• <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 ?

    深度學習在印度洋偶極子預報中的應用研究

    2022-06-01 07:15:50劉俊唐佑民宋迅殊孫志林
    大氣科學 2022年3期
    關鍵詞:北半球印度洋卷積

    劉俊 唐佑民 宋迅殊 孫志林

    1 浙江大學海洋學院, 杭州310058

    2 河海大學海洋學院自然資源部海洋災害預報重點實驗室, 南京210021

    3 自然資源部第二海洋研究所衛(wèi)星海洋環(huán)境動力學國家重點實驗室, 杭州310012

    4 南方海洋科學與工程廣東省實驗室(珠海), 珠海519082

    1 引言

    在熱帶印度洋存在兩個明顯的年際變率模態(tài):印度洋海盆模態(tài)(Indian Ocean Basin-wide Mode,IOBM)和印度洋偶極子模態(tài)(Indian Ocean Dipole Mode,IODM)。IOBM 表現為整個熱帶印度洋區(qū)域一致增暖的模態(tài),該模態(tài)一般被認為是熱帶印度洋對熱帶太平洋的厄爾尼諾—南方濤動(El Nin?o-Southern Oscillation, ENSO)的響應(Klein et al.,1999; Venzke et al., 2000)。IOD 模態(tài)表現為東西部海表溫度異常(Sea Surface Temperature anomaly,SSTA)符號相反的印度洋偶極子模態(tài)(Saji et al.,1999)。印度洋偶極子的兩極分別位于:熱帶西印度 洋(10°S~10°N,50°~70°E;簡 稱 西 極 子,WIO)與熱帶東南印度洋(10°S~0°,90°~110°E;簡稱東極子,EIO)。兩極子之間SST 距平的區(qū)域平均之差定義為印度洋偶極子指數(Indian Ocean Dipole Mode Index,DMI)。

    IODM 是印度洋氣候異常年際變率的主要模態(tài)(Saji et al., 1999; Ashok et al., 2001),也是全球氣候季節(jié)到年際變化的主要影響因子之一(Saji and Yamagata, 2003)。IOD 一般起始于5~7 月,在9~11 月達到峰值,12 月到來年1、2 月迅速消亡,呈現出明顯的季節(jié)鎖相性(McKenna et al., 2020)。IOD 事件的整個過程受到熱帶印度洋背景場的調控。以正IOD 事件為例,通常在IOD 發(fā)展的初期,即5~7 月,在熱帶印度洋夏季風的作用下,蘇門答臘島沿岸的東南風加強,邊界流引起的Ekman 輸運增強,離岸流造成上升流也增強,使得局地的溫躍層變淺。當溫躍層抬升到一定的深度后,上升流的作用使得蘇門答臘—爪哇島沿岸的SST 變冷。東印度洋的SST 負異常將進一步加強熱帶印度洋東西向的SST 梯度,SST 的梯度反過來導致大氣對流向西流動,從而進一步增強蘇門答臘—爪哇島沿岸和赤道印度洋的東風異常,此東風異常有利于蘇門答臘沿岸的SST 變冷,這個過程也稱為Bjerknes 正反饋。而在來年的冬季,由于季風轉換,背景風場轉向,熱帶東南印度洋的東南風轉為西北風,不再利于上升流的產生,從而關閉利于產生IOD事件的時間窗口,使得IOD 事件迅速消亡(Saji et al., 1999; Saji and Yamagata, 2003; Liu et al., 2017)。

    IOD 會直接或間接影響世界許多地區(qū)的氣候,例如東非、印度尼西亞、澳大利亞、中國、歐洲和日本。IOD 的正相位時期,印度洋東南部地區(qū)的冷SST 異常會影響澳大利亞的氣候,澳大利亞周圍的異常冷水會導致降雨的減少(Ashok et al.,2003);IOD 還可以通過調節(jié)太平洋遙相關對日本的氣候產生影響,并且借由大氣遙相關影響歐洲的夏季(Behera et al., 2013);IOD 還能通過調節(jié)亞洲冬季風影響我國多個地區(qū)的氣溫和降雨(Li and Mu, 2001)。IOD 對許多國家產生了巨大的社會經濟影響,因此,提前精準預測IOD 尤為重要。目前,世界上各大預報中心多使用大氣海洋耦合氣候模型來預測IOD(Luo et al., 2007; Weller and Cai,2013; Kirtman et al., 2014)。這些動力學模型對全球氣候模擬與IOD 預報起到了巨大的推動作用。目前氣候動力學模型對IOD 的實際預測時效約為一個季度左右,而理論分析表明,IOD 的潛在預測時效在兩個季度以上(Zhao and Hendon, 2009; Shi et al., 2012; Becker et al., 2014; Liu et al., 2017; Wang et al., 2017; Wu and Tang, 2019)。因此,IOD 的實際預報技巧仍有較大的提升空間。

    隨著大數據時代的來臨,深度學習由于其高效的數據處理能力(LeCun et al., 2015),在氣候科學中的應用逐漸增多(Sahai et al., 2000; Lee et al.,2018; Rasp et al., 2018; Ham et al., 2019; Ratnam et al., 2020)。深度學習一般由多個處理層來組成計算模型,在經過若干處理層的轉換之后,模型可以學到非常精細的組合模式和空間特征(LeCun et al., 2015; Krizhevsky et al., 2017)。 Ham et al.(2019)利用深度學習中的卷積神經網絡(CNN)模型對ENSO 進行了預報。他們的結果顯示利用深度學習獲得的ENSO 預報技巧要高于現有最先進的耦合氣候動力模式,證明了深度學習在預報氣候事件中的潛力。由于IOD 的預報存在冬春季和夏季預報障礙(Feng et al., 2014; Liu et al.,2018),當起始態(tài)為北半球冬春季時,預報后續(xù)的IOD 發(fā)展最為困難(Wu and Tang, 2019; 雷蕾等,2020)。因此,本文將使用深度學習中的卷積神經網絡處理再分析資料中的SSTA,以春季為起始來預報IOD 事件以及東、西極子的溫度變化。同時,我們應用人工神經網絡(ANN)中的多層感知機(MLP)進行相同的預報試驗,作為經典神經網絡的預測結果。通過比較兩種模型的預報結果,分析CNN 模型的在預報印度洋海溫上的優(yōu)勢。

