• <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 ?

    基于卷積神經(jīng)網(wǎng)絡的京津冀地區(qū)高分辨率格點預報偏差訂正試驗

    2022-12-18 06:25:30張延彪宋林燁陳明軒韓雷楊璐
    大氣科學學報 2022年6期
    關(guān)鍵詞:格點高分辨率時效

    張延彪,宋林燁,陳明軒,韓雷,楊璐

    數(shù)值天氣預報(Numerical Weather Prediction,NWP)自提出起至今已有100多年的時間(陳德輝和薛紀善,2004)。在這百余年時間里,數(shù)值天氣預報技術(shù)實現(xiàn)飛躍式發(fā)展。最近十年來,政府和公眾對于精細化網(wǎng)格天氣預報預警的需求日益提升,數(shù)值天氣預報產(chǎn)品和無縫隙融合集成預報產(chǎn)品在確保準確率的同時,其預報格點精度也在不斷提高(金榮花等,2019)。由于天氣系統(tǒng)的混沌性,無論何種建模方式均無法對其進行完整描述,故數(shù)值天氣預報結(jié)果也不可避免存在誤差。因此,研究各種信息后處理方法以提高天氣預報準確率具有重要的科學價值和現(xiàn)實意義。

    目前模式預報后處理訂正方法可以分為兩大類:傳統(tǒng)方法與新興方法。第一類傳統(tǒng)方法主要以統(tǒng)計學理論以及歷史資料為基礎來實現(xiàn)訂正。顧震潮(1958a,1958b)指出歷史資料在天氣預報中的重要性。Klein et al.(1959)提出完全預報法(Perfect Prognostic,PP),通過在觀測值和模式預報值之間建立線性統(tǒng)計模型以完成訂正。Glahn and Lowry(1972)提出模式輸出統(tǒng)計法(Model Output Statistics,MOS)。與完全預報法相比,MOS是通過建立觀測值與相關(guān)氣象要素數(shù)預報值之間的統(tǒng)計模型來實現(xiàn)訂正效果,是氣象部門常用的一種預報訂正方法。Homleid(1995)使用卡爾曼濾波法實現(xiàn)預報偏差訂正,該方法利用上一個時刻的預報誤差反饋及時調(diào)整預報方程,因此只需使用上一個時刻的預報誤差即可,與MOS方法相比卡爾曼濾波法對歷史資料并無嚴格要求,目前仍被應用于各個預報中心業(yè)務中。此后,錢維宏(2012)詳細論證了歷史信息在模式預報訂正過程中的重要性,在此基礎上,Peng et al.(2013)提出模式距平積分預報訂正方法(Anomaly Numerical-correction with Observations,ANO),通過充分利用多年歷史氣象資料計算氣候平均態(tài)實現(xiàn)數(shù)值模式預報結(jié)果訂正。近年來,各種機器學習和深度學習方法逐漸被應用到數(shù)值天氣預報偏差訂正任務中并取得突出的效果(孫全德等,2019;Xia et al.,2020),也被廣泛應用于氣候領(lǐng)域(海瀅和陳光華,2019;賀圣平等,2021),即所謂第二類新興方法。例如,國外學者Marzban(2003)使用非線性神經(jīng)網(wǎng)絡對區(qū)域模式溫度預報進行訂正并取得顯著的提升。Kusiak et al.(2013)分別使用回歸樹、支持向量機、多層感知機、隨機森林以及K臨近這5種機器學習算法進行降水估測,顯示出機器學習算法對氣象要素非線性建模的重要作用。國內(nèi)學者智協(xié)飛等(2020,2021)使用神經(jīng)網(wǎng)絡算法實現(xiàn)溫度預報以及針對降水概率預報訂正并取得較好的效果。Han et al.(2021)基于卷積神經(jīng)網(wǎng)絡創(chuàng)新性地提出CU-Net網(wǎng)絡以實現(xiàn)對歐洲中心ECMWF多個氣象要素格點預報結(jié)果的訂正,所得結(jié)果與傳統(tǒng)訂正方法相比有明顯提升,對智能格點預報業(yè)務產(chǎn)生較大影響。目前,中國氣象局主推高分辨率氣象格點數(shù)據(jù)預報業(yè)務,同時這也是未來數(shù)值天氣預報的發(fā)展方向(潘留杰等,2017)。深度學習方法,尤其是卷積神經(jīng)網(wǎng)絡(Hadji and Wildes,2018)和循環(huán)神經(jīng)網(wǎng)絡(Graves,2012),在時空格點數(shù)據(jù)處理方面有極大的優(yōu)勢。因此,本文將基于深度學習開展京津冀地區(qū)高分辨率格點預報偏差訂正試驗研究,以探索新興方法在未來實現(xiàn)精細化精準天氣預報方面的潛力和應用價值。

    1 資料和方法

    1.1 研究區(qū)域和資料說明

    本文研究區(qū)域為京津冀地區(qū),所采用的資料為睿思(RISE)系統(tǒng)500 m分辨率網(wǎng)格數(shù)據(jù)。RISE系統(tǒng)全稱為Rapid-refresh Integrated Seamless Ensemble system,其研發(fā)和業(yè)務運行主要是為了滿足不斷提升的首都氣象服務預報要求,尤其是實現(xiàn)2022年北京冬奧會對于“百米級分辨率、分鐘級更新”短臨預報的剛性需求。該系統(tǒng)是北京城市氣象研究院研發(fā)的新一代客觀短臨集成預報系統(tǒng),其早期主要吸收了1 km分辨率INCA系統(tǒng)(Haiden et al.,2011)的融合分析和預報策略,并研究和集成了一系列適用于京津冀地區(qū)和冬奧復雜山區(qū)地形下的短時臨近客觀分析和預報算法(程叢蘭等,2019;宋林燁等,2019;;Song et al.,2019;楊璐等,2019,2022;陳康凱等,2020;Yang et al.,2021)。RISE系統(tǒng)于2019年汛期開始實時業(yè)務試驗運行,2021年7月1日通過中國氣象局業(yè)務升級準入后開始正式業(yè)務化運行。當前,RISE系統(tǒng)可提供逐10 min快速更新的京津冀全域約760 km×610 km范圍內(nèi)500 m網(wǎng)格分辨率以及冬奧重點山區(qū)約100 km×100 km范圍內(nèi)100 m網(wǎng)格分辨率的客觀分析和未來0~12 h乃至24 h確定性預報數(shù)據(jù)產(chǎn)品。該系統(tǒng)高時空分辨率的網(wǎng)格化溫濕風及降水、降水相態(tài)等產(chǎn)品為北京2022年冬奧會氣象保障服務提供了較好的高精度客觀預報支撐,同時也可以為常規(guī)氣象預報服務及其他行業(yè)應用提供較高品質(zhì)的高分辨率短臨無縫隙網(wǎng)格分析和預報產(chǎn)品。

