• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于機(jī)器學(xué)習(xí)和可見光光譜的冬小麥葉片氮積累量估算

    2016-07-12 13:00:00崔日鮮劉亞東付金東
    光譜學(xué)與光譜分析 2016年6期
    關(guān)鍵詞:冠層覆蓋度冬小麥

    崔日鮮,劉亞東,付金東

    1. 青島農(nóng)業(yè)大學(xué)農(nóng)學(xué)與植物保護(hù)學(xué)院/山東省旱作農(nóng)業(yè)技術(shù)重點(diǎn)實(shí)驗(yàn)室,山東 青島 266109 2. 中國農(nóng)業(yè)科學(xué)院作物科學(xué)研究所,北京 100081

    基于機(jī)器學(xué)習(xí)和可見光光譜的冬小麥葉片氮積累量估算

    崔日鮮1,劉亞東1,付金東2*

    1. 青島農(nóng)業(yè)大學(xué)農(nóng)學(xué)與植物保護(hù)學(xué)院/山東省旱作農(nóng)業(yè)技術(shù)重點(diǎn)實(shí)驗(yàn)室,山東 青島 266109 2. 中國農(nóng)業(yè)科學(xué)院作物科學(xué)研究所,北京 100081

    在拔節(jié)期分4次采集了6個施氮水平下的冬小麥冠層圖像,同步進(jìn)行取樣并以凱氏定氮法測定葉片含氮量,進(jìn)而計算葉片氮積累量。利用隨機(jī)森林算法分割冠層圖像之后提取冠層覆蓋度、可見光波段(R, G和B)三個分量及其衍生的5個色彩指數(shù)。以冠層覆蓋度外加色彩指數(shù)、色彩分量的兩種非線性回歸,以及人工神經(jīng)網(wǎng)絡(luò)、支持向量回歸、隨機(jī)森林3種機(jī)器學(xué)習(xí)算法建立了冬小麥葉片氮積累量的估算模型。結(jié)果表明利用色彩指數(shù)的非線性回歸模型的估算精度稍低于其他方法,而隨機(jī)森林算法的擬合精度最高,但存在明顯的過擬合現(xiàn)象。其他三種方法,即以冠層覆蓋度及色彩分量為輸入變量的非線性回歸、支持向量回歸和人工神經(jīng)網(wǎng)絡(luò)方法,均具有較高的擬合精度和泛化性能。

    冬小麥; 機(jī)器學(xué)習(xí); 可見光; 色彩指數(shù); 冠層覆蓋度; 葉片氮積累量

    引 言

    適量增施氮肥能提高作物產(chǎn)量及品質(zhì),而過量施氮會造成產(chǎn)量及品質(zhì)的下降,同時由于更多的氮素進(jìn)入大氣、水體會加劇氣候變暖和水體富營養(yǎng)化。Rockstr?m等[1]指出全球氮循環(huán)通量已經(jīng)遠(yuǎn)超其安全邊界,其中很大一部分來源于農(nóng)業(yè)生產(chǎn)消耗。獲取作物營養(yǎng)狀態(tài)是精準(zhǔn)農(nóng)業(yè)進(jìn)行施肥管理的關(guān)鍵步驟。傳統(tǒng)的植物組織分析法需要進(jìn)行破壞性取樣和大量的實(shí)驗(yàn)室分析?;诠庾V學(xué)原理的地面遙感技術(shù)中,葉綠素計(SPAD儀)的測量面積較小,且對過量施肥不敏感,而GreenSeeker和Yara N-sensor等則對氮飽和狀態(tài)不敏感,而且價格較高[2]?;谧魑锕趯痈吖庾V反射率的航空、衛(wèi)星遙感技術(shù)則適合于大尺度的作物長勢和氮素營養(yǎng)狀態(tài)監(jiān)測。

    近年來,數(shù)碼相機(jī)作為可見光光譜地面遙感工具的一種,因其高效、經(jīng)濟(jì)等特點(diǎn),被廣泛應(yīng)用于作物生長狀況監(jiān)測研究領(lǐng)域。Lee等[3]利用逐步回歸方法擬合了基于冠層覆蓋度和色彩指數(shù)的水稻地上部氮積累量估算模型,表現(xiàn)出較高的估算精度。Li等[4]和Jia等[5]分別發(fā)現(xiàn)小麥、棉花冠層中提取的冠層覆蓋度與從GreenSeeker和Yara N-sensor遙感器獲取的歸一化差異植被指數(shù)NDVI顯著相關(guān),與地上部氮素含量呈非線性相關(guān)。Tewari等[6]利用水稻冠層圖像提取的多個色彩指數(shù)分別擬合了地上部含氮量的非線性回歸方程。張立周等[7]發(fā)現(xiàn)六葉期夏玉米多個冠層圖像指數(shù)與葉片全氮含量存在極顯著相關(guān)關(guān)系。陳積山等[8]研究得出苜?,F(xiàn)蕾期冠層圖像的綠光值與葉片SPAD值、植株全氮量呈極顯著相關(guān)。多數(shù)研究利用冠層圖像的可見光波段R,G,B分量構(gòu)建色彩指數(shù),然后與葉片SPAD值、地上部氮含量、氮積累量等擬合回歸方程并從中選擇最敏感的色彩指數(shù)。

    隨著計算機(jī)的計算能力提升和數(shù)據(jù)挖掘技術(shù)的發(fā)展,機(jī)器學(xué)習(xí)方法在作物農(nóng)學(xué)參數(shù)反演研究中的應(yīng)用逐漸增多[9-13]。王大成等[10]和夏天等[11]利用高光譜數(shù)據(jù)分別比較了傳統(tǒng)回歸模型與人工神經(jīng)網(wǎng)絡(luò)估算生物量和葉面積指數(shù)的效果,發(fā)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)較回歸分析顯著提高了估算精度。梁亮等[12]和梁棟等[13]分別利用支持向量回歸方法實(shí)現(xiàn)了小麥冠層葉綠素含量、葉面積指數(shù)的遙感反演。前人大多利用機(jī)器學(xué)習(xí)方法進(jìn)行作物農(nóng)學(xué)參數(shù)的高光譜反演,而基于作物冠層圖像R,G,B分量和色彩指數(shù)的農(nóng)學(xué)參數(shù)估算方面的研究報道較少。另外,有關(guān)機(jī)器學(xué)習(xí)算法,如人工神經(jīng)網(wǎng)絡(luò)、支持向量回歸、隨機(jī)森林算法等的泛化性能方面的報道也較少。