    本文的主要內容如下:第二節(jié)為本文所用的數據和模型;第三節(jié)為利用CNN 和MLP 模型對DMI、EIO 指數和WIO 指數的預測結果;第四節(jié)為總結與討論。

    2 數據與模型

    2.1 數據

    本文訓練模型選取的觀測資料為美國國家海洋和大氣管理局(National Oceanic and Atmospheric Administration,NOAA)的再分析資料Extended Reconstructed Sea Surface Temperature Version 5(ERSSTv5)(Huang et al., 2017),其中,訓練集時間范圍為1854~1989 年;驗證集時間范圍為1990~2019 年(共30 年)。SSTA 所選范圍為整個印度洋區(qū)域(70°S~25°N,25°~130°E)。我們將ERSSTv5 中連續(xù)三個月(1~3 月(JFM)、2~4 月(FMA)、3~5 月(MAM))的SSTA作為CNN 的輸入數據。模型輸出為提前時間(lead month)對應的DMI、EIOI 、WIOI。輸入和輸出的數據均是相對于氣候態(tài)的異常值,并且輸入與輸出的數據都進行了去趨勢化處理。

    2.2 CNN 模型與MLP 模型

    如圖1 所示,本文使用的CNN 模型架構包含兩個卷積池化層,一個全聯(lián)接層和一個輸出層。卷積層的作用是提取輸入SSTA 的空間特征等關鍵信息,池化層對這些信息進行放大或平均。經過兩次卷積池化處理后,全聯(lián)接層將特征圖展開并映射到合理的解空間。每個卷積層中有10~12 個過濾器,用于提取SSTA 的空間信息。過濾器在3×3 網格中提取SSTA 數據特征。平均池化層在2×2 網格中提取特征。全連接層具有8~10 個神經元。因為需要回歸來生成DMI,最終輸出層是一維的。根據卷積層中過濾器和全聯(lián)接層中神經元數目的不同,共有27 種CNN 模型的架構,分別記做C10C10D8,C10C10D9, C10C10D10, C10C11D8, ······,C12C12D10 等(C 和D 分別表示卷積層和全連接層,后面的數字代表過濾器或神經元數量)。數據批次為每次更新CNN 模型讀取的數據量大小。訓練中嘗試了將數據批次設置為12、24、48 和全批次(whole batch)。結果表明,CNN 模型對數據批次并不敏感,因此,數據批次設置為24。

    圖1 CNN 模型框架圖Fig. 1 Architecture of the CNN (convolutional neural network) model

    訓練輸入數據為ERSSTv5 連續(xù)三個月的SSTA,時間范圍為1854~1990 年。原始ERSSTv5網格點由原先的180×89 被重新調整為72×36,目的是避免CNN 模型參數過多導致的過擬合現象。除了限制輸入數據大小外,本文還通過減少神經元數量來盡量避免過擬合現象。如前文所述,CNN模型的神經元數量選取地較少,這本質上也是在限制CNN 模型的參數。CNN 模型的激活函數為Relu 函數,損失函數為常用的平均絕對誤差函數MAE(Mean Absolute Erorr)。

    學習率(Learning Rate,LR)是CNN 模型中相當重要的參數,它代表了模型尋優(yōu)過程的優(yōu)劣。不同CNN 模型架構傾向于不同的LR。因此,對于這27 種CNN 模型架構中的每一種,采用從0.05到0.0001 的LR 范圍進行訓練測試,選取使訓練出的DMI 與觀測值相關系數最高的LR 作為對應CNN模型架構的參數。隨后,在這個模型上,輸入驗證集數據來生成預測的DMI。將27 個不同架構的CNN 模型輸出的平均值用作最終的預測DMI。

    文中針對每個輸入時刻和對應的輸出時刻建立各自的CNN 模型組合(表1)。由于使用了三種預報初始時刻,且分別預報后續(xù)7 個月的DMI,則一共有21 個CNN 模型組合??紤]到不同的27種CNN 模型架構,則總的CNN 模型數量為567(21×27)。同理,預測EIO 和WIO 的CNN 模型的數量也均為567 個。

    表1 CNN 模型、MLP 模型的輸入(SSTA)與輸出(DMI)Table 1 Input (Sea Surface Temperature Anomaly, SSTA) and output (Indian Ocean Dipole Mode Index, DMI) of CNN model and MLP (multi-layer perceptron) model

    MLP 模型是一種前向結構的人工神經網絡(ANN)模型,由輸入層、隱藏層、輸出層組成。MLP 模型所有的神經層均為全聯(lián)接結構,且可以包含多個隱藏層。本文使用的多層感知機MLP 只包含一個隱藏的全聯(lián)接層。與本文所用的CNN 模型相比,MLP 模型缺少了卷積層和池化層,因此提取空間特征的能力相對較弱。為了與CNN 模型的預測結果進行對比,MLP 模型輸入輸出的資料和設置與CNN 一致。