    本文選用了2019年9月—2021年9月共2 a的預報場數(shù)據(jù)以及分析場數(shù)據(jù)進行試驗,數(shù)據(jù)空間分辨率為500 m,時間分辨率為10 min,數(shù)據(jù)區(qū)域范圍為112.83°~120.28°E、35.86°~42.73°N(即京津冀地區(qū)),所獲得的預報網(wǎng)格圖大小為1 521×1 221(南北方向×東西方向)。針對2019年9—12月的數(shù)據(jù),絕大部分數(shù)據(jù)來自RISE系統(tǒng)實時運行搜集所得,但由于當時系統(tǒng)試驗運行穩(wěn)定性調(diào)試、實時觀測資料接收缺失、服務器存儲空間不足等原因?qū)е麓鎯?shù)據(jù)有所缺失,因此本文試驗過程中首先對該部分數(shù)據(jù)進行了系統(tǒng)回算以補全數(shù)據(jù)缺失。針對兩年的數(shù)據(jù),由于數(shù)據(jù)量較少以及預報時間分辨率較高會導致連續(xù)兩個預報時次變化不明顯等原因,因此文中選擇每月1—22日每隔30 min時間間隔進行抽樣的數(shù)據(jù)作為訓練集來對深度學習網(wǎng)絡進行訓練;選擇每月23日之后的數(shù)據(jù)作為測試集以評估網(wǎng)絡模型的訂正性能。

    1.2 數(shù)據(jù)預處理

    深度學習模型需要保證有充足的訓練數(shù)據(jù)量,對于RISE數(shù)據(jù),考慮到數(shù)據(jù)拼接的連續(xù)性,文中將原本1 521×1 221大小的格點圖分割成為507×407的子圖以增加試驗樣本量并減輕訓練過程中硬件資源損耗。由于訓練集需要在保證數(shù)據(jù)量的同時增加數(shù)據(jù)多樣性以提高模型魯棒性,因此本文試驗采用隨機分割方式,每張圖分割10次后整個訓練集數(shù)據(jù)增大10倍;對于測試集來說,則采用順序分割的方式,每張圖將會按順序分割為9張子圖,相當于測試集增大9倍數(shù)據(jù)量,最終數(shù)據(jù)集數(shù)目如表1所示。這里需要指出,隨著RISE系統(tǒng)的發(fā)展,它們的預報結(jié)果精度也會不斷提升,其中如果模式計算方法有重大更新時便會造成更新前后模式預報誤差特征出現(xiàn)明顯差異。比如,RISE系統(tǒng)采用睿圖-短期模式(CMA-BJ,原RMAPS-ST)作為背景場,由于模式背景場從V1.0更新為V2.0(版本升級、模式循環(huán)頻次從3 h升級為1 h、模式預報性能升級),RISE系統(tǒng)在2021年底更換了系統(tǒng)計算的背景場,該操作在預報誤差減小的同時也會造成新數(shù)據(jù)與舊數(shù)據(jù)誤差分布規(guī)律出現(xiàn)明顯的不一致性,這便會導致當前訓練得到的模型對數(shù)值模式數(shù)據(jù)不適應,從而導致偏差訂正效果下降,或者說基于訓練得到的數(shù)值模式預報偏差模型的代表性會變差。因此在本文中均采用基于CMA-BJ V1.0版本背景場的RISE數(shù)據(jù)開展格點偏差訂正研究和訓練測試,而在后續(xù)的實際應用中需要考慮使用最新的模式數(shù)據(jù)對模型進行補充訓練和重新調(diào)整,以增強模型對預報誤差的適應能力。

    表1 數(shù)據(jù)集樣本劃分

    圖1 Rise-Unet網(wǎng)絡結(jié)構(gòu)圖

    1.3 算法建模

    深度學習中的計算機視覺方向一般指代圖像處理問題,因此對于氣象格點數(shù)據(jù),可將其每個格點的處理轉(zhuǎn)換為圖像中的像素點處理,進而將其總體轉(zhuǎn)換為計算機視覺領(lǐng)域中的圖像處理問題。圖像處理問題一般表現(xiàn)為輸入待處理圖像、輸出后處理圖像的形式,因此本文神經(jīng)網(wǎng)絡的輸入為當前時刻的實況格點圖及當前時刻預報格點圖,輸出為當前預報時效訂正圖。以RISE系統(tǒng)2021年12月29日09時30分起報時刻為例,其4 h預報時刻為2021年12月29日13時30分,則輸入數(shù)據(jù)包括12月29日09時30分的分析場數(shù)據(jù)以及當前時刻起報的4 h預報場(即12月29日13時30分)數(shù)據(jù)結(jié)果,網(wǎng)絡要學習的結(jié)果為12月29日13時30分的分析場數(shù)據(jù),即網(wǎng)絡的真實值。

    U-Net模型(Ronnrberger et al.,2015)作為一種基于卷積網(wǎng)絡結(jié)構(gòu)的深度學習分割網(wǎng)絡,其結(jié)構(gòu)簡單并在各個領(lǐng)域取得了較好的效果。本文基于U-Net模型結(jié)構(gòu),研發(fā)了針對高分辨率大尺寸圖像進行調(diào)整而形成的卷積神經(jīng)網(wǎng)絡Rise-Unet,其輸入為當前時刻觀測值以及預報值的組合特征,輸出則為訂正結(jié)果,Rise-Unet模型總體結(jié)構(gòu)如圖1所示。已有研究指出,在CU-Net模型訂正實驗中加入觀測值對于提升模型性能有重要作用(Han et al.,2021),因此本文模型輸入中包含了當前時刻觀測值。從圖1可以看出,Rise-Unet包括編碼模塊、解碼模塊與復制拼接模塊三部分。其中左半部分為編碼模塊,主要包含下采樣池化操作和卷積操作,提取圖像高層次特征的同時有效減小特征圖的尺寸,節(jié)約計算資源。例如輸入圖像尺寸為507×407,經(jīng)編碼操作后大小變?yōu)?4×64。右半部分為解碼模塊,與編碼模塊作用相反,解碼模塊通過不斷地卷積和上采樣操作,將特征圖的尺寸恢復至507×407。復制拼接操作則是將編碼器與解碼器的特征圖做通道拼接,進而可以將同一層中編碼模塊提取的低層次特征與解碼模塊提取的高層次特征進行融合疊加,使得模型輸出能夠保留來自較淺層的細粒度信息,如編碼器64×254×204的特征圖與解碼器64×254×204的特征圖拼接后所獲得的新特征圖大小為128×254×204。后文中將展示該網(wǎng)絡對于500 m分辨率RISE數(shù)據(jù)的處理效果。

    1.4 試驗設置

    本文采用均方根誤差RMSE(Root Mean Square Error,RMSE)以及平均絕對誤差MAE(Mean Absolute Error,MAE)來衡量預報訂正結(jié)果與觀測值之間的差距,其中MAE反映兩個數(shù)據(jù)集之間的真實誤差,而RMSE由于是對誤差先進行平方累加后再進行開方計算,可評價數(shù)據(jù)的離散程度,該操作本質(zhì)上放大了兩個數(shù)據(jù)集的大誤差部分,因此RMSE的值越小,則表示兩者之間的最大誤差較小。兩者計算方式如式(1)和(2)所示。

    (1)

    (2)