    以冬小麥為研究對象,利用拔節(jié)期葉片氮積累量和由同步采集的冠層圖像獲取的冠層覆蓋度、色彩分量及色彩指數(shù)的相關(guān)性,以非線性回歸方法、人工神經(jīng)網(wǎng)絡(luò)、支持向量回歸和隨即森林算法分別建立冬小麥拔節(jié)期葉片氮積累量的估算模型,并比較估算精度及泛化性能,以期為基于冠層圖像分析的冬小麥及其他作物長勢監(jiān)測提供理論依據(jù)和方法上的借鑒。

    1 實(shí)驗(yàn)部分

    1.1 田間試驗(yàn)

    試驗(yàn)于2013年10月—2014年5月在青島農(nóng)業(yè)大學(xué)科技示范園試驗(yàn)站進(jìn)行,試驗(yàn)站位于青島市膠萊鎮(zhèn)。試驗(yàn)地土壤有機(jī)質(zhì)含量15.2 g·kg-1,堿解氮72.67 mg·kg-1,有效磷26.38 mg·kg-1,有效鉀116.95 mg·kg-1。供試品種為濟(jì)麥22; 試驗(yàn)設(shè)6個施氮水平,分別為0,60,120,180,240,300 kg N·hm-2。磷肥、鉀肥施用量分別為100 kg·hm-2P2O5和120 kg·hm-2K2O,氮、磷、鉀肥全部用作基肥施入。小麥行距18 cm,基本苗3.5×106·hm-2。小區(qū)面積為80 m2(10 m×8 m),隨機(jī)區(qū)組設(shè)計,重復(fù)3次。

    1.2 測定項(xiàng)目

    分別在2014年3月27日、4月6日、4月13日、4月20日進(jìn)行四次田間取樣。將樣本按莖、葉部位分開,并于105 ℃下殺青30 min后于72 ℃下烘干至恒重,稱葉片干重后粉碎,用凱氏定氮法測定葉片含氮量,進(jìn)而計算葉片氮積累量(leaf nitrogen accumulation,LNA)。

    1.3 小麥冠層圖像采集與分割

    1.3.1 小麥冠層圖像采集

    田間取樣前,用數(shù)碼相機(jī)(佳能60D)拍攝小麥冠層圖像,拍攝時間為11: 00—13: 00。設(shè)定相機(jī)ISO感光度為400,采用自動曝光模式,自動白平衡,多點(diǎn)自動對焦。拍攝時將自制的72.5 cm×45 cm的方格置于小麥冠層頂部,方格內(nèi)有4行小麥(見圖1),相機(jī)垂直于地面,距冬小麥冠層頂部約1 m,取景范圍對準(zhǔn)方格。用遮陽傘遮住直射太陽光以保證取景框內(nèi)小麥冠層受光均勻。圖像記錄像素設(shè)置為S-RAW,約450萬(2 592×1 728),以RAW格式存儲,共72張。圖像每個像素點(diǎn)的亮度值是以14位存儲的,對它的解碼采用dcraw v9.22軟件[14],設(shè)定如下選項(xiàng): 白平衡采用拍攝時設(shè)置的自動白平衡; 去馬賽克采用AHD算法; RGB值轉(zhuǎn)換為sRGB色彩空間并以16位TIFF格式保存。

    1.3.2 小麥冠層圖像分割

    圖像的分割采用隨機(jī)森林算法。從圖像中復(fù)制并拼接出兩張400×400像素的小麥和土壤圖像,讀取其紅光亮度值(R,redness intensity)、綠光亮度值(G,greenness intensity)、藍(lán)光亮度值(B,blueness intensity)分量并轉(zhuǎn)換為CIEL*a*b*色彩空間的L*,a*,b*值,將其作為自變量用R軟件中的RandomForest包[15]訓(xùn)練一個含100棵分類樹的隨機(jī)森林對圖像進(jìn)行分割,其分割效果見圖1。

    1.3.3 冠層圖像色彩指數(shù)

    分割后的圖像中提取冠層覆蓋度(CC, Canopy Cover)及小麥所占像素R,G,B分量平均值,然后計算表1中所示的各指數(shù)。方便起見,將R,G,B分量稱為色彩分量,由R,G,B分量所構(gòu)造的各個指數(shù)稱為色彩指數(shù)。

    圖1 冬小麥冠層數(shù)碼圖像及分割后的冬小麥圖像

    (a): 處理N120的冠層圖像,拍攝時間為3月27日; (a’): (a)圖像的冬小麥分割圖像; (b): 處理N180的冠層圖像,拍攝時間為4月6日; (b’): (b)圖像的冬小麥分割圖像

    Fig.1 Digital camera images of winter wheat canopy,and segmented winter wheat plant images

    (a): Image of treatment N120 taken on March 27; (a’): Segmented image of the image (a); (b): Image of treatment N180 taken on April 6; (b’): Segmented image of the image (b)

    表1 冠層覆蓋及色彩指數(shù)的計算方法

    1.4 模型的構(gòu)建

    共獲取72組數(shù)據(jù),其中,剔除1組明顯離群點(diǎn)數(shù)據(jù)后,根據(jù)葉片氮積累量分層選取21組數(shù)據(jù)用于模型驗(yàn)證,其余50組數(shù)據(jù)用于模型構(gòu)建。模型的構(gòu)建利用R軟件中的caret包進(jìn)行。caret 包提供了一個統(tǒng)一的接口,在模型訓(xùn)練時可以調(diào)用對應(yīng)的函數(shù)包,同時具有數(shù)據(jù)預(yù)處理、模型參數(shù)優(yōu)選、變量重要性估計等功能[20]。為驗(yàn)證模型的泛化性能,訓(xùn)練時分別對模型參數(shù)的各個候選值進(jìn)行20次5折交叉驗(yàn)證,具體為,首先將數(shù)據(jù)集等分為5個子集,將其中的4/5作為訓(xùn)練集,1/5作為測試集,重復(fù)20次,記錄共100次測試的均方根誤差數(shù)據(jù)。最后選擇平均均方根誤差最小的待選值作為模型參數(shù)擬合全部的數(shù)據(jù)集。利用擬合模型的均方根誤差(RMSE)、相對均方根誤差(RRMSE)及決定系數(shù)(R2)的大小來評估模型擬合程度,模型的交叉驗(yàn)證及外部測試的均方根誤差評估模型的泛化性能。

    1.4.1 非線性回歸

    選用高斯-牛頓法[21]進(jìn)行非線性最小二乘回歸,該法通過多次迭代來修正模型回歸系數(shù)使殘差平方和達(dá)到最小。利用不同的自變量擬合兩個系列非線性回歸模型,各參數(shù)的初始值均由線性變換后最小二乘回歸的回歸系數(shù)計算得到。兩個系列非線性回歸模型為: (1)色彩指數(shù)回歸: 所構(gòu)造的色彩指數(shù)包含2個或3個可見光波段(R,G,B色彩分量)的信息,將其分別與冠層覆蓋度CC一起作為5個自變量組合; (2)色彩分量回歸: 將R,G,B色彩分量與冠層覆蓋度CC作為自變量,先用最優(yōu)子集法進(jìn)行變量選擇以消除自變量間的共線性,選擇調(diào)整R2最大的組合CC,G,B進(jìn)行非線性最小二乘擬合(NLS)。