    3 結果

    3.1 IOD 預報技巧

    et al., 2017; Wu and Tang, 2019),利用CNN 模型從JFM、FMA、MAM 三個初始狀態(tài)預報出的DMI 有效預報時效均達到7 個月,而利用MLP 模型所獲得的DMI 有效預報時效則不超過3 個月。同時,利用CNN 模型從三個初始時刻預報出DMI的RMSE 技巧均優(yōu)于MLP 模型。從相關系數和RMSE 這兩種實際預報技巧評價標準來看,CNN模型對DMI 的實際預報技巧遠勝于MLP 模型。這可能是由于CNN 能對海表溫度異常的空間結構進行解析,其卷積與池化能提取SSTA 中的空間特征,并充分考慮SSTA 中的非線性因素,從而能夠將輸入的SSTA 映射到合理的解空間,實現對數據的高效處理。MLP 模型由于不擅長處理結構型數據,對SSTA 空間結構特征的提取能力較弱,因此,MLP 預報的結果較差。現有最先進的動力耦合模式以春季為初始狀態(tài)對DMI 的有效預報時效不到一個季度(Shi et al., 2012),這遠低于CNN 模型的預報技巧,說明CNN 模型在預報DMI 上較現有的動力耦合模式有明顯的優(yōu)勢。RMSE 在預報目標月11 月以后迅速減少,主要是因為IOD 在秋季成熟后迅速衰退所致。RMSE 的大小跟預報量的振幅有直接的關系。

    圖3 為利用CNN 模式預報出的北半球秋季(9 月和10 月)平均的DMI 和對應觀測值隨時間的變化。所有指數均做了標準化處理。我們以一個標準差作為判定IOD 事件的閾值。當秋季平均的DMI 減去多年均值后超過一個標準差時,則認為發(fā)生了正IOD 事件;反之,當小于一個負標準差時,則認為發(fā)生了負IOD 事件。根據此標準,1990~2019 年間共發(fā)生五次正IOD 事件(1994 年、1997 年、2006 年、2015 年、2019 年)和 七 次 負IOD 事件(1990 年、1992 年、1996 年、1998 年、2005 年、2010 年、2016 年)。如果標準化的預報DMI 超過1,則認為預報出了IOD 事件。由于MLP 預報北半球秋季(9 月和10 月)平均DMI 的效果較差,其相關系數不超過0.5(圖2)。因此我們僅重點分析CNN 的結果。

    圖2 1990~2019 年以JFM、FMA、MAM 為起始態(tài),分別使用CNN 模型(實線)與MLP 模型(虛線)預報的DMI 與觀測值的(a)相關系數和(b)均方根誤差(RMSE)Fig. 2 (a) Correlation coefficients and (b) RMSE (root mean square errors) between the forecasted and observed DMI during 1990-2019 using CNN(solid lines) and MLP (dashed lines) models, respectively, with JFM (January-March), FMA (February-April), and MAM (March-May) as the initial conditions

    圖3 1990~2019 年觀測和CNN 模式預報的北半球秋季(9 月、10 月)平均的DMI(標準化的)Fig. 3 Normalized DMI observed and forecasted by CNN model averaged in boreal autumn (September and October) during 1990-2019

    以MAM 為起始態(tài),即提前預報時間為4 個月時,CNN 預報秋季平均DMI 與對應觀測值之間的相關系數為0.72。CNN 模型正確預報出了1997 年和2019 年的強IOD 事件,但低估了1994 年強IOD 事件的強度。對于強負IOD 事件,例如1990 年、1996 年和2016 年,CNN 模型預報的強度與觀測較為符合,但CNN 模型低估了2010 年強負IOD 時間的強度。

    隨著提前時間的增加,預報出的DMI 與觀測的相關系數逐漸減小。以FMA 和JFM 為初始時刻的相關系數預報技巧分別降低至0.67 和0.61。預報出的DMI 在21 世紀初出現較多的誤報。但對于1994 年和1997 年的強正IOD 事件,CNN 模型能夠提前5 個月(以FMA 為初始態(tài))和6 個月(以JFM 為初始態(tài))正確預報出IOD 的強度。而目前動力耦合模式以春季為初始態(tài)對這兩個強事件進行的預報均低估了IOD 事件的強度(Luo et al.,2005; Zhao and Hendon, 2009)。這說明CNN 在預報IOD 事件的強度上比現有的動力耦合模式存在優(yōu)勢。

    3.2 EIO 預報技巧

    印度洋東極子(EIO)在IOD 的發(fā)生發(fā)展中起到重要作用,是IOD 預報的重要區(qū)域(Luo et al.,2005)。圖4 顯示了利用CNN 模型和MLP 模型預報出的DMI 與觀測值的相關系數和RMSE 隨目標月份的變化。MLP 模型以北半球春季為起始態(tài)對EIO 的有效預報能夠提前約3~4 個月做出,而CNN 模型則能夠提前7 個月做出有效預報。同時,CNN 模型預報出EIOI 的RMSE 也明顯低于MLP模式,說明CNN 模型對EIOI 的預報技巧優(yōu)于MLP 模型。目前耦合動力模式以北半球春季為起始態(tài)對EIO 預報的有效預報時效約為4~5 個月(Luo et al., 2007; Zhao and Hendon, 2009)。這一預報技巧優(yōu)于MLP 模型但低于CNN 模型,說明CNN 模型能夠顯著改進目前對EIO 的預報技巧。

