家UT阵容中10号的不二选择。
  当然,对于足球游戏这种对抗型游戏,身体素质是个永远绕不开的话题,因为身体素质决定了一个球员在游戏中的体验手感。在这一点上,游戏里的梅西还是需要玩家更优秀的操控来闪转腾挪。
  从整体上来看,梅西和C罗依然保持了以往作品的设定。对于入门级玩家,普遍认为横冲直撞的C罗更加好用;而对于已经有一定水平的玩家,梅西的细腻技术会让这些玩家爱不释手。
  C.罗纳尔多——综合数值:94
  基础数据:
  速度=92;射门=92;传球=81;盘带=91;防守=33;身体素质=80
  如果以C罗现实中“要么争当第一,要么力压梅西”的目标来看,FIFA17对于他来说应该是一次完美的胜利。
  在综合数值上升了1点之后,C罗在FIFA17中脱颖而出,综合数值达到了94,位列所有收录球员排行榜第一位。
  虽然年龄在不断增加,但在综合数值连续两年上涨后,C罗依然保持了在过去几代游戏中的强势表现。例如内切射门,盘带突破等大家所熟知的C罗有效的得分手段,在FIFA17中依然可以屡试不爽。
  现实中的足球世界,长久以来 “梅罗二人转”在世界足坛都保持着统治地位,但每当将他们放到历史成就的层次评比中,国家队大赛成绩就成为了他们更进一步的硬伤。2016年,地狱模式的欧洲杯冠军和困难模式的百年美洲杯亚军,算是短期内在国家队层面俩人比拼得出了结果,也是支撑了C罗综合数据比梅西高的现实案例。
  从数据的基本面来看,C罗优势在于速度和力量方面。在这一代作品中,单纯比拼速度的情况下,C罗是快于梅西的。在游戏中的使用手感上,C罗的角色更偏向于前场终结者,92的射门带来的优势远大于看上去拖了自己后腿的传球。
  对于已经熟悉FIFA游戏的玩家来说,总体上这一代C罗的使用方法和以往区别不大。速度、力量、盘带保证了C罗会是一个稳定且高效的前场爆点。
其他文献
冠军南洋杯邮轮站落下帷幕,Wings以2:1击败Newbee,拿到了自己在TI6结束后的首个线下赛的南。相比与比赛本身,本次南洋杯新颖模式更为吸引眼球。让我们一起跟着镜头,来感受下不同洋
对CDIO模式进行系统研究,分析高职酒店管理专业课程的特点及教学存在的问题,以CDIO工程教育模式为指导,结合酒店管理专业人才培养现状,提出了CDIO模式下的高职酒店管理专业课程体
种源试验是林木遗传育种的基础,是实现高效林业的基本措施。厚朴作为我国珍贵药用植物,其分布范围广,覆盖多种气候特征区域,其种源试验备受关注。不同种源之间在形态特征、生
文章从基于Web的网络课件设计基本思想入手,结合网页设计相关技术及课件结构分析,具体分析了思想政治教学网络课件的设计。
随着SKT击败闪电狼,2016年全球总决赛的初期比赛已经告一段落。虽然S6的赛程只进展到小组赛阶段,但本届比赛已经被很多玩家称为史上最精彩的世界赛了,无论是外卡的强势崛起,还是EU的绝地反击,都给赛事带来了无穷的变数与乐趣。在比赛过程中我们发现,很多原先绝难登场的英雄,居然摇身一变成了版本热门,到底是什么因素让这些角色如此广受职业选手欢迎呢?一切,都要从版本变动说起。  6.18,机遇与挑战并存 
可能99%的普通玩家都想问职业选手:“我怎么才能像你那样准?”这个问题本身就是值得商榷的,因为瞄准其实并不难,只要把光标对准某个人就是了。瞄准只是熟练度的问题,打CS:GO之前去死亡服找找枪感,或者每天杀足够的BOT,枪法就是随时可以GET到的技能。虽然大多数文章会教你说打好CS是要50%技术和50%意识,但在有些情况下,意识是更为重要的,占90%也不过分。良好的意识绝对可以弥补你枪软的缺陷,那么
在今年乡镇换届中,四川省仪陇县一改“组织提名”的惯常做法,将乡镇党政领导班子成员候选人的“提名权”,真正交给党员群众——现班子成员在测评中不胜任率超过30%,经考察认
上世纪80年代,图里继承和发展了埃文·左哈尔(Even-Zohar)的多元系统理论和霍姆斯(Holmes)的翻译研究理论,提出了翻译规范理论。图里的描写翻译思想的内容主要有三个方面,包括对
炉石传说几经风雨,版本的多次更替,越来越受到玩家们的喜爱。炉石中的卡牌人物都是从魔兽世界的背景故事中来的,然而故事中很多重要的大人物都还没有出现在炉石传说之中,小编对他们的到来也十分期待,不禁大肆YY了一番,这些人物如果出现会被设定成什么样子呢?  黑暗泰坦萨格拉斯  作为创世者之中最强大的一员,萨格拉斯与恶魔做着无休止的战斗,然而悲情的他建立了燃烧军团,从创世泰坦变成了灭世界,最会被自己创造的提
目的:采用布尔网络技术构建和分析乳腺癌基因调控网络。方法:收集已知乳腺癌相关的基因及其调控关系并可视化,通过拓扑结构分析分解网络,根据基因之间的调控关系制定布尔规则