    1.4.2 機(jī)器學(xué)習(xí)算法

    共采用三種不同的機(jī)器學(xué)習(xí)算法,分別為人工神經(jīng)網(wǎng)絡(luò)、支持向量回歸、隨機(jī)森林進(jìn)行擬合。建模時直接用CC,R,G,B作為自變量。

    人工神經(jīng)網(wǎng)絡(luò)通常含輸入層、一個或多個隱含層和輸出層。通過把輸入層的值加權(quán)平均傳送到隱含層,由輸出層輸出,然后將誤差反向傳播以修正權(quán)重,如此反復(fù)進(jìn)行直至誤差在可接受范圍內(nèi),從而實(shí)現(xiàn)變量的分類或回歸。利用caret調(diào)用nnet包[22]訓(xùn)練單隱含層人工神經(jīng)網(wǎng)絡(luò)(ANN)。設(shè)定最大迭代次數(shù)為1 000,為避免過擬合采用權(quán)重衰減方法,權(quán)值衰減常量和隱含層神經(jīng)元數(shù)通過交叉驗(yàn)證確定,候選值分別設(shè)為{0.002,0.003,0.004,0.005,0.006},{1,2,3,4,5}。

    支持向量機(jī)通過引入核函數(shù)將變量映射到高維空間可以實(shí)現(xiàn)非線性分類和回歸。調(diào)用kernlab包[23]訓(xùn)練支持向量回歸機(jī)(SVR)。訓(xùn)練前對自變量進(jìn)行標(biāo)準(zhǔn)化預(yù)處理,使其均值為0,方差為1。核函數(shù)選用多項(xiàng)式函數(shù), 其中offset設(shè)為1。參數(shù)degree、scale以及懲罰系數(shù)cost通過交叉驗(yàn)證確定,候選值分別為{1,2,3},{0.001,0.01,0.1},{0.25,0.5,1}。

    隨機(jī)森林算法[24-25]是Leo Breiman和Adele Cutler在2001年提出的,可用于分類和回歸,比它以前所有的方法都精確[26]。隨機(jī)森林用于回歸時用戶自行設(shè)定回歸樹數(shù)目n,用bootstrap重抽樣法從訓(xùn)練集中抽取n個樣本,每個樣本訓(xùn)練出一棵回歸樹,在回歸樹的每個節(jié)點(diǎn)從m個(小于自變量個數(shù))隨機(jī)抽取的自變量中選擇分割點(diǎn)對變量空間進(jìn)行遞歸二叉分割。訓(xùn)練好的模型用于預(yù)測時,每棵回歸樹單獨(dú)進(jìn)行預(yù)測,以n個預(yù)測值的平均值作為最終結(jié)果。調(diào)用RandomForest包[15]訓(xùn)練隨機(jī)森林(RF)?;貧w樹數(shù)目n設(shè)為500。m通過交叉驗(yàn)證確定,候選值設(shè)為{1,2,3}。

    2 結(jié)果與討論

    2.1 冬小麥拔節(jié)期葉片氮積累量與冠層覆蓋度、色彩參數(shù)的相關(guān)性分析

    表2為冬小麥拔節(jié)期葉片氮積累量與冠層覆蓋度等變量的相關(guān)分析結(jié)果。由表2可知: 拔節(jié)期葉片氮積累量與冠層覆蓋度(CC)呈極顯著正相關(guān); 與可見光波段的紅光亮度值(R)、綠光亮度值(G)呈極顯著負(fù)相關(guān),而與藍(lán)光亮度值(B)呈正相關(guān),但未達(dá)到顯著水平; 葉片氮積累量與冠層圖像色彩指數(shù)間均呈極顯著相關(guān),其中,與差值指數(shù)(GMR)、比值指數(shù)(GTR)和歸一化差值指數(shù)(NDI)呈正相關(guān),而與過綠化指數(shù)(GTR)和標(biāo)準(zhǔn)化綠光指數(shù)(g)呈負(fù)相關(guān)。相關(guān)程度來看,與CC的相關(guān)性最高,相關(guān)系數(shù)為0.889; 與R,G,GTR,EXG和NDI的相關(guān)系數(shù)也均大于0.55,達(dá)到極顯著水平。上述結(jié)果表明,由冠層圖像分析獲取的CC,R,NDI,EXG等能較準(zhǔn)確地反映冬小麥拔節(jié)期葉片氮積累量的變化,即,以冠層覆蓋度等為自變量的冬小麥拔節(jié)期葉片氮積累量估算模型的構(gòu)建具有一定的可行性。

    表2 葉片氮積累量與冠層覆蓋度、色彩分量和色彩指數(shù)的相關(guān)系數(shù)

    **: Significant at 0.01 level

    2.2 葉片氮積累量估算模型的構(gòu)建及驗(yàn)證

    表3為以冠層覆蓋度和色彩指數(shù)及色彩分量為自變量的非線性回歸模型的構(gòu)建、交叉驗(yàn)證及模型驗(yàn)證結(jié)果。由表3可知,模型構(gòu)建和交叉驗(yàn)證的決定系數(shù)均大于0.85,模型驗(yàn)證的決定系數(shù)也均大于0.75,說明基于冠層覆蓋度及色彩分量、色彩指數(shù)的非線性回歸模型能準(zhǔn)確地估算拔節(jié)期葉片氮積累量。六種非線性回歸估算模型中,基于冠層覆蓋度及可見光波段G和B分量的估算模型的估算精度稍高于基于冠層覆蓋度及五種色彩指數(shù)的估算模型的估算精度。這可能與本研究中色彩指數(shù)的計算是由分割后的冠層圖像色彩分量有關(guān),色彩指數(shù)的構(gòu)建有消除背景影響及突出特定(目標(biāo))信息方面的考慮[27],而本研究的圖像色彩指數(shù)是由分割后的小麥圖像可見光波段R,G,B分量計算得到,即已經(jīng)排除了土壤背景的影響。

    以冠層覆蓋度CC和可見光R,G,B色彩分量作為自變量,采用三種機(jī)器學(xué)習(xí)算法,即人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量回歸(SVR)和隨機(jī)森林算法(RF)構(gòu)建冬小麥拔節(jié)期葉片氮積累量的估算模型。通過交叉驗(yàn)證確定的人工神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個數(shù)為2,支持向量回歸的degree,scale及懲罰系數(shù)cost的組合為{3,0.1,1},隨機(jī)森林的m值為3。表4為模型構(gòu)建、交叉驗(yàn)證及外部測試的結(jié)果,為便于比較將估算精度最高的非線性回歸(NLS)模型的結(jié)果也列于表4。圖2為四種估算模型的交叉驗(yàn)證RMSE的密度曲線,圖3為四種模型的預(yù)測值與實(shí)測值的1∶1關(guān)系圖。