    圖4 1990~2019 年以JFM、FMA、MAM 為起始態(tài),分別使用CNN 模型(實線)與MLP 模型(虛線)預報的EIO 指數與觀測值的(a)相關系數和(b)RMSEFig. 4 (a) Correlation coefficients and (b) RMSE between the forecasted and observed EIOI (East Pole Index for Indian Ocean) during 1990-2019 using CNN (solid lines) and MLP (dashed lines) models, respectively, with JFM, FMA, and MAM as the initial conditions

    圖5 是以北半球春季為初始態(tài),CNN 模型預報出的北半球秋季(9 月和10 月)平均的標準化EIO 指數隨時間的變化??梢钥闯?,無論哪個初始態(tài),CNN 模型能夠較好地預報出過去30 年主要的EIO 冷暖事件,例如:1994 年、1997 年的冷事件和1998 年、2010 年的暖事件。但對于2019 年的強冷事件,無論以哪個初始狀態(tài),CNN 模型均低估了其強度。

    圖5 1990~2019 年觀測和CNN 模式預報的北半球秋季(9、10 月)平均EIO 指數(標準化的)Fig. 5 Normalized EIOI index observed and forecasted by CNN mode averaged in boreal autumn (September and October) during 1990-2019

    3.3 WIO 預報技巧

    印度洋西極子(WIO)受到太平洋ENSO 事件的影響,其預報技巧通常比EIO 和DMI 高(Luo et al., 2005, 2007; Zhao and Hendon, 2009; Shi et al., 2012)。圖6 顯示了以北半球春季為初始態(tài),利用CNN 模型和MLP 模型預報出的WIO 指數與觀測的相關系數和RMSE 隨目標月份的變化。MLP 模型對WIO 指數的有效預報時效僅為一個季度不到,這遠低于目前耦合動力模式的有效預報時效(約為6~7 個月,Luo et al., 2007; Zhao and Hendon, 2009)。而CNN 模型對WIO 的有效預報也僅能提前6~7 個月做出,與目前耦合動力模式的預報技巧相近。與EIO 的預報技巧相比,CNN模型對WIO 的預報技巧更低,這與耦合動力模式的預報技巧不一致。這可能是由于我們在構造CNN 模型時僅利用印度洋作為輸入數據,缺少太平洋的ENSO 信號作為先兆因子,從而導致受到ENSO 影響的WIO 的預報技巧降低。

    圖6 1990~2019 年以JFM、FMA、MAM 為起始態(tài),分別使用CNN 模型(實線)與MLP 模型(虛線)預報的WIO 指數與觀測值的(a)相關系數和(b)RMSEFig. 6 (a) Correlation coefficients and (b) RMSE between the forecasted and observed WIOI (West Pole Index for Indian Ocean) during 1990-2019 using CNN and MLP models, respectively, with JFM, FMA, and MAM as the initial conditions

    圖7 給出了以北半球春季為初始態(tài),CNN 模型預報出的北半球秋季(9 月和10 月)平均的標準化WIO 指數隨時間的變化。當提前時間較短時,以MAM 作為初始狀態(tài),CNN 模型基本預報出了主要的WIO 事件,例如,1996 年的冷事件以及2015 年和2019 年的暖事件。隨著提前時間的增長,CNN 模型對WIO 的預報技巧逐漸降低,并且在21 世紀初出現了較多的誤報。對于強WIO 事件(如1996 年、2015 年和2019 年),CNN 模型均能提前5 個月以上(以FMA 為初始條件)預報出。

    圖7 1990~2019 年觀測和CNN 模式預報的北半球秋季(9、10 月)平均WIO 指數(標準化的)Fig. 7 Normalized WIOI observed and forecasted by CNN mode averaged in boreal autumn (September and October) during 1990-2019

    4 結論與討論

    本文使用CNN 模型和MLP 模型處理再分析資料ERSSTv5,并以北半球春季的三個初始態(tài)為起始,對IOD 模態(tài)以及印度洋東西極子的海溫變化進行了預報。結果表明:

    (1)CNN 對DMI、EIOI 和WIOI 的有效預測時效均超過了6 個月。與現在耦合動力模式相比,CNN 模型能夠顯著提升DMI 和EIOI 的預報技巧,但對WIOI 的預報技巧提升有限。

    (2)當預報提前時間為7 個月時,CNN 模型能夠比較準確地預報1994 年、1997 年與2019 年的IOD 事件。

    (3)相比于傳統(tǒng)的神經網絡模型MLP,CNN模型對DMI、EIOI 和WIOI 的預報均有更高的預報技巧。

    IOD 事件在空間結構上的主要特征是東西印度洋的溫度梯度。由于CNN 模型擁有卷積層和池化層,能夠更好地解析圖像數據的空間結構(Zeiler and Fergus, 2014),抓住IOD 事件東西溫度梯度的特征,從而能高效地求解SSTA 與DMI 之間映射關系,因此,CNN 模型對IOD 事件的預報技巧較優(yōu)于傳統(tǒng)的神經網絡MLP 模型。

    CNN 模型對WIOI 的預報不夠理想表明了在訓練模型時,不僅要考慮局地印度洋的信號,而且還要考慮太平洋信號的遙相關作用。今后我們將就這一點進行進一步研究。

    同時,深度學習中超參數的最優(yōu)解會隨具體數據集變化而不同,需根據具體的數據狀況進行逐步調試,應避免過擬合與欠擬合現象發(fā)生。神經元數量、學習率、優(yōu)化器、網絡層數等是模型自身超參數,其調節(jié)一般都是試錯的過程。在算力充足的條件下,可對每個超參數設定一個數值或類型范圍,對它們的組合全部進行訓練。若時間有限,在固定其他超參數為默認值的條件下,可優(yōu)先調節(jié)神經元數量與學習率,同樣能夠取得較為理想的結果。