    RISE系統(tǒng)預報技術(shù)路線中,快速融合和吸收了逐10 min更新的實況觀測信息,在1~3 h預報時效,系統(tǒng)本身對溫濕風等常規(guī)天氣要素的預報誤差已相對較小,因此從實際業(yè)務應用角度來說,耗費大量計算機資源和運行時間成本做深度學習訂正1~3 h格點預報結(jié)果的必要性并不大。所以,本文使用收集到的RISE數(shù)據(jù),針對其4~12 h高分辨率預報結(jié)果進行訂正,將最終各時效訂正結(jié)果與原始預報結(jié)果進行分季節(jié)對比以探索該方法對高分辨率精細化網(wǎng)格預報訂正中的有效性。需要指出,考慮到不同預報時效誤差分布存在一定差異,因此文中分別針對4~12 h中的每個時效建立訂正模型。根據(jù)傳統(tǒng)四季劃分方法,文中的冬季包括12月—次年2月,春季包括3—5月,夏季包括6—8月,秋季包括9—11月。

    文中所有模型訓練使用的反向傳播優(yōu)化器均為Adam(Kingma and Ba,2014),因為該算法所需內(nèi)存較小且計算更高效。為進一步提高計算效率與模型的魯棒性,需對網(wǎng)絡進行批訓練處理。試驗中,模型參數(shù)初始化參考CU-Net(Han et al.,2021),針對RISE數(shù)據(jù)的試驗批處理量為8,所有網(wǎng)絡初始學習率r均設置為0.001,網(wǎng)絡學習率衰減因子均設置為0.5;衰減具體實現(xiàn)方式為若驗證集連續(xù)兩次評分指標沒有下降,則學習率將會衰減為0.5×r;訓練總迭代次數(shù)為10次,對于所獲得的模型在測試集進行測試并選擇最優(yōu)結(jié)果。

    2 試驗結(jié)果

    2.1 地面2 m溫度訂正結(jié)果

    對于RISE數(shù)據(jù)集的地面2 m溫度4~12 h預報時效的訂正結(jié)果如圖2所示??梢园l(fā)現(xiàn),針對MAE以及RMSE兩種評價指標,使用Rise-Unet卷積網(wǎng)絡對于各時效均明顯表現(xiàn)為正向訂正的效果,說明該模型對于高分辨率2 m溫度格點預報場各時效訂正均是有效的。訂正前,溫度6~12 h預報誤差RMSE均在2 ℃以上,MAE則均在1.5 ℃以上;但是基于Rise-Unet訂正之后,所有4~12 h預報時效的平均MAE和RMSE下降至1.4 ℃和1.9 ℃以下。通過統(tǒng)計誤差減小百分比結(jié)果可知,訂正后各預報時次平均誤差減小率為20%左右(圖2)。其中,針對6 h預報結(jié)果RMSE以及MAE的訂正效果相對而言均是最為明顯的,誤差減小率約為23%;對于4~6 h的訂正結(jié)果隨預報時效延長其減小率呈上升趨勢,這可能是由于6 h誤差分布較為穩(wěn)定且相比之前時刻的誤差較為明顯,故導致網(wǎng)絡參數(shù)擬合較好,能夠穩(wěn)定學習誤差分布信息;而針對6 h之后預報結(jié)果的訂正則趨于穩(wěn)定且效果有所降低,在18%到22%之間,通過分析原始預報誤差可以發(fā)現(xiàn)7~12 h的原始預報誤差較大且較為穩(wěn)定。RISE系統(tǒng)0~12 h溫度預報技術(shù)方案主要依次采用線性外推預報方法為主、線性外推預報和模式預報權(quán)重融合方法、模式預報為主,其中模式權(quán)重(外推權(quán)重)隨預報時效呈指數(shù)型增長(衰減),且各個格點的臨界預報時效閾值并不固定,每個時刻每個格點根據(jù)具體所在時間和所處位置的溫度和云預報等情況進行動態(tài)調(diào)整,但一般而言7 h以后主要以單一的模式背景場預報占主導,因此考慮可能是由于系統(tǒng)原始溫度預報數(shù)據(jù)計算方案或者插值方式導致了這種訂正效果,同時這也導致7~12 h預報模型網(wǎng)絡學習到的誤差分布也是相似的,因此訂正的效果基本趨于穩(wěn)定。

    圖2 地面2 m溫度各預報時效訂正曲線:(a)訂正前后的RMSE;(b)訂正前后的MAE

    圖3 地面2 m溫度4 h預報全年RMSE分布(單位:℃):(a)訂正前的原始預報誤差;(b)訂正后的預報誤差

    圖3為針對RISE研究的京津冀區(qū)域,給出了訂正前后提前4 h的地面2 m溫度預報RMSE空間分布對比結(jié)果??梢钥吹?針對圖中的每個格點,該方法基本都有正向訂正的效果,且訂正后的圖像相比原來誤差分布更為均勻,這說明神經(jīng)網(wǎng)絡對研究區(qū)域全圖有效,且卷積操作能對誤差進行有效平滑處理。圖3b中所展現(xiàn)的訂正效果總體表現(xiàn)為西北和北部地區(qū)誤差較高,東南區(qū)域誤差較低,這與原始預報結(jié)果的誤差分布(圖3a)是基本保持一致的。這可能是由于RISE系統(tǒng)溫度預報誤差空間分布特征和京津冀地形結(jié)構(gòu)之間存在較為緊密的聯(lián)系。京津冀地處華北平原北部,北靠燕山山脈,西倚太行山,南面華北平原,東臨渤海灣,西北和北面地形較高,南面和東面地形較為平坦。因此在研究區(qū)域里,西北和北部方向多為海拔較高的山區(qū),且地形結(jié)構(gòu)和山脈走勢十分復雜,導致針對這些區(qū)域原始RISE溫度預報誤差較高,而東南方向多為平原,所以針對這些地形較低的區(qū)域原始溫度預報誤差相對較低(圖3a)。經(jīng)過Rise-Unet訂正之后,不僅整個京津冀區(qū)域溫度預報誤差較原始RISE預報顯著降低,而且這一“西北高-東南低”的誤差分布結(jié)構(gòu)也相對有所減弱(圖3b)。

    進一步分析四個不同季節(jié)的訂正前后誤差對比結(jié)果。表2以及圖4分別為4 h預報訂正結(jié)果的數(shù)據(jù)統(tǒng)計表以及分季節(jié)RMSE空間分布。可以看到,針對春、夏、秋、冬四個季節(jié)誤差減小率分別為18.94%、17.68%、23.88%、23.28%(表2),均表現(xiàn)為正向訂正的效果,說明該網(wǎng)絡對于此研究區(qū)域的訂正能力全年有效。針對原始預報結(jié)果,夏季RMSE平均誤差最小為1.64,其余季節(jié)誤差較大且仍主要分布于西北和北部山地區(qū)域。針對訂正結(jié)果,夏季訂正后的誤差為1.35,仍最小,但是相比于其他季節(jié),其訂正誤差減小率為17.68%,為四個季節(jié)中最低;秋季預報誤差在訂正前較高,為1.80,但其訂正誤差減小率為23.88%,為四個季節(jié)中最高。同時,秋季溫度誤差分布區(qū)域相比其余季節(jié)并沒有呈現(xiàn)“鋒線”狀分布,而是較均勻的平鋪狀分布,考慮神經(jīng)網(wǎng)絡中的卷積操作對于均勻狀誤差分布訂正效果較為明顯,可能是秋季訂正效果最顯著的主要原因。另外,不論訂正前還是訂正后,四季中春季的溫度預報誤差都保持最大,這可能與春季京津冀地區(qū)氣溫內(nèi)部變率大有一定的聯(lián)系。