    由表4可知,基于隨機(jī)森林算法的估算模型RMSE和RRMSE最小,R2最大,但其交叉驗(yàn)證和外部測試的RMSE和RRMSE最大,R2最小,表明基于隨機(jī)森林算法的估算模型的構(gòu)建存在過擬合現(xiàn)象。四種估算模型交叉驗(yàn)證RMSE的密度曲線(圖2)也反映了這一特征,即隨機(jī)森林算法交叉驗(yàn)證RMSE的分布較其他三種相比明顯在右側(cè)。

    表3 基于非線性回歸的葉片氮積累量估算模型的建立、交叉驗(yàn)證及模型驗(yàn)證結(jié)果

    表4 基于非線性回歸和機(jī)器學(xué)習(xí)算法的葉片氮積累量估算模型的建立、交叉驗(yàn)證及模型驗(yàn)證結(jié)果

    圖2 基于非線性回歸和機(jī)器學(xué)習(xí)算法的葉片氮積累量估算模型的交叉驗(yàn)證均方根誤差的相對頻率

    Fig.2 Relative frequency of root mean square error (RMSE) of cross-validation for the methods of NLS, ANN, SVR, and RF

    其他三種估算模型(NLS,ANN和SVR)的模型構(gòu)建及交叉驗(yàn)證方面,基于ANN的估算模型建模集的RMSE和RRMSE最小,R2最大; NLS的交叉驗(yàn)證RMSE最小,R2最大; 基于SVR估算模型的交叉驗(yàn)證RMSE,R2最大,但三種方法間的差異較小。模型驗(yàn)證方面,由表4的模型驗(yàn)證結(jié)果和1∶1關(guān)系圖(圖3)可知,基于SVR的模型驗(yàn)證的RMSE、RRMSE最小,決定系數(shù)最大,但三種方法的差異也較小。模型擬合、交叉驗(yàn)證和模型驗(yàn)證結(jié)果表明三種方法(NLS, ANN和SVR)均具有較高的估算精度和泛化性能。另外,機(jī)器學(xué)習(xí)算法的部分參數(shù)支持自行調(diào)試以獲得更好的估算效果,本研究中的部分參數(shù)采用了軟件默認(rèn)值,因此ANN和SVR的估算精度還有提升的空間。

    3 結(jié) 論

    (1)冬小麥拔節(jié)期葉片氮積累量與由冠層數(shù)碼圖像分析獲取的冠層覆蓋度及部分色彩分量、色彩指數(shù)呈顯著相關(guān),其中與冠層覆蓋度的相關(guān)性最強(qiáng)。

    圖3 基于非線性回歸和機(jī)器學(xué)習(xí)算法的葉片氮積累量估算模型的預(yù)測值與實(shí)測值之間的關(guān)系

    Fig.3 Relationship between predicted leaf nitrogen accumulation based on the methods of NLS with CC, G,and B, ANN, SVR, and RF and measured leaf nitrogen accumulation during elongation stage

    (2)基于冠層覆蓋度及色彩分量的非線性估算模型較基于冠層覆蓋度及色彩指數(shù)的非線性估算模型具有更高的估算精度,且兩種方法均具有較高的泛化性能。

    (3)基于隨機(jī)森林算法的葉片氮積累量的估算存在明顯的過擬合現(xiàn)象; 基于NLS,ANN和SVR的葉片氮積累量的估算均具有較高的估算精度和泛化性能,均可用來構(gòu)建基于冠層覆蓋度和色彩分量的拔節(jié)期冬小麥葉片氮積累量的估算模型,或反演拔節(jié)期冬小麥葉片氮積累量。

    線性回歸模型中,利用變量選擇方法在一定程度上能消除變量間的多重共線性,從而獲得較為穩(wěn)定的回歸方程,但同時也會損失部分信息。這些是在處理高維數(shù)據(jù)時所采取的折中的辦法,而現(xiàn)代數(shù)據(jù)挖掘的很多算法能應(yīng)對高維數(shù)據(jù)的非線性擬合問題,與傳統(tǒng)方法相比具有相近或者更高的精度,而且魯棒性也很強(qiáng),不必對變量進(jìn)行組合或剔除。但其缺點(diǎn)是有些機(jī)器算法無法生成顯性的數(shù)學(xué)方程或規(guī)則,而是將變量之間的關(guān)系直接體現(xiàn)在算法當(dāng)中,因此模型的可解釋性較弱[9]。

    [1] Rockst?m J, Steffen W, Noone K, et al. Ecology & Society, 2009, 14(2): 32.

    [2] Mu?oz-Huerta R F, Guevara-Gonzalez R G, Contreras-Medina L M, et al. Sensors, 2013, 13(8): 10823.

    [3] Lee K J, Lee B W. European Journal of Agronomy, 2013, 48: 57.

    [4] Li Y, Chen D, Walker C N, et al. Field Crops Research, 2010, 118(3): 221.

    [5] Jia B, He H, Ma F, et al. The Scientific World Journal, 2014. 2014: doi: 10.1155/2014/602647.

    [6] Tewari V K, Arudra A K, Kumar S P, et al. Agricultural Engineering International: CIGR Journal, 2013, 15(2): 78.

    [7] ZHANG Li-zhou, WANG Dian-wu, ZHANG Yu-ming, et al(張立周, 王殿武, 張玉銘, 等). Chinese Journal of Eco-Agriculture(中國生態(tài)農(nóng)業(yè)學(xué)報), 2010, 18 (6): 1340.

    [8] CHEN Ji-shan, ZHU Rui-fen, GAO Chao, et al(陳積山, 朱瑞芬, 高 超, 等). Acta Agrestia Sinica(草地學(xué)報), 2013, 21(3): 576.

    [9] Breiman L. Statistical Science, 2001, 16(3): 199.

    [10] WANG Da-cheng, WANG Ji-hua, JIN Ning, et al(王大成,王紀(jì)華,靳 寧,等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報), 2008, 24(S2): 196.

    [11] XIA Tian, WU Wen-bin, ZHOU Qing-bo, et al(夏 天,吳文斌,周清波,等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報), 2013, 29(3): 139.

    [12] LIANG Liang, YANG Min-hua, ZHANG Lian-peng, et al(梁 亮,楊敏華,張連蓬,等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報), 2012, 28(20): 162,294.

    [13] LIANG Dong, GUAN Qing-song, HUANG Wen-jiang, et al(梁 棟,管青松,黃文江,等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報), 2013, 29(7): 117.