    總而言之,我們的研究結果表明,CNN 模型在印度洋海溫預報中有著較好的表現,深度學習方法在氣候預報中存在較大的潛力和應用價值。

    猜你喜歡
    北半球印度洋卷積
    北半球最強“星空攝影師”開工啦
    軍事文摘(2023年24期)2023-12-19 06:50:06
    基于3D-Winograd的快速卷積算法設計及FPGA實現
    清涼一夏
    與南亞高壓相聯(lián)的歐亞大陸-印度洋經向環(huán)流
    南北半球天象
    軍事文摘(2019年18期)2019-09-25 08:09:22
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標跟蹤算法
    去印度洋
    滇池(2018年1期)2018-01-17 21:34:30
    印度洋上接“嫦娥”回家:遠望3號船精確測控探月三期試驗返回器順利再入返回側記
    太空探索(2014年12期)2014-07-12 15:17:10
    一種基于卷積神經網絡的性別識別方法
    電視技術(2014年19期)2014-03-11 15:38:20
    韩国av在线不卡| 亚洲国产精品成人综合色| 国产欧美另类精品又又久久亚洲欧美| 国产亚洲5aaaaa淫片| 久久精品久久久久久噜噜老黄| 男女下面进入的视频免费午夜| 亚洲自拍偷在线| 欧美日韩视频精品一区| 一本色道久久久久久精品综合| 国产一区亚洲一区在线观看| 国产亚洲最大av| 日韩强制内射视频| 丰满乱子伦码专区| 搡老乐熟女国产| 日韩强制内射视频| av在线天堂中文字幕| 精品久久国产蜜桃| 激情五月婷婷亚洲| 色视频在线一区二区三区| 狂野欧美激情性xxxx在线观看| 亚洲精品国产成人久久av| 综合色av麻豆| 亚洲av电影在线观看一区二区三区 | 91久久精品电影网| 免费观看在线日韩| 亚洲av欧美aⅴ国产| 纵有疾风起免费观看全集完整版| 日韩人妻高清精品专区| 久久99精品国语久久久| 欧美日韩精品成人综合77777| 国产永久视频网站| av播播在线观看一区| 国产精品av视频在线免费观看| 国产精品久久久久久精品电影| 少妇被粗大猛烈的视频| 一区二区三区精品91| 日韩av不卡免费在线播放| 人妻夜夜爽99麻豆av| 日本色播在线视频| 18禁裸乳无遮挡动漫免费视频 | 久久99热6这里只有精品| 又爽又黄无遮挡网站| 成年av动漫网址| 别揉我奶头 嗯啊视频| 高清毛片免费看| 最近最新中文字幕大全电影3| 中文字幕久久专区| 亚洲激情五月婷婷啪啪| 男女国产视频网站| av女优亚洲男人天堂| 久久久久久久亚洲中文字幕| 成人毛片a级毛片在线播放| 九色成人免费人妻av| 久久久色成人| 日韩视频在线欧美| 亚洲激情五月婷婷啪啪| 亚洲精品久久午夜乱码| 欧美成人午夜免费资源| 日本-黄色视频高清免费观看| av免费在线看不卡| 国产精品嫩草影院av在线观看| 久久久久久久亚洲中文字幕| 日韩av在线免费看完整版不卡| 国产男女内射视频| 国产精品国产三级国产专区5o| 人人妻人人看人人澡| 午夜日本视频在线| 日本av手机在线免费观看| 如何舔出高潮| 精品酒店卫生间| 国产一区二区在线观看日韩| 毛片一级片免费看久久久久| 国产大屁股一区二区在线视频| 大香蕉久久网| 成年女人看的毛片在线观看| 丰满人妻一区二区三区视频av| 一本久久精品| 成人美女网站在线观看视频| 99久久九九国产精品国产免费| 国产极品天堂在线| 国产精品人妻久久久影院| 国产一区亚洲一区在线观看| 精品久久久久久久久av| 成人国产av品久久久| 成年人午夜在线观看视频| 日本黄色片子视频| 国产精品麻豆人妻色哟哟久久| av在线亚洲专区| 亚洲经典国产精华液单| 91久久精品电影网| 搡女人真爽免费视频火全软件| 高清av免费在线| 国产成人免费无遮挡视频| 日韩一区二区三区影片| 天堂网av新在线| 亚洲成色77777| 亚洲真实伦在线观看| 99久久精品热视频| 日本猛色少妇xxxxx猛交久久| 狂野欧美激情性xxxx在线观看| 成年人午夜在线观看视频| 国语对白做爰xxxⅹ性视频网站| 69av精品久久久久久| 亚洲综合精品二区| 亚洲欧美中文字幕日韩二区| 久久99热6这里只有精品| 九九爱精品视频在线观看| av在线老鸭窝| a级一级毛片免费在线观看| 久久亚洲国产成人精品v| 大香蕉久久网| 国产午夜福利久久久久久| 日产精品乱码卡一卡2卡三| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 亚洲人成网站在线观看播放| 黄片无遮挡物在线观看| 久久97久久精品| av线在线观看网站| 日韩人妻高清精品专区| 亚洲国产精品成人综合色| 