    表2 地面2 m溫度4 h預報RMSE四季訂正統(tǒng)計

    2.2 地面2 m相對濕度訂正結(jié)果

    對于地面2 m相對濕度,RISE系統(tǒng)4~12 h預報時效的訂正結(jié)果如圖5所示。針對MAE以及RMSE兩種評價指標,總體來看與2 m溫度訂正結(jié)果相似,Rise-Unet模型對于各個預報時效均為正向訂正,訂正后MAE和RMSE誤差均減小,說明其對于高分辨率2 m相對濕度格點預報場訂正是有效的。各預報時次平均誤差減小率約為16%,其中針對8 h預報的訂正MAE提高最為明顯,約為17%(圖5b),說明該時刻預報結(jié)果相比于實況的真實誤差降低最為顯著;而對于7 h預報結(jié)果訂正RMSE降低最為明顯,約為17.5%(圖5a),說明該時刻網(wǎng)絡對于格點圖中的大誤差區(qū)域訂正效果較好。8 h之后,兩種評價指標訂正效果均開始下降,且之后幾個訂正時刻的效果處于穩(wěn)定狀態(tài),這是由于原始預報誤差從8 h之后始終保持在一個水平上,這同樣與上文中地面2 m溫度訂正效果相似,說明該時間段神經(jīng)網(wǎng)絡對于誤差的擬合效果也是趨于穩(wěn)定的。

    圖4 春(a、b)、夏(c、d)、秋(e、f)、冬(g、h)地面2 m溫度4 h預報的RMSE分布(單位:℃):(a、c、e、g)訂正前;(b、d、f、h)訂正后

    圖5 地面2 m相對濕度各預報時效訂正曲線:(a)訂正前后的RMSE;(b)訂正前后的MAE

    針對RISE研究區(qū)域,給出了4 h預報時效的2 m相對濕度預報訂正結(jié)果的全年平均RMSE(圖6)。從圖6可以看到,Rise-Unet模型針對全年訂正的每個格點基本均表現(xiàn)為正向提升效果,且訂正后的圖像相比原來誤差分布更為均勻,這說明神經(jīng)網(wǎng)絡對地面2 m相對濕度的訂正全圖有效,訂正效果總體表現(xiàn)為西北高原山區(qū)誤差較高,東南平原以及臨海區(qū)域誤差較低(圖6)。

    圖6 地面2 m相對濕度4 h預報全年RMSE分布(單位:%):(a)訂正前的原始預報誤差;(b)訂正后的預報誤差

    表3及圖7為4 h預報訂正結(jié)果的分季節(jié)RMSE統(tǒng)計表以及空間分布。相對濕度與溫度訂正效果相似,四個季節(jié)RMSE誤差減小率分別為12.81%、16.77%、12.64%以及14.07%,針對四個季節(jié)均為正向訂正的效果,說明卷積神經(jīng)網(wǎng)絡對于研究區(qū)域中地面2 m相對濕度的訂正能力不同季節(jié)均有效。對于原始RISE系統(tǒng)預報結(jié)果,夏季誤差最小為9.48%,其余季節(jié)誤差較大且誤差相似,各季節(jié)誤差大值中心仍主要分布于西北山地區(qū)域(圖7)。針對訂正結(jié)果,與溫度結(jié)果不同,夏季訂正結(jié)果誤差最小并且誤差減小率為四季節(jié)中最高,其余三個季節(jié)訂正效果大致相似。

    表3 地面2 m相對濕度4 h預報RMSE四季訂正統(tǒng)計

    2.3 地面10 m-U風訂正結(jié)果

    對于RISE系統(tǒng)地面10 m-U風速4~12 h預報時效的訂正結(jié)果如圖8所示。通過Rise-Unet網(wǎng)絡訂正之后,各時效的10 m-U風RMSE和MAE預報誤差均降低,其中訂正后4~12 h預報平均RMSE基本都下降至1.5 m/s以下,平均MAE則基本下降至1.1 m/s以下(圖8)。這說明Rise-Unet網(wǎng)絡對RISE系統(tǒng)風速預報訂正表現(xiàn)為正向訂正的效果,該方法針對高分辨率網(wǎng)格化10 m-U風速的訂正效果是有效的。從圖8中還可以看出,各預報時次平均誤差減小率約為15%,其中針對9 h預報結(jié)果MAE訂正效果最為明顯,說明該時刻訂正結(jié)果與實況值真實誤差降低最為顯著,針對6 h預報結(jié)果RMSE訂正效果最為明顯,說明針對該時刻誤差較大的區(qū)域訂正效果最為顯著。9 h以后訂正效果趨于穩(wěn)定,考慮仍為系統(tǒng)對于長時間預報計算以及插值誤差趨于穩(wěn)定所造成。

    圖9為針對RISE研究區(qū)域,地面10 m-U風速提前4 h預報訂正結(jié)果的全年RMSE分布??梢钥吹?風速的原始誤差分布較為集中,主要分布于西北以及西部省界區(qū)域,這是由于該區(qū)域為高原以及山脈分布區(qū),因此針對該區(qū)域風速預報難度較大、預報效果較差(圖9a)。但是,Rise-Unet網(wǎng)絡模型總體提升效果仍較為明顯,經(jīng)過格點訂正后的RMSE在西北、北部及西部山區(qū)顯著減小,在東南部平原大范圍地區(qū)RMSE也大幅下降至1 m/s以下。

    圖7 春(a、b)、夏(c、d)、秋(e、f)、冬(g、h)地面2 m相對濕度4 h預報RMSE分布(單位:%):(a、c、e、g)訂正前;(b、d、f、h)訂正后

    圖8 地面10 m-U風各預報時效訂正曲線:(a)訂正前后的RMSE;(b)訂正前后的MAE

    圖9 地面10 m-U風4 h預報全年RMSE分布(單位:m/s):(a)訂正前后的RMSE;(b)訂正前后的MAE

    表4以及圖10分別為4 h預報訂正結(jié)果的分季節(jié)RMSE統(tǒng)計以及空間分布,由表4可知Rise-Unet網(wǎng)絡模型方法針對春夏秋冬四個季節(jié)RMSE誤差減小率分別為14.68%、16.89%、10.52%以及15.00%,均表現(xiàn)為正向訂正的效果,這說明神經(jīng)網(wǎng)絡對于10 m-U風預報結(jié)果的訂正能力不同季節(jié)都有效。對于原始RISE預報結(jié)果,U風在秋冬季節(jié)誤差較小,分別為1.14 m/s和1.20 m/s,夏季誤差為1.48 m/s,為四季中最大,但是Rise-Unet模型對于夏季U風格點預報訂正誤差減小率最高,誤差總體減少了16.89%(表4)。