    [14] LI Feng, YIN Wei-wei(李 峰,印蔚蔚). Computer Engineering(計算機(jī)工程),2011,37(17): 211.

    [15] Liaw A, Wiener M R. News, 2002, 2: 18.

    [16] WANG Yuan, WANG De-jian, ZHANG Gang, et al(王 遠(yuǎn),王德建,張 剛,等). Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報),2012,28(17): 131.

    [17] Adamsen F G, Pinter P J, Barnes E M, et al. Crop Science, 1999, 39(3): 719.

    [18] Woebbecke D M, Meyer G E, Von Bargen K, et al. Transactions of the ASAE, 1995, 38(1): 259.

    [19] ZHANG Li-zhou, HOU Xiao-yu, ZHANG Yu-ming, et al(張立周, 侯曉宇, 張玉銘, 等). Chinese Journal of Eco-Agriculture(中國生態(tài)農(nóng)業(yè)學(xué)報), 2011, 19(5): 1168.

    [20] Kuhn M, Johnson K. Applied Predictive Modeling. New York: Springer, 2013.

    [21] Ritz C, Streibig J C. Nonlinear regression with R. Springer, 2008.

    [22] Venables W N, Ripley B D. Modern Applied Statistics with S. 4th ed. New York: Springer, 2002.

    [23] Karatzoglou A, Smola Am, Hornik K, et al. Journal of Statistical Software, 2004, 11(9): 1.

    [24] James G, Witten D, Hastie T, et al. An Introduction to Statistical Learning. New York: Springer, 2013.

    [25] Hastie T, Tibshirani R, Friedman J, et al. The Elements of Statistical Learning. New York: Springer, 2009.

    [26] WU Xi-zhi(吳喜之). Statistics(統(tǒng)計學(xué)). Beijing: Higher Education Press(北京: 高等教育出版社), 2008.

    [27] LIU Ji-ping (劉吉平). Remote Sensing Principle and Remote Sensing Information Analysis(遙感原理及遙感信息分析基礎(chǔ)). Wuhan: Wuhan University Press(武漢: 武漢大學(xué)出版社), 2012.

    (Received Apr. 2, 2015; accepted Aug. 18, 2015)

    *Corresponding author

    Estimation of Winter Wheat Leaf Nitrogen Accumulation using Machine Learning Algorithm and Visible Spectral

    CUI Ri-xian1, LIU Ya-dong1, FU Jin-dong2*

    1. College of Agronomy and Plant Protection, Qingdao Agricultural University, Shandong Provincial Key Laboratory of Dryland Farming Techniques, Qingdao 266109, China 2. Institute of Crop Science, Chinese Academy of Agricultural Sciences, Beijing 100081, China

    In order to study the feasibility of using digital image analysis and machine learning algorithm to estimate leaf nitrogen accumulation (LNA) of winter wheat at canopy level, digital images of winter wheat canopies grown under six levels of nitrogen application rate were taken for four times during the elongation stage. Meanwhile, wheat plants were sampled to measure LNA. The random forest method using CIEL*a*b* components was used to segment wheat plant from soil background and then extract canopy cover, RGB components of sRGB color space and compute five color indices derived from RGB components. Correlation analysis was carried out to identify the relationship between LNA and canopy cover (CC), RGB components, and five color indices. Two kinds of nonlinear least squares regression models (NLS) with different independent variables of color components and color indices, and three machine learning algorithmic of artificial neural network (ANN), support vector regression (SVR), and random forests method (RF) were used to estimate winter wheat leaf nitrogen accumulation. All three machine learning algorithm had four input variables of CC, R, G, and B. The results showed that, CC, R and G component of sRGB color space, and five color indices derived from RGB components showed significant correlations with LNA during the elongation stage. CC revealed the highest correlation with LNA. The lowest accuracy in estimation LNA was achieved by using nonlinear least square model with CC and color indices, and RF had showed the problem of overfitting. The other three methods of LNA with CC and RGB components, ANN, and SVR had showed good performance with higherR2(0.851, 0.845, and 0.862) and lower RMSE (19.440, 19.820, and 18.698) for model calibration and validation, revealing good generalization ability.

    Winter wheat; Machine learning algorithm; Visible spectrum; Color indices; Canopy cover; Leaf nitrogen accumulation

    2015-04-02,

    2015-08-18

    農(nóng)業(yè)部(948)項(xiàng)目(2012-Z5)和山東省旱地作物水分高效利用科研創(chuàng)新團(tuán)隊(duì)項(xiàng)目資助

    崔日鮮,1963年生,青島農(nóng)業(yè)大學(xué)農(nóng)學(xué)與植保學(xué)院博士 e-mail: chis@qau.edu.cn *通訊聯(lián)系人 e-mail: fujindong@caas.cn