新久久久久国产一级毛片| 高清午夜精品一区二区三区| 国产亚洲午夜精品一区二区久久 | 国产一区二区在线观看日韩| 97热精品久久久久久| 成人美女网站在线观看视频| 亚洲精品日韩在线中文字幕| 久久久久久久精品精品| 国产色爽女视频免费观看| 国产高潮美女av| 嫩草影院精品99| 亚洲精品中文字幕在线视频 | 啦啦啦啦在线视频资源| 一个人看视频在线观看www免费| 美女主播在线视频| 国产精品熟女久久久久浪| 青春草视频在线免费观看| 亚洲一区二区三区欧美精品 | 成人亚洲欧美一区二区av| 国产精品人妻久久久影院| 欧美xxxx性猛交bbbb| 亚洲精品一二三| 亚洲天堂av无毛| 国产精品久久久久久av不卡| 人妻 亚洲 视频| 一区二区三区精品91| 欧美zozozo另类| 亚洲精品一区蜜桃| 国产女主播在线喷水免费视频网站| 国产视频首页在线观看| 午夜精品国产一区二区电影 | 69av精品久久久久久| 极品少妇高潮喷水抽搐| 免费高清在线观看视频在线观看| 亚洲欧美日韩卡通动漫| 老女人水多毛片| 国产女主播在线喷水免费视频网站| 激情 狠狠 欧美| 久热久热在线精品观看| 你懂的网址亚洲精品在线观看| 国产av不卡久久| 韩国av在线不卡| 伦理电影大哥的女人| av免费在线看不卡| 女人被狂操c到高潮| 久久女婷五月综合色啪小说 | 伊人久久国产一区二区| 中文字幕av成人在线电影| 一级毛片久久久久久久久女| 男女那种视频在线观看| 深夜a级毛片| 欧美xxxx黑人xx丫x性爽| 成人一区二区视频在线观看| 国产一区二区在线观看日韩| 国产精品99久久99久久久不卡 | 欧美日韩国产mv在线观看视频 | 男女边摸边吃奶| 深爱激情五月婷婷| 精品久久久噜噜| 亚洲av中文av极速乱| 91在线精品国自产拍蜜月| 在线观看人妻少妇| 国产成人精品久久久久久| 草草在线视频免费看| 国产精品爽爽va在线观看网站| 大片免费播放器 马上看| 亚洲精品中文字幕在线视频 | 九九久久精品国产亚洲av麻豆| 精品国产三级普通话版| 亚洲,一卡二卡三卡| 18禁动态无遮挡网站| 小蜜桃在线观看免费完整版高清| 免费大片黄手机在线观看| 婷婷色麻豆天堂久久| 国产精品av视频在线免费观看| 男女国产视频网站| 国产精品伦人一区二区| 久久久久久久久久人人人人人人| 91久久精品国产一区二区三区| 国产爽快片一区二区三区| 欧美精品一区二区大全| 免费观看无遮挡的男女| 人妻 亚洲 视频| 深夜a级毛片| 亚洲欧美日韩卡通动漫| 欧美成人午夜免费资源| 亚洲第一区二区三区不卡| 国产成年人精品一区二区| 在线观看免费高清a一片| 免费在线观看成人毛片| 97在线人人人人妻| 亚洲国产日韩一区二区| 午夜日本视频在线| 欧美精品国产亚洲| 一区二区三区免费毛片| 成人鲁丝片一二三区免费| 欧美老熟妇乱子伦牲交| 国内精品美女久久久久久| 国产精品av视频在线免费观看| 欧美zozozo另类| 午夜精品国产一区二区电影 | 国产精品秋霞免费鲁丝片| 水蜜桃什么品种好| 成年女人看的毛片在线观看| 久久久色成人| 国产成人精品福利久久| 在线观看国产h片| 亚洲国产精品国产精品| 2022亚洲国产成人精品| 五月天丁香电影| 成人高潮视频无遮挡免费网站| 自拍欧美九色日韩亚洲蝌蚪91 | 国产美女午夜福利| 肉色欧美久久久久久久蜜桃 | 在线a可以看的网站| 在线观看国产h片| 国产 一区 欧美 日韩| 国产精品成人在线| 国产美女午夜福利| 你懂的网址亚洲精品在线观看| 日韩成人av中文字幕在线观看| 日韩视频在线欧美| 高清日韩中文字幕在线| 99热这里只有精品一区| 国产 一区精品| 亚洲国产色片| 三级经典国产精品| 亚洲精品久久午夜乱码| 熟女av电影| 黑人高潮一二区| 成人鲁丝片一二三区免费| 国产免费福利视频在线观看| 女人十人毛片免费观看3o分钟| 青春草视频在线免费观看| 日韩不卡一区二区三区视频在线| 久久精品久久久久久久性| 免费观看在线日韩| 欧美日韩国产mv在线观看视频 | 成人黄色视频免费在线看| 国产淫片久久久久久久久| 人人妻人人澡人人爽人人夜夜| 听说在线观看完整版免费高清| 国产成人a区在线观看| 99热国产这里只有精品6| 亚洲精品第二区| 99视频精品全部免费 在线| 午夜免费鲁丝| 国产欧美日韩精品一区二区| 精品午夜福利在线看| 99热这里只有精品一区| 只有这里有精品99| 99热6这里只有精品| 精品熟女少妇av免费看| 美女内射精品一级片tv| 在线精品无人区一区二区三 | 亚洲成人久久爱视频| 成人亚洲欧美一区二区av| 精品少妇久久久久久888优播| 久热这里只有精品99| av免费在线看不卡| 久久精品国产a三级三级三级| 国产精品成人在线| 亚洲欧美日韩另类电影网站 | 久久99蜜桃精品久久| 国产精品嫩草影院av在线观看| 国产精品.