    表4 地面10 m-U風速4 h預報分季訂正統(tǒng)計

    2.4 地面10 m-V風訂正結(jié)果

    RISE系統(tǒng)的地面10 m-V風速4~12 h預報時效的訂正結(jié)果如圖11所示??梢园l(fā)現(xiàn),針對MAE以及RMSE兩種評價指標,使用Rise-Unet網(wǎng)絡對于各時效均表現(xiàn)為正向訂正的效果,說明該方法針對高分辨率10 m-V緯向風速的訂正效果同樣是有效的。各時次平均誤差減小率約為18%,這相比于10 m-U風的訂正效果(約15%)更好。針對RMSE以及MAE兩種評價指標均為6 h預報結(jié)果訂正效果最為顯著,之后訂正效果出現(xiàn)下降并逐漸趨于平穩(wěn)(圖11),考慮仍是因為系統(tǒng)對長期預報誤差大且結(jié)果穩(wěn)定的原因。

    圖10 春(a、b)、夏(c、d)、秋(e、f)、冬(g、h)地面10 m-U風4 h預報RMSE分布(單位:m/s):(a、c、e、g)訂正前;(b、d、f、h)訂正后

    圖11 地面10 m-V風各預報時效訂正曲線:(a)訂正前后的RMSE;(b)訂正前后的MAE

    圖12 地面10 m-V風4 h預報全年RMSE分布(單位:m/s):(a)訂正前的原始預報誤差;(b)訂正后的預報誤差

    圖12為針對RISE研究的京津冀區(qū)域,提前4 h預報的10 m-V風格點預報訂正結(jié)果的全年RMSE。通過對比訂正前和訂正后的誤差空間分布結(jié)構(gòu),可以看到圖中基本每個格點均有正向提升效果,尤其是針對西北部區(qū)域,絕大部分RMSE超過2.5 m/s的各個局地山區(qū)緯向風速預報誤差大值中心均減小到2.5 m/以下,而京津冀東南平原地區(qū)的RMSE基本都降低至1 m/s以下(圖12b)。上述結(jié)果說明,與10 m-U風相似,Rise-Unet神經(jīng)網(wǎng)絡對10 m-V風的訂正仍然全圖有效。另外,對比U風和V風之間的差異,可以發(fā)現(xiàn)原始RISE系統(tǒng)對V風的預報誤差整體大于U風(圖12a、圖9a),而訂正后兩者誤差相對更為接近。

    表5以及圖13分別為4 h預報訂正結(jié)果的分季節(jié)RMSE統(tǒng)計以及空間分布。針對四個季節(jié),RISE系統(tǒng)10 m-V風的原始預報誤差總體都比10 m-U風更大(表4、5),其中春季V風誤差大于U風的特征最為突出(圖13a,圖10a)。但是,針對春夏秋這三個季節(jié),地面10 m-V風的訂正誤差減小率分別為16.56%、17.94%和10.74%,均比10 m-U風的訂正提升率相對更高;而針對冬季的訂正結(jié)果,10 m-V風誤差減小率則為12.82%,小于10 m-U風的誤差減小率(15.00%)。總體上來看,U風和V風兩種要素誤差分布是一致的,且Rise-Unet神經(jīng)網(wǎng)絡對10 m-V風的訂正與10 m-U風相似,仍是全季節(jié)有效的。

    表5 地面10 m-V風速4 h預報分季訂正統(tǒng)計

    3 討論和結(jié)論

    本文基于RISE系統(tǒng)高分辨率短臨預報數(shù)據(jù)集,使用卷積神經(jīng)網(wǎng)絡構(gòu)建了Rise-Unet模型進行京津冀區(qū)域500 m分辨率格點溫濕風預報訂正試驗和評估檢驗,探索深度學習算法在高分辨率格點數(shù)據(jù)預報訂正中的應用效果,主要結(jié)論如下:

    1)針對RISE系統(tǒng)數(shù)據(jù)研究區(qū)域,使用Rise-Unet網(wǎng)絡調(diào)整以及遷移后可以有效地完成京津冀全區(qū)域訂正,同時針對各個季節(jié)該模型也均表現(xiàn)出其顯著的正向訂正效果,不同季節(jié)訂正后溫度、濕度、風速誤差減小率分別在17%~24%、12%~17%、10%~18%,說明該模型對高分辨率、細網(wǎng)格氣象預報數(shù)據(jù)具有十分有效的偏差訂正能力。因此,這對于深度學習在高分辨率格點預報數(shù)據(jù)偏差訂正中的應用以及推動氣象預報精細化發(fā)展方面具有重要意義。

    2)在對RISE系統(tǒng)數(shù)據(jù)多個氣象要素的訂正中發(fā)現(xiàn),預報誤差大值區(qū)主要集中分布于京津冀西部以及北部高原和山地區(qū)域。對溫度而言,由于西部地區(qū)地形復雜且溫差較大,因此對于該區(qū)域溫度的預報以及訂正結(jié)果誤差相對較高,而東部地區(qū)多平原且溫差變化特征較為穩(wěn)定,因此預報和訂正的誤差相對較小。對相對濕度而言,與溫度類似。對于RISE系統(tǒng)地面10 m-U風和10 m-V風預報產(chǎn)品,由于高原山地區(qū)域,風的局地特征較為復雜且日變化大,而且數(shù)值模式的可預報性較低,因此對其訂正的誤差也較大。

    圖13 春(a、b)、夏(c、d)、秋(e、f)、冬(g、h)地面10 m-V風4 h預報RMSE分布(單位:m/s):(a、c、e、g)訂正前;(b、d、f、h)訂正后

    本文提出的Rise-Unet網(wǎng)絡模型格點偏差訂正方法可應用于RISE系統(tǒng)的后處理模塊,以進一步提升RISE系統(tǒng)的格點預報水平。需要指出,本文只針對了地面常規(guī)要素開展基于深度學習的高分辨率格點預報訂正方法研究和試驗,考慮到RISE系統(tǒng)除了可以提供高分辨率溫濕風等常規(guī)天氣要素短臨預報結(jié)果之外,還可以提供地面降水、降水相態(tài)、零度層高度、雪線高度等要素的高分辨率未來預報。因此,未來可以進一步研究Rise-Unet網(wǎng)絡或其他深度學習方法對其他高分辨率天氣要素格點預報的偏差訂正效果。除此之外,本文研究結(jié)論不僅可直接應用于RISE系統(tǒng),也可以為提升其他高分辨率模式系統(tǒng)格點預報水平提供一定的理論和技術(shù)參考。