    S126; S512.1

    A

    10.3964/j.issn.1000-0593(2016)06-1837-06

    猜你喜歡
    冠層覆蓋度冬小麥
    呼和浩特市和林格爾縣植被覆蓋度變化遙感監(jiān)測
    基于低空遙感的果樹冠層信息提取方法研究
    基于NDVI的晉州市植被覆蓋信息提取
    基于激光雷達(dá)的樹形靶標(biāo)冠層葉面積探測模型研究
    安徽省淮南森林冠層輻射傳輸過程的特征
    低覆蓋度CO分子在Ni(110)面的吸附研究
    施氮水平對冬小麥冠層氨揮發(fā)的影響
    甘肅冬小麥田
    冬小麥和春小麥
    中學(xué)生(2015年4期)2015-08-31 02:53:50
    冬小麥——新冬18號
    在线观看66精品国产| 欧美日韩乱码在线| 桃红色精品国产亚洲av| 久久精品国产99精品国产亚洲性色| 日本一本二区三区精品| 99国产精品一区二区三区| 国产爱豆传媒在线观看| 亚洲中文av在线| 一本久久中文字幕| 亚洲av成人精品一区久久| 国内精品一区二区在线观看| 女人高潮潮喷娇喘18禁视频| 亚洲性夜色夜夜综合| 两性夫妻黄色片| 国产人伦9x9x在线观看| 欧美日韩综合久久久久久 | 九九热线精品视视频播放| 给我免费播放毛片高清在线观看| 中文字幕久久专区| 国产极品精品免费视频能看的| 久久久成人免费电影| 欧美在线一区亚洲| 久久伊人香网站| 久久久久国产精品人妻aⅴ院| 久久久国产欧美日韩av| 欧美成人性av电影在线观看| 国产成人啪精品午夜网站| 一个人看视频在线观看www免费 | 岛国在线免费视频观看| 国产成人啪精品午夜网站| 欧美日韩瑟瑟在线播放| 最新中文字幕久久久久 | 中文字幕av在线有码专区| 免费看光身美女| 国产午夜精品论理片| 麻豆成人午夜福利视频| 亚洲国产欧洲综合997久久,| 欧美黑人欧美精品刺激| 99在线人妻在线中文字幕| 视频区欧美日本亚洲| 亚洲国产欧美人成| 99久久无色码亚洲精品果冻| 在线播放国产精品三级| 日本黄色视频三级网站网址| 哪里可以看免费的av片| 十八禁人妻一区二区| 黄色丝袜av网址大全| 国产乱人伦免费视频| 国产一区在线观看成人免费| 99国产精品一区二区蜜桃av| 色尼玛亚洲综合影院| 一个人看的www免费观看视频| 一a级毛片在线观看| 亚洲av第一区精品v没综合| 性欧美人与动物交配| 国产熟女xx| 人人妻,人人澡人人爽秒播| 久久精品综合一区二区三区| 亚洲一区高清亚洲精品| 国产黄片美女视频| 国产主播在线观看一区二区| 日本一二三区视频观看| 精品国产乱子伦一区二区三区| 亚洲成人免费电影在线观看| 国产三级黄色录像| 非洲黑人性xxxx精品又粗又长| 成人精品一区二区免费| 欧美av亚洲av综合av国产av| 亚洲五月天丁香| 黄色丝袜av网址大全| 九九在线视频观看精品| 免费高清视频大片| 国产视频内射| 国产精品1区2区在线观看.| 男女下面进入的视频免费午夜| 少妇裸体淫交视频免费看高清| 亚洲一区高清亚洲精品| 白带黄色成豆腐渣| 宅男免费午夜| 最近在线观看免费完整版| 精品国内亚洲2022精品成人| 午夜福利在线在线| 国产高清有码在线观看视频| av黄色大香蕉| 久久久久久九九精品二区国产| 亚洲精品国产精品久久久不卡| 好男人在线观看高清免费视频| 国产精品 欧美亚洲| 欧美最黄视频在线播放免费| 国产野战对白在线观看| 日韩三级视频一区二区三区| tocl精华| 国产伦在线观看视频一区| 久久国产乱子伦精品免费另类| 我要搜黄色片| 亚洲男人的天堂狠狠| 变态另类成人亚洲欧美熟女| 亚洲av免费在线观看| 真人一进一出gif抽搐免费| 免费观看精品视频网站| 日韩成人在线观看一区二区三区| 国产精品久久视频播放| 国产激情欧美一区二区| 亚洲国产精品999在线| 91在线精品国自产拍蜜月 | 久久久精品大字幕| 免费看a级黄色片| 狠狠狠狠99中文字幕| 国产久久久一区二区三区| av福利片在线观看| 国产一区二区激情短视频| 美女 人体艺术 gogo| 国产精品亚洲美女久久久| 97人妻精品一区二区三区麻豆| 久久久久久久精品吃奶| 观看免费一级毛片| 99国产极品粉嫩在线观看| 在线观看美女被高潮喷水网站 | 国产高清有码在线观看视频| 黑人欧美特级aaaaaa片| 午夜免费成人在线视频| 亚洲精华国产精华精| 最近最新中文字幕大全电影3| 12—13女人毛片做爰片一| 综合色av麻豆| 日韩欧美在线二视频| 亚洲精品在线美女| 亚洲中文av在线| 首页视频小说图片口味搜索| 中文亚洲av片在线观看爽| 老汉色av国产亚洲站长工具| 女人被狂操c到高潮| 老熟妇乱子伦视频在线观看| 国产成年人精品一区二区| 成人性生交大片免费视频hd| 亚洲无线观看免费| 国内揄拍国产精品人妻在线| 麻豆成人午夜福利视频| 激情在线观看视频在线高清| 亚洲熟妇中文字幕五十中出| 亚洲第一欧美日韩一区二区三区| 午夜两性在线视频| 叶爱在线成人免费视频播放| www.熟女人妻精品国产| 神马国产精品三级电影在线观看| 欧美zozozo另类| 亚洲天堂国产精品一区在线| 波多野结衣高清无吗| 欧美成人性av电影在线观看| 成人欧美大片| 一a级毛片在线观看| 毛片女人毛片| 天天一区二区日本电影三级| 十八禁网站免费在线| 精品无人区乱码1区二区| 两性午夜刺激爽爽歪歪视频在线观看| 国产精品久久久久久精品电影| 久9热在线精品视频| 香蕉久久夜色| 88av欧美| 精品日产1卡2卡| 国产精品98久久久久久宅男小说| 淫秽高清视频在线观看| 午夜久久久久精精品| 每晚都被弄得嗷嗷叫到高潮| 久久中文字幕人妻熟女| 国产高清videossex| 我的老师免费观看完整版| 最近视频中文字幕2019在线8| 欧美另类亚洲清纯唯美| 91字幕亚洲| 亚洲七黄色美女视频| 观看免费一级毛片| 五月伊人婷婷丁香| 欧美日韩一级在线毛片| 国产精品98久久久久久宅男小说| 麻豆成人av在线观看| 久久香蕉国产精品| 天堂影院成人在线观看| 久久久国产欧美日韩av| 久久久国产成人免费| 欧美乱色亚洲激情| www.999成人在线观看| 桃色一区二区三区在线观看| 午夜福利在线观看免费完整高清在 | 免费无遮挡裸体视频| 国产精品免费一区二区三区在线| 久久久久性生活片| 欧美日韩精品网址| 国产成人福利小说| 国产精品久久电影中文字幕| 精品电影一区二区在线| 这个男人来自地球电影免费观看| 国产精品99久久久久久久久| 99在线人妻在线中文字幕| 特大巨黑吊av在线直播| 久久精品人妻少妇| 亚洲五月婷婷丁香| 亚洲欧美日韩东京热| 亚洲,欧美精品.