久久久| 日韩强制内射视频| 成人综合一区亚洲| 国产精品国产三级国产av玫瑰| 欧美日韩亚洲高清精品| 成人黄色视频免费在线看| 最近2019中文字幕mv第一页| 成人毛片a级毛片在线播放| 精品久久久精品久久久| 精品酒店卫生间| 偷拍熟女少妇极品色| 成人欧美大片| 中国三级夫妇交换| 老女人水多毛片| 精品国产三级普通话版| 国产爽快片一区二区三区| 街头女战士在线观看网站| 午夜爱爱视频在线播放| 欧美日韩一区二区视频在线观看视频在线 | 色视频www国产| 人妻夜夜爽99麻豆av| 日韩欧美精品免费久久| 大陆偷拍与自拍| 丝袜美腿在线中文| 亚洲最大成人中文| 久久精品久久精品一区二区三区| 伦精品一区二区三区| 亚洲精品国产成人久久av| 国产色婷婷99| 久久久国产一区二区| 观看免费一级毛片| 免费电影在线观看免费观看| 国产亚洲av片在线观看秒播厂| 免费播放大片免费观看视频在线观看| 午夜精品国产一区二区电影 | 亚洲欧美一区二区三区国产| 精品人妻偷拍中文字幕| 热99国产精品久久久久久7| 欧美日韩综合久久久久久| 少妇猛男粗大的猛烈进出视频 | 午夜福利视频1000在线观看| 亚洲成人av在线免费| 少妇猛男粗大的猛烈进出视频 | 99久久精品国产国产毛片| av天堂中文字幕网| 日韩欧美精品免费久久| 在线天堂最新版资源| 18禁在线无遮挡免费观看视频| 十八禁网站网址无遮挡 | 久久久国产一区二区| 观看免费一级毛片| 黑人高潮一二区| 中文在线观看免费www的网站| 国产精品秋霞免费鲁丝片| 免费看日本二区| 国产精品成人在线| 国产乱来视频区| 日韩人妻高清精品专区| 久久久久国产精品人妻一区二区| 国产乱人视频| 99热全是精品| 婷婷色麻豆天堂久久| 精品人妻熟女av久视频| 日韩一本色道免费dvd| 亚洲欧美中文字幕日韩二区| 日韩人妻高清精品专区| 国产中年淑女户外野战色| 交换朋友夫妻互换小说| 最近2019中文字幕mv第一页| 神马国产精品三级电影在线观看| 青春草国产在线视频| 亚洲激情五月婷婷啪啪| 人妻系列 视频| 久久久亚洲精品成人影院| 午夜爱爱视频在线播放| 午夜日本视频在线| 国产亚洲一区二区精品| 久久国产乱子免费精品| 亚洲人成网站在线播| 在线观看一区二区三区| 久久久久久久久久久丰满| 国产精品av视频在线免费观看| 欧美高清性xxxxhd video| 久久精品久久久久久噜噜老黄| 欧美成人精品欧美一级黄| 国产午夜精品久久久久久一区二区三区| 麻豆精品久久久久久蜜桃| 2022亚洲国产成人精品| 超碰97精品在线观看| 2021天堂中文幕一二区在线观| 青春草国产在线视频| 国产亚洲5aaaaa淫片| 三级国产精品片| 自拍偷自拍亚洲精品老妇| 一级黄片播放器| 日产精品乱码卡一卡2卡三| 人妻系列 视频| 蜜臀久久99精品久久宅男| 国产精品一二三区在线看| 亚洲精品aⅴ在线观看| 亚洲欧美中文字幕日韩二区| 国内少妇人妻偷人精品xxx网站| 精品人妻熟女av久视频| 蜜臀久久99精品久久宅男| 久久精品国产亚洲网站| 亚洲欧美日韩无卡精品| 成年av动漫网址| 亚洲国产av新网站| 中文字幕人妻熟人妻熟丝袜美| 日韩制服骚丝袜av| 国产日韩欧美亚洲二区| 国内少妇人妻偷人精品xxx网站| 午夜爱爱视频在线播放| 国产亚洲5aaaaa淫片| 久久99热6这里只有精品| 蜜臀久久99精品久久宅男| 性色av一级| 街头女战士在线观看网站| 男人狂女人下面高潮的视频| 视频区图区小说| 亚洲av在线观看美女高潮| 精品久久久久久电影网| 在线观看一区二区三区激情| 国产成人精品婷婷| 国产精品人妻久久久久久| 一级二级三级毛片免费看| 亚洲在久久综合| 免费观看无遮挡的男女| 欧美区成人在线视频| 18禁裸乳无遮挡免费网站照片| 夜夜看夜夜爽夜夜摸| 禁无遮挡网站| 男女啪啪激烈高潮av片| 建设人人有责人人尽责人人享有的 | 成人无遮挡网站| 国产黄片美女视频| 国产亚洲精品久久久com| 午夜福利网站1000一区二区三区| 久久人人爽人人片av| 只有这里有精品99| 精品99又大又爽又粗少妇毛片| www.色视频.com| 国产 一区 欧美 日韩| 午夜激情久久久久久久| 欧美老熟妇乱子伦牲交| 亚洲精品久久午夜乱码| 国产精品.久久久| 最后的刺客免费高清国语| 成年女人看的毛片在线观看| 一区二区三区免费毛片| av.