    猜你喜歡
    格點高分辨率時效
    帶有超二次位勢無限格點上的基態(tài)行波解
    一種電離層TEC格點預測模型
    高分辨率合成孔徑雷達圖像解譯系統(tǒng)
    雷達學報(2020年3期)2020-07-13 02:27:16
    帶可加噪聲的非自治隨機Boussinesq格點方程的隨機吸引子
    J75鋼的時效處理工藝
    一種新型耐熱合金GY200的長期時效組織與性能
    上海金屬(2016年3期)2016-11-23 05:19:47
    環(huán)保執(zhí)法如何把握對違法建設項目的追責時效?
    格點和面積
    高分辨率對地觀測系統(tǒng)
    太空探索(2015年8期)2015-07-18 11:04:44
    基于Curvelet-Wavelet變換高分辨率遙感圖像降噪
    日韩中字成人| 亚洲在线观看片| 免费大片18禁| 制服丝袜香蕉在线| 18禁动态无遮挡网站| 黑人高潮一二区| 午夜福利在线观看免费完整高清在| 亚洲人成网站在线观看播放| 男女那种视频在线观看| 亚洲精品第二区| 啦啦啦中文免费视频观看日本| 白带黄色成豆腐渣| 日本一二三区视频观看| 国产成人精品婷婷| 又粗又硬又长又爽又黄的视频| 日韩欧美 国产精品| 伦精品一区二区三区| 亚洲四区av| 啦啦啦在线观看免费高清www| 日韩中字成人| 看非洲黑人一级黄片| 亚洲欧美日韩无卡精品| 免费高清在线观看视频在线观看| 亚洲成人av在线免费| 成年女人看的毛片在线观看| 亚洲电影在线观看av| 国产成人精品久久久久久| 日韩欧美 国产精品| 熟女电影av网| 久久久午夜欧美精品| 国产成人91sexporn| 中文精品一卡2卡3卡4更新| 精品少妇久久久久久888优播| 欧美日韩视频高清一区二区三区二| 免费观看无遮挡的男女| 女人被狂操c到高潮| 国产探花在线观看一区二区| 久久久久久久久久人人人人人人| 国产一区二区在线观看日韩| 有码 亚洲区| 天天躁日日操中文字幕| 成人鲁丝片一二三区免费| 一级爰片在线观看| 老司机影院毛片| 2021天堂中文幕一二区在线观| 97超视频在线观看视频| 国产精品久久久久久av不卡| 国产成人aa在线观看| 日本av手机在线免费观看| 天堂网av新在线| 日韩 亚洲 欧美在线| 禁无遮挡网站| 能在线免费看毛片的网站| 天美传媒精品一区二区| 超碰av人人做人人爽久久| 日韩三级伦理在线观看| 日本色播在线视频| 精品国产乱码久久久久久小说| 一区二区av电影网| 亚洲精品乱久久久久久| 夫妻午夜视频| 午夜免费鲁丝| 18禁在线无遮挡免费观看视频| 亚洲综合精品二区| 亚洲欧美中文字幕日韩二区| 国产亚洲一区二区精品| 午夜激情福利司机影院| 另类亚洲欧美激情| 亚洲精品乱码久久久久久按摩| 中文精品一卡2卡3卡4更新| 美女cb高潮喷水在线观看| 亚洲图色成人| 白带黄色成豆腐渣| 免费播放大片免费观看视频在线观看| 欧美日韩视频高清一区二区三区二| 国产精品一二三区在线看| 欧美变态另类bdsm刘玥| 午夜福利在线在线| 午夜免费鲁丝| 亚洲国产成人一精品久久久| 99视频精品全部免费 在线| 美女国产视频在线观看| 亚洲国产最新在线播放| av在线老鸭窝| 91久久精品电影网| av一本久久久久| 水蜜桃什么品种好| kizo精华| 3wmmmm亚洲av在线观看| 视频区图区小说| freevideosex欧美| 综合色av麻豆| 久久久久国产精品人妻一区二区| 亚洲精品成人av观看孕妇| 大香蕉久久网| tube8黄色片| 老女人水多毛片| 啦啦啦啦在线视频资源| 久久午夜福利片| 嫩草影院精品99| 嫩草影院精品99| 久久韩国三级中文字幕| 久久久色成人| 国产一级毛片在线| 老师上课跳d突然被开到最大视频| 波多野结衣巨乳人妻| 国产成人精品福利久久| 国产免费一级a男人的天堂| 91aial.com中文字幕在线观看| 日日撸夜夜添| 观看美女的网站| 韩国高清视频一区二区三区| 国产精品一区二区三区四区免费观看| 我的女老师完整版在线观看| 亚洲精品日本国产第一区| 在线观看美女被高潮喷水网站| 国产淫片久久久久久久久| 99久久精品一区二区三区| 亚洲av中文av极速乱| av一本久久久久| 秋霞在线观看毛片| 五月开心婷婷网| 免费播放大片免费观看视频在线观看| 色视频在线一区二区三区| 爱豆传媒免费全集在线观看| 老师上课跳d突然被开到最大视频| 性色av一级| 久久精品久久久久久久性| 久久国内精品自在自线图片| 2021少妇久久久久久久久久久| 亚洲精品成人av观看孕妇| 乱码一卡2卡4卡精品| 人妻一区二区av| 天堂中文最新版在线下载 | 寂寞人妻少妇视频99o| 日本午夜av视频| 国产av不卡久久| 91在线精品国自产拍蜜月| 国产人妻一区二区三区在| 国产一级毛片在线| 国产成人精品福利久久| 各种免费的搞黄视频| 成人无遮挡网站| 免费黄频网站在线观看国产| 国产黄色免费在线视频| 一区二区三区四区激情视频| 成人综合一区亚洲| 日日啪夜夜撸| 国产av国产精品国产| 亚洲图色成人| 男的添女的下面高潮视频| 搡老乐熟女国产| 国产69精品久久久久777片| 精品少妇黑人巨大在线播放| 国产精品人妻久久久影院| 最近2019中文字幕mv第一页| 人人妻人人爽人人添夜夜欢视频 | 尾随美女入室| 久久久成人免费电影| 热99国产精品久久久久久7| 久久这里有精品视频免费| 日日啪夜夜撸| 一级毛片我不卡| 日韩视频在线欧美| 亚洲真实伦在线观看| 欧美zozozo另类| 尤物成人国产欧美一区二区三区| 2022亚洲国产成人精品| 欧美成人a在线观看| 乱码一卡2卡4卡精品| 欧美精品一区二区大全| 天美传媒精品一区二区| 一级爰片在线观看| 久久国产乱子免费精品| 男插女下体视频免费在线播放| 成人一区二区视频在线观看| 精品久久久久久久久亚洲| av国产久精品久网站免费入址| 亚洲三级黄色毛片| 日本色播在线视频| 亚洲国产色片| 黄色一级大片看看| 亚洲av福利一区| 亚洲精品第二区| 精品酒店卫生间| 国产男人的电影天堂91| 国产精品一二三区在线看| 