| 老司机午夜十八禁免费视频| 亚洲中文字幕日韩| 欧美成人性av电影在线观看| 九色国产91popny在线| 熟女电影av网| 国内揄拍国产精品人妻在线| 亚洲aⅴ乱码一区二区在线播放| 亚洲欧洲精品一区二区精品久久久| 久久香蕉精品热| 哪里可以看免费的av片| www国产在线视频色| 国产精品99久久99久久久不卡| 免费电影在线观看免费观看| 最近在线观看免费完整版| 高潮久久久久久久久久久不卡| 男人舔女人的私密视频| 听说在线观看完整版免费高清| 日本撒尿小便嘘嘘汇集6| 老熟妇乱子伦视频在线观看| 色噜噜av男人的天堂激情| 亚洲无线在线观看| 在线免费观看不下载黄p国产 | 日韩成人在线观看一区二区三区| 最近最新中文字幕大全免费视频| 丰满人妻熟妇乱又伦精品不卡| 国产视频一区二区在线看| 精品国产美女av久久久久小说| 高清毛片免费观看视频网站| 精品久久久久久久久久免费视频| 小说图片视频综合网站| 欧美午夜高清在线| 国产麻豆成人av免费视频| 亚洲色图av天堂| 琪琪午夜伦伦电影理论片6080| 亚洲精品乱码久久久v下载方式 | 免费观看人在逋| 两个人看的免费小视频| 97人妻精品一区二区三区麻豆| 精品一区二区三区视频在线 | 国产主播在线观看一区二区| 少妇的丰满在线观看| 久久精品91蜜桃| 观看美女的网站| 日韩大尺度精品在线看网址| 久久中文看片网| 首页视频小说图片口味搜索| 1000部很黄的大片| 母亲3免费完整高清在线观看| 精品国产乱子伦一区二区三区| 女人高潮潮喷娇喘18禁视频| 国内毛片毛片毛片毛片毛片| 精品日产1卡2卡| 免费无遮挡裸体视频| 香蕉av资源在线| 青草久久国产| 一本精品99久久精品77| 老汉色∧v一级毛片| 亚洲无线在线观看| 欧美一级毛片孕妇| 日韩精品中文字幕看吧| 99re在线观看精品视频| 色播亚洲综合网| 观看免费一级毛片| 男女做爰动态图高潮gif福利片| 老司机午夜十八禁免费视频| 男人舔女人的私密视频| 亚洲国产色片| 在线观看66精品国产| 制服丝袜大香蕉在线| 欧美最黄视频在线播放免费| 男女床上黄色一级片免费看| 高清在线国产一区| 97人妻精品一区二区三区麻豆| 国产精品美女特级片免费视频播放器 | 亚洲精品一区av在线观看| 黄片大片在线免费观看| 亚洲欧美精品综合一区二区三区| av视频在线观看入口| 中文字幕av在线有码专区| 久久婷婷人人爽人人干人人爱| 亚洲色图 男人天堂 中文字幕| 国产亚洲精品av在线| 国产三级在线视频| 精品免费久久久久久久清纯| 免费看日本二区| 黄色成人免费大全| 一进一出好大好爽视频| 午夜精品在线福利| 99久久99久久久精品蜜桃| 美女免费视频网站| 18美女黄网站色大片免费观看| 亚洲av成人精品一区久久| 大型黄色视频在线免费观看| 日本免费a在线| 国产精品 欧美亚洲| 亚洲中文字幕一区二区三区有码在线看 | 欧美zozozo另类| 国产 一区 欧美 日韩| 97碰自拍视频| 国产精品 国内视频| 真人做人爱边吃奶动态| 久久亚洲精品不卡| 最近在线观看免费完整版| 国产午夜精品论理片| 色吧在线观看| 免费在线观看成人毛片| 国产精品99久久99久久久不卡| 国产午夜精品久久久久久| 国产亚洲欧美98| 麻豆成人av在线观看| 国产成人精品久久二区二区91| 在线国产一区二区在线| 精品国产美女av久久久久小说| tocl精华| 99久久99久久久精品蜜桃| 久久国产乱子伦精品免费另类| 亚洲精华国产精华精| 日本一本二区三区精品| 亚洲激情在线av| 欧美中文日本在线观看视频| 亚洲乱码一区二区免费版| 国产美女午夜福利| 国产乱人视频| 久久这里只有精品19| ponron亚洲| 青草久久国产| 国产一区二区三区视频了| 18禁裸乳无遮挡免费网站照片| 免费无遮挡裸体视频| 亚洲av第一区精品v没综合| 香蕉久久夜色| 欧美日韩乱码在线| 亚洲va日本ⅴa欧美va伊人久久| 亚洲狠狠婷婷综合久久图片| 欧美日本视频| 国产精品自产拍在线观看55亚洲| 国产熟女xx| 久久久久久大精品| 在线观看舔阴道视频| 午夜福利免费观看在线| 亚洲av片天天在线观看| 国产精品精品国产色婷婷| 在线国产一区二区在线| av在线天堂中文字幕| 波多野结衣巨乳人妻| 老汉色av国产亚洲站长工具| 国产成人av激情在线播放| 精品乱码久久久久久99久播| 亚洲在线观看片| 丰满人妻一区二区三区视频av | 亚洲欧美日韩高清在线视频| www.999成人在线观看| 淫妇啪啪啪对白视频| 97超视频在线观看视频| 国产精品一区二区免费欧美| 国产高清视频在线观看网站| 亚洲欧美日韩高清在线视频| 国产精品九九99| 高潮久久久久久久久久久不卡| 久久久久久久久久黄片| 精品国产乱子伦一区二区三区| 男女床上黄色一级片免费看| 窝窝影院91人妻| 美女高潮喷水抽搐中文字幕| 日韩大尺度精品在线看网址| 成年女人永久免费观看视频| 亚洲午夜理论影院| 国产伦人伦偷精品视频| 亚洲av五月六月丁香网| 亚洲精品久久国产高清桃花| 亚洲 欧美 日韩 在线 免费| 国产淫片久久久久久久久 | 国产综合懂色| 美女免费视频网站| 免费在线观看亚洲国产| 日韩欧美精品v在线| 在线观看日韩欧美| 99视频精品全部免费 在线 | 嫩草影视91久久| 在线免费观看不下载黄p国产 | 99热这里只有精品一区 | av片东京热男人的天堂| 丁香欧美五月| 欧美中文综合在线视频| 国产私拍福利视频在线观看| 日韩大尺度精品在线看网址| 色综合站精品国产| 国产亚洲精品综合一区在线观看| 我要搜黄色片| 欧美不卡视频在线免费观看| 久久天躁狠狠躁夜夜2o2o| 国产黄a三级三级三级人| 啦啦啦观看免费观看视频高清| www.999成人在线观看| 啦啦啦韩国在线观看视频| 九色成人免费人妻av| 窝窝影院91人妻| 九九热线精品视视频播放| 人人妻人人看人人澡| 舔av片在线| 国产亚洲精品av在线| 日韩欧美免费精品| 免费无遮挡裸体视频| 欧美xxxx黑人xx丫x性爽| 中文亚洲av片在线观看爽| 久久性视频一级片| 老熟妇仑乱视频hdxx| 日韩有码中文字幕| 午夜福利18| 色综合欧美亚洲国产小说| 亚洲国产看品久久| 高清在线国产一区| 老汉色av国产亚洲站长工具| 国产成人精品久久二区二区免费| 91av网站免费观看| 国产精品1区2区在线观看.