在线天堂| 简卡轻食公司| 只有这里有精品99| 久久久久久久大尺度免费视频| 精品国产乱码久久久久久小说| 亚洲图色成人| 午夜激情久久久久久久| 欧美老熟妇乱子伦牲交| 女人十人毛片免费观看3o分钟| 免费av不卡在线播放| 毛片女人毛片| 2022亚洲国产成人精品| 欧美 日韩 精品 国产| 久久久久精品久久久久真实原创| 日本一本二区三区精品| 成人特级av手机在线观看| 欧美+日韩+精品| 天天躁日日操中文字幕| 日本-黄色视频高清免费观看| 熟女人妻精品中文字幕| 亚洲欧美日韩无卡精品| 亚洲国产精品国产精品| 久久久国产一区二区| 97超碰精品成人国产| av国产精品久久久久影院| 久久久久久久久久人人人人人人| 成年人午夜在线观看视频| 国产精品国产三级专区第一集| 极品教师在线视频| 精品一区二区免费观看| 一级毛片aaaaaa免费看小| 欧美性感艳星| 国产男女超爽视频在线观看| 国产精品一区www在线观看| 免费看a级黄色片| 国产爽快片一区二区三区| 97超视频在线观看视频| 成年女人在线观看亚洲视频 | 波野结衣二区三区在线| 中文乱码字字幕精品一区二区三区| 神马国产精品三级电影在线观看| 国产91av在线免费观看| 爱豆传媒免费全集在线观看| 亚洲欧美成人精品一区二区| 性插视频无遮挡在线免费观看| 日本-黄色视频高清免费观看| 免费黄色在线免费观看| 日韩伦理黄色片| 国产色爽女视频免费观看| 激情五月婷婷亚洲| 99久久九九国产精品国产免费| 大香蕉97超碰在线| 亚洲精品日韩在线中文字幕| 亚洲美女搞黄在线观看| 久久人人爽人人爽人人片va| 内射极品少妇av片p| 欧美成人a在线观看| 国内精品美女久久久久久| 国产精品国产三级国产专区5o| 成人国产麻豆网| 男人添女人高潮全过程视频| 欧美日韩视频高清一区二区三区二| 波野结衣二区三区在线| 国产美女午夜福利| 在线观看一区二区三区| 青春草视频在线免费观看| 视频中文字幕在线观看| 三级经典国产精品| 国产人妻一区二区三区在| 亚洲精品日韩av片在线观看| 国产高清三级在线| 听说在线观看完整版免费高清| 亚洲经典国产精华液单| 国产精品99久久99久久久不卡 | 亚洲av成人精品一区久久| 搡老乐熟女国产| 久久女婷五月综合色啪小说 | 全区人妻精品视频| 人妻系列 视频| 菩萨蛮人人尽说江南好唐韦庄| 国产伦精品一区二区三区四那| 国产av国产精品国产| 99视频精品全部免费 在线| 99热6这里只有精品| 一区二区av电影网| 赤兔流量卡办理| 免费观看性生交大片5| 亚洲国产高清在线一区二区三| 欧美xxxx性猛交bbbb| 国产一区二区在线观看日韩| 九九爱精品视频在线观看| 国产精品av视频在线免费观看| 亚洲av成人精品一区久久| 欧美一区二区亚洲| 黄色配什么色好看| 久久午夜福利片| 国产老妇女一区| 99热全是精品| av免费在线看不卡| 国产毛片在线视频| 高清欧美精品videossex| 久久99蜜桃精品久久| 国产综合懂色| 亚洲av一区综合| 国产午夜福利久久久久久| 又爽又黄无遮挡网站| 亚洲自偷自拍三级| 日本熟妇午夜| 一本一本综合久久| 欧美日韩精品成人综合77777| 男人添女人高潮全过程视频| av国产精品久久久久影院| 成人毛片60女人毛片免费| 又爽又黄无遮挡网站| av又黄又爽大尺度在线免费看| 特级一级黄色大片| 好男人在线观看高清免费视频| av免费观看日本| 青春草视频在线免费观看| 欧美zozozo另类| 国产永久视频网站| 欧美成人午夜免费资源| 日韩强制内射视频| 国产熟女欧美一区二区| 超碰97精品在线观看| 在线观看三级黄色| 九草在线视频观看| 亚洲欧美中文字幕日韩二区| 视频区图区小说| 看黄色毛片网站| 午夜老司机福利剧场| 午夜福利在线在线| 观看免费一级毛片| 嫩草影院新地址| 成人毛片a级毛片在线播放| 九九爱精品视频在线观看| 亚洲精品国产色婷婷电影| 美女脱内裤让男人舔精品视频| 美女高潮的动态| 国产亚洲91精品色在线| 人妻一区二区av| 好男人视频免费观看在线| 日本免费在线观看一区| 亚洲欧美一区二区三区国产| 亚洲电影在线观看av| 在线观看三级黄色| 日韩欧美一区视频在线观看 | 香蕉精品网在线| 亚洲精品乱久久久久久| 18+在线观看网站| 69av精品久久久久久| 三级国产精品欧美在线观看| 99热6这里只有精品| 成人国产麻豆网| 青春草视频在线免费观看| 听说在线观看完整版免费高清| 大香蕉久久网| 免费观看的影片在线观看| 麻豆久久精品国产亚洲av| 久久久久国产精品人妻一区二区| 国产精品无大码| 国产欧美日韩一区二区三区在线 | 六月丁香七月| av在线蜜桃| 天堂俺去俺来也www色官网| 日韩欧美精品v在线| 亚洲精品一区蜜桃| 高清欧美精品videossex| 中文字幕av成人在线电影| 国产精品伦人一区二区| 日日撸夜夜添| 久热这里只有精品99| 亚洲精品久久午夜乱码| 一级毛片黄色毛片免费观看视频| 国产黄色视频一区二区在线观看| 97人妻精品一区二区三区麻豆| 中文字幕人妻熟人妻熟丝袜美| 九色成人免费人妻av| 在线精品无人区一区二区三 | 国产美女午夜福利|