一个人看的www免费观看视频| 国产精品人妻久久久影院| 免费在线观看成人毛片| 白带黄色成豆腐渣| av一本久久久久| 亚洲精品国产av蜜桃| 黄色日韩在线| 国国产精品蜜臀av免费| 久久久久久久国产电影| 在线天堂最新版资源| 国产亚洲最大av| 蜜桃久久精品国产亚洲av| 成年女人看的毛片在线观看| 久久6这里有精品| av线在线观看网站| 一个人看视频在线观看www免费| 国产精品一区二区三区四区免费观看| 久久鲁丝午夜福利片| 亚洲无线观看免费| 亚洲经典国产精华液单| 久久久久久九九精品二区国产| 哪个播放器可以免费观看大片| 一级毛片 在线播放| 亚洲精品久久午夜乱码| 99热全是精品| 夜夜爽夜夜爽视频| 99视频精品全部免费 在线| 亚洲美女视频黄频| av在线播放精品| 久久精品夜色国产| 日韩欧美一区视频在线观看 | 精品久久久精品久久久| 极品少妇高潮喷水抽搐| 黄色日韩在线| 亚洲av不卡在线观看| 狂野欧美激情性xxxx在线观看| 黄色怎么调成土黄色| 久久精品国产亚洲网站| 日本三级黄在线观看| 人人妻人人看人人澡| 熟女电影av网| 国产午夜精品久久久久久一区二区三区| 久久精品久久久久久噜噜老黄| 18禁在线播放成人免费| 免费在线观看成人毛片| 国产又色又爽无遮挡免| 亚洲精品视频女| 国国产精品蜜臀av免费| 国产精品久久久久久精品电影小说 | 交换朋友夫妻互换小说| 亚洲精品乱久久久久久| 大香蕉97超碰在线| av在线老鸭窝| 精品少妇黑人巨大在线播放| 亚洲av.av天堂| 亚洲精品第二区| 成人亚洲欧美一区二区av| 欧美另类一区| 国产色爽女视频免费观看| 国产极品天堂在线| 午夜老司机福利剧场| 尾随美女入室| 亚洲av免费在线观看| 成年免费大片在线观看| 亚洲欧美精品自产自拍| 日日摸夜夜添夜夜爱| 国产伦精品一区二区三区四那| 日本wwww免费看| 狂野欧美白嫩少妇大欣赏| 看十八女毛片水多多多| 久久久精品欧美日韩精品| 伊人久久国产一区二区| 国产 一区精品| 国内精品宾馆在线| 久久久久久久久久人人人人人人| av在线播放精品| a级一级毛片免费在线观看| 日本wwww免费看| 青春草国产在线视频| 在线天堂最新版资源| 校园人妻丝袜中文字幕| 国产午夜精品一二区理论片| 国产精品人妻久久久影院| 中文字幕制服av| 22中文网久久字幕| 亚洲四区av| 五月开心婷婷网| 噜噜噜噜噜久久久久久91| 国产乱人偷精品视频| 亚洲欧美精品专区久久| 午夜爱爱视频在线播放| 肉色欧美久久久久久久蜜桃 | 国产熟女欧美一区二区| 亚洲aⅴ乱码一区二区在线播放| 赤兔流量卡办理| 成人国产av品久久久| 亚洲精品国产av成人精品| 国产高清三级在线| 你懂的网址亚洲精品在线观看| 国产成人免费观看mmmm| 久久97久久精品| 亚洲美女搞黄在线观看| 国产欧美亚洲国产| 国产精品久久久久久精品电影| 久久精品久久精品一区二区三区| 免费看av在线观看网站| 人妻制服诱惑在线中文字幕| 日韩中字成人| 亚洲aⅴ乱码一区二区在线播放| 高清在线视频一区二区三区| 午夜福利在线观看免费完整高清在| 精品久久久久久久久av| 久久精品夜色国产| 内射极品少妇av片p| 一区二区av电影网| 免费观看的影片在线观看| 欧美97在线视频| 2022亚洲国产成人精品| 免费观看性生交大片5| 成年av动漫网址| 亚洲精品日韩在线中文字幕| 国产淫片久久久久久久久| 最近中文字幕2019免费版| 日本爱情动作片www.在线观看| 精品久久久久久久人妻蜜臀av| 亚洲av男天堂| 亚洲精品乱码久久久v下载方式| 亚洲欧美精品专区久久| a级毛色黄片| 国产爱豆传媒在线观看| 国产精品熟女久久久久浪| 国产精品一区二区在线观看99| 美女xxoo啪啪120秒动态图| 日韩视频在线欧美| 自拍欧美九色日韩亚洲蝌蚪91 | 久久精品国产亚洲网站| 男人舔奶头视频| 亚洲欧美清纯卡通| 国产熟女欧美一区二区| 一区二区三区乱码不卡18| 不卡视频在线观看欧美| 欧美性猛交╳xxx乱大交人| 国产欧美日韩精品一区二区| 国产男人的电影天堂91| 夜夜爽夜夜爽视频| 国产亚洲91精品色在线| 国产免费又黄又爽又色| 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 | 在线看a的网站| 日韩欧美精品免费久久| 一个人看的www免费观看视频| 最近中文字幕高清免费大全6| 国产精品不卡视频一区二区| 国产精品三级大全| 成人午夜精彩视频在线观看| 欧美少妇被猛烈插入视频| 日韩视频在线欧美| 久久久国产一区二区| 97在线人人人人妻| 国产精品一及| 日日啪夜夜爽| 国产精品秋霞免费鲁丝片| 亚洲av不卡在线观看| 欧美日韩在线观看h| 国产精品99久久99久久久不卡 | 欧美成人a在线观看| 亚洲人与动物交配视频| 丰满乱子伦码专区| 国产精品99久久99久久久不卡 | 免费观看a级毛片全部| 校园人妻丝袜中文字幕| 日日啪夜夜爽| 国产永久视频网站| 久久6这里有精品| 精品一区二区三卡| 亚洲熟女精品中文字幕| 日韩欧美精品免费久久| 久久久精品免费免费高清| 少妇被粗大猛烈的视频| 好男人在线观看高清免费视频| 亚洲在久久综合| 国产成年人精品一区二区| 一级黄片播放器| 久久久久久久久久久免费av| 国产黄a三级三级三级人| 国产91av在线免费观看| 日韩欧美 国产精品| 男女国产视频网站| 国产精品国产av在线观看| 国产av不卡久久| 欧美97在线视频| 777米奇影视久久| 中文在线观看免费www的网站| www.