| 高清毛片免费观看视频网站| 国产精品综合久久久久久久免费| x7x7x7水蜜桃| 少妇人妻一区二区三区视频| 欧美国产日韩亚洲一区| 男女床上黄色一级片免费看| 看黄色毛片网站| 国产精品精品国产色婷婷| 亚洲va日本ⅴa欧美va伊人久久| 69av精品久久久久久| 精品福利观看| 美女cb高潮喷水在线观看 | 女人被狂操c到高潮| 一a级毛片在线观看| 高清在线国产一区| 九色成人免费人妻av| 亚洲国产欧美网| 少妇裸体淫交视频免费看高清| 国产成+人综合+亚洲专区| 久久精品综合一区二区三区| 精品国内亚洲2022精品成人| 久久中文看片网| 最近最新中文字幕大全电影3| 国产成人aa在线观看| 欧美3d第一页| 午夜福利在线在线| 狂野欧美白嫩少妇大欣赏| 免费在线观看视频国产中文字幕亚洲| 午夜免费观看网址| 精品日产1卡2卡| 亚洲美女黄片视频| 国产日本99.免费观看| 黄色 视频免费看| 18美女黄网站色大片免费观看| 在线十欧美十亚洲十日本专区| 精品国产乱码久久久久久男人| 少妇的逼水好多| 床上黄色一级片| 看免费av毛片| 免费电影在线观看免费观看| 中文字幕最新亚洲高清| 18禁国产床啪视频网站| 亚洲天堂国产精品一区在线| 国产不卡一卡二| 在线看三级毛片| 好男人电影高清在线观看| 成人av在线播放网站| 不卡一级毛片| 国产欧美日韩一区二区精品| 亚洲va日本ⅴa欧美va伊人久久| 久久久久久久午夜电影| 国产在线精品亚洲第一网站| 在线观看一区二区三区| 亚洲第一欧美日韩一区二区三区| 国产精品久久久久久亚洲av鲁大| 麻豆国产av国片精品| 99视频精品全部免费 在线 | 亚洲avbb在线观看| 精华霜和精华液先用哪个| 国产97色在线日韩免费| 嫩草影视91久久| 亚洲人成电影免费在线| 老汉色∧v一级毛片| 久久九九热精品免费| 日韩中文字幕欧美一区二区| 国模一区二区三区四区视频 | 日韩av在线大香蕉| 亚洲va日本ⅴa欧美va伊人久久| 在线观看美女被高潮喷水网站 | 国产激情偷乱视频一区二区| 制服丝袜大香蕉在线| 在线观看66精品国产| 成人性生交大片免费视频hd| av国产免费在线观看| 久久国产精品人妻蜜桃| 90打野战视频偷拍视频| 免费无遮挡裸体视频| 亚洲欧美日韩高清专用| 成人三级黄色视频| 真实男女啪啪啪动态图| 一个人免费在线观看的高清视频| 国产精品99久久99久久久不卡| 亚洲国产色片| 五月伊人婷婷丁香| 日韩大尺度精品在线看网址| 男女之事视频高清在线观看| 精品一区二区三区视频在线观看免费| 97超级碰碰碰精品色视频在线观看| 草草在线视频免费看| 99热精品在线国产| 琪琪午夜伦伦电影理论片6080| 亚洲中文日韩欧美视频| 一个人免费在线观看的高清视频| 操出白浆在线播放| 日本黄色片子视频| 三级国产精品欧美在线观看 | 成人高潮视频无遮挡免费网站| 少妇裸体淫交视频免费看高清| 亚洲avbb在线观看| 香蕉av资源在线| 国产aⅴ精品一区二区三区波| 国产黄a三级三级三级人| 韩国av一区二区三区四区| 男女床上黄色一级片免费看| 亚洲av中文字字幕乱码综合| 国内毛片毛片毛片毛片毛片| 国产成+人综合+亚洲专区| 观看美女的网站| 国产精品乱码一区二三区的特点| 99国产精品一区二区蜜桃av| 日本成人三级电影网站| 免费观看的影片在线观看| 全区人妻精品视频| 亚洲欧美日韩高清专用| 欧美+亚洲+日韩+国产| 夜夜夜夜夜久久久久| 国产精品久久久av美女十八| 国产激情久久老熟女| 在线永久观看黄色视频| 九色国产91popny在线| 日韩三级视频一区二区三区| 少妇的逼水好多| 欧美日韩乱码在线| 老熟妇乱子伦视频在线观看| 性色avwww在线观看| 免费在线观看影片大全网站| 熟女人妻精品中文字幕| 男女午夜视频在线观看| 精品午夜福利视频在线观看一区| 久久精品国产亚洲av香蕉五月| xxx96com| 色综合站精品国产| 国产免费男女视频| cao死你这个sao货| 女同久久另类99精品国产91| 黄片大片在线免费观看| 亚洲一区二区三区色噜噜| 香蕉国产在线看| 欧美三级亚洲精品| 1024手机看黄色片| 伊人久久大香线蕉亚洲五| 久久久久性生活片| 亚洲国产精品sss在线观看| 亚洲avbb在线观看| 久久精品国产清高在天天线| 亚洲欧美日韩高清在线视频| 亚洲中文av在线| 成人永久免费在线观看视频| 欧美激情在线99| 国产亚洲av高清不卡| 久久九九热精品免费| 日韩免费av在线播放| 亚洲成a人片在线一区二区| 亚洲成人中文字幕在线播放| 久久伊人香网站| 久久久久久久久久黄片| 99久久精品一区二区三区| 亚洲性夜色夜夜综合| 757午夜福利合集在线观看| www.www免费av| 欧美日韩黄片免| 国产成人aa在线观看| 黄色女人牲交| 一本综合久久免费| 别揉我奶头~嗯~啊~动态视频| 国产不卡一卡二| 日韩欧美在线乱码| 久久九九热精品免费| 日韩 欧美 亚洲 中文字幕| 日日摸夜夜添夜夜添小说| 成人无遮挡网站| 免费看a级黄色片| 久久久精品大字幕| 久久亚洲真实| 欧美又色又爽又黄视频| 最近最新中文字幕大全电影3| 亚洲av第一区精品v没综合| 18禁观看日本| 国产 一区 欧美 日韩| 欧美成人性av电影在线观看| 欧美+亚洲+日韩+国产| 久久热在线av| 久久久久久久精品吃奶| 欧美又色又爽又黄视频| 亚洲在线观看片| 欧美黑人巨大hd| 亚洲乱码一区二区免费版| 成人一区二区视频在线观看| 色精品久久人妻99蜜桃| 日韩欧美精品v在线| 国产伦精品一区二区三区四那| 色精品久久人妻99蜜桃| 亚洲欧美日韩无卡精品| 国产激情偷乱视频一区二区| 一本久久中文字幕| 国产一区二区在线观看日韩 | 亚洲第一欧美日韩一区二区三区| 18禁国产床啪视频网站| 亚洲av片天天在线观看|