色视频.com| 国产久久久一区二区三区| 日韩精品有码人妻一区| 亚洲美女搞黄在线观看| 在线看a的网站| 国内精品宾馆在线| 中文天堂在线官网| 亚洲欧美日韩另类电影网站 | 久久国产乱子免费精品| 女的被弄到高潮叫床怎么办| 婷婷色综合大香蕉| 免费看av在线观看网站| 亚洲精品成人久久久久久| 又爽又黄无遮挡网站| 精品人妻视频免费看| 韩国高清视频一区二区三区| 97人妻精品一区二区三区麻豆| 国产精品一二三区在线看| 欧美亚洲 丝袜 人妻 在线| 国产精品国产三级国产专区5o| 汤姆久久久久久久影院中文字幕| 建设人人有责人人尽责人人享有的 | 日韩在线高清观看一区二区三区| 国产精品女同一区二区软件| 特级一级黄色大片| 国产高清有码在线观看视频| 人人妻人人澡人人爽人人夜夜| 18禁在线无遮挡免费观看视频| av天堂中文字幕网| 嫩草影院新地址| 美女被艹到高潮喷水动态| 少妇人妻 视频| 国产精品一二三区在线看| 午夜福利在线观看免费完整高清在| 亚洲国产欧美人成| 熟女人妻精品中文字幕| 插逼视频在线观看| 欧美性猛交╳xxx乱大交人| 伊人久久国产一区二区| 久久99蜜桃精品久久| 亚洲精品日本国产第一区| 少妇高潮的动态图| 青春草亚洲视频在线观看| av在线老鸭窝| 看非洲黑人一级黄片| 亚洲精品成人av观看孕妇| 欧美三级亚洲精品| 免费观看无遮挡的男女| 人人妻人人看人人澡| 爱豆传媒免费全集在线观看| 中文字幕制服av| 汤姆久久久久久久影院中文字幕| 禁无遮挡网站| 成年版毛片免费区| 久久久精品94久久精品| 欧美一级a爱片免费观看看| 国产一区二区在线观看日韩| 精品亚洲乱码少妇综合久久| xxx大片免费视频| 日韩欧美一区视频在线观看 | 久久久久久伊人网av| 国产大屁股一区二区在线视频| 丰满人妻一区二区三区视频av| 亚洲人成网站高清观看| a级毛片免费高清观看在线播放| 国产又色又爽无遮挡免| 91在线精品国自产拍蜜月| 成年版毛片免费区| 日本欧美国产在线视频| 国产爱豆传媒在线观看| 超碰97精品在线观看| 少妇丰满av| 国产日韩欧美亚洲二区| 亚洲av福利一区| 另类亚洲欧美激情| 天美传媒精品一区二区| 亚洲成人av在线免费| 国产精品嫩草影院av在线观看| 91久久精品电影网| 又爽又黄无遮挡网站| 视频区图区小说| 丝袜喷水一区| 九色成人免费人妻av| 青春草国产在线视频| 国产成人一区二区在线| 国产黄a三级三级三级人| av在线app专区| 在线观看一区二区三区| 性色av一级| 亚洲精品aⅴ在线观看| 美女内射精品一级片tv| 可以在线观看毛片的网站| 亚洲成人精品中文字幕电影| 欧美xxxx性猛交bbbb| 欧美日韩一区二区视频在线观看视频在线 | 国产伦精品一区二区三区视频9| 天堂俺去俺来也www色官网| 1000部很黄的大片| 一区二区三区免费毛片| 国产成人精品福利久久| 少妇裸体淫交视频免费看高清| 大又大粗又爽又黄少妇毛片口| 亚洲欧美成人综合另类久久久| 免费看av在线观看网站| 日韩av在线免费看完整版不卡| 热99国产精品久久久久久7| 黄色日韩在线| 一区二区三区四区激情视频| 国产精品不卡视频一区二区| 日本猛色少妇xxxxx猛交久久| 新久久久久国产一级毛片| 日本午夜av视频| 成人鲁丝片一二三区免费| 亚洲av中文av极速乱| 亚洲精品日本国产第一区| 熟女电影av网| 六月丁香七月| 人妻制服诱惑在线中文字幕| 超碰av人人做人人爽久久| 亚洲精品一二三| 一级a做视频免费观看| 精品亚洲乱码少妇综合久久| av免费观看日本| 韩国av在线不卡| 国产乱人视频| 亚洲国产色片| 美女脱内裤让男人舔精品视频| 国精品久久久久久国模美| 内射极品少妇av片p| 精品一区在线观看国产| 国产色婷婷99| 26uuu在线亚洲综合色| 插阴视频在线观看视频| 成人一区二区视频在线观看| 国产精品无大码| 久久午夜福利片| 国产高清三级在线| 男人舔奶头视频| 舔av片在线| 又黄又爽又刺激的免费视频.| 久久精品人妻少妇| 卡戴珊不雅视频在线播放| 丝袜喷水一区| 婷婷色麻豆天堂久久| 一级毛片久久久久久久久女| 97在线人人人人妻| 国产乱人视频| 一个人观看的视频www高清免费观看| 国产 一区 欧美 日韩| 日韩一本色道免费dvd| 天天躁日日操中文字幕| 联通29元200g的流量卡| 国产精品偷伦视频观看了| 最近手机中文字幕大全| 国产伦理片在线播放av一区| 日韩制服骚丝袜av| 欧美xxxx黑人xx丫x性爽| 国产欧美日韩精品一区二区| 亚洲欧洲日产国产| 亚洲精品一二三| 一级二级三级毛片免费看| 免费黄网站久久成人精品| 欧美日韩精品成人综合77777| 91精品国产九色| 日韩伦理黄色片| 成人亚洲精品av一区二区| av国产免费在线观看| 亚洲av不卡在线观看| 男女下面进入的视频免费午夜| 亚洲图色成人| 亚洲欧美成人综合另类久久久| 亚洲av在线观看美女高潮| 国产精品一及| 国产精品麻豆人妻色哟哟久久| 97超视频在线观看视频| 夜夜爽夜夜爽视频| 一级a做视频免费观看| kizo精华| 色播亚洲综合网| 日本黄大片高清| 成年免费大片在线观看| 九九久久精品国产亚洲av麻豆| 青春草视频在线免费观看| 国产精品女同一区二区软件| 黄色日韩在线| 国产精品久久久久久精品电影小说 | 欧美激情久久久久久爽电影| 亚洲精品国产av成人精品| 91午夜精品亚洲一区二区三区| 欧美 日韩 精品 国产| 中国三级夫妇交换| 另类亚洲欧美激情| 免费观看无遮挡的男女| 国产成人精品久久久久久| 天堂俺去俺来也www色官网| 日韩制服骚丝袜av| 国产伦精品一区二区三区四那| 91在线精品国自产拍蜜月| 精品熟女少妇av免费看| 99热这里只有是精品在线观看| 亚洲怡红院男人天堂| 成人欧美大片| av在线播放精品| 熟女电影av网| 成年人午夜在线观看视频| 欧美精品人与动牲交sv欧美| a级毛色黄片| 黄片无遮挡物在线观看| 女的被弄到高潮叫床怎么办| 免费播放大片免费观看视频在线观看| 亚洲av在线观看美女高潮| 七月丁香在线播放| 可以在线观看毛片的网站| 国产视频首页在线观看| 熟女av电影| 午夜亚洲福利在线播放| 日韩,欧美,国产一区二区三区| 亚洲,一卡二卡三卡| 国产成人精品福利久久| 国模一区二区三区四区视频| 亚洲欧美精品自产自拍| 午夜激情福利司机影院| 亚洲精品久久久久久婷婷小说| 91精品国产九色| www.色视频.com| 免费人成在线观看视频色| 久久影院123| 99久久九九国产精品国产免费| 97热精品久久久久久| 日韩av在线免费看完整版不卡| 又爽又黄无遮挡网站| 久久久久精品久久久久真实原创| 别揉我奶头 嗯啊视频| 国产成年人精品一区二区| 欧美变态另类bdsm刘玥|