• <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 ?

    基于改進(jìn)UPerNet和國產(chǎn)高分遙感數(shù)據(jù)的冬小麥種植區(qū)提取

    2023-08-14 06:55:00白靜遠(yuǎn)寧紀(jì)鋒郭交楊蜀秦張智韜
    江蘇農(nóng)業(yè)科學(xué) 2023年13期
    關(guān)鍵詞:語義分割冬小麥

    白靜遠(yuǎn) 寧紀(jì)鋒 郭交 楊蜀秦 張智韜

    摘要:遙感技術(shù)能夠獲取大區(qū)域下冬小麥的空間分布,為冬小麥估產(chǎn)提供良好基礎(chǔ)。基于2020年5月4日的高分2號多光譜衛(wèi)星影像,構(gòu)建包含光譜特征和植被指數(shù)的數(shù)據(jù)集,并通過改進(jìn)UPerNet模型的上采樣結(jié)構(gòu)、激活函數(shù)以及增加注意力模塊來優(yōu)化模型提取冬小麥效果。選取楊凌示范區(qū)2塊地物類型豐富地區(qū)作為研究區(qū)域,以此探究方法的可行性;然后基于最優(yōu)方法,提取楊凌區(qū)冬小麥種植區(qū)域。研究區(qū)域結(jié)果表明,與僅使用光譜信息作為模型輸入特征相比,基于多光譜和植被指數(shù)的分類效果更好。在融合光譜特征和植被指數(shù)的數(shù)據(jù)集上,改進(jìn)的UPerNet模型分類精度最高,冬小麥提取精度為97.78%,總體分類精度相比于改進(jìn)前的UPerNet提升了2.49%,對比DeepLab V3+提升了3.48%?;诟倪M(jìn)方法,實(shí)現(xiàn)了楊凌示范區(qū)的冬小麥種植區(qū)提?。煌ㄟ^實(shí)地調(diào)查以及對比統(tǒng)計年鑒數(shù)據(jù)的方式,驗證了楊凌示范區(qū)冬小麥空間分布與實(shí)際情況基本一致。改進(jìn)后的UPerNet模型能夠有效區(qū)分遙感數(shù)據(jù)中的地物類別,提升冬小麥種植區(qū)域提取精度,也為基于衛(wèi)星影像獲取冬小麥空間分布提供了技術(shù)支持。

    關(guān)鍵詞:冬小麥;種植區(qū)提??;語義分割;高分衛(wèi)星;UPerNet

    中圖分類號:S127? 文獻(xiàn)標(biāo)志碼:A

    文章編號:1002-1302(2023)13-0203-09

    冬小麥?zhǔn)俏覈饕Z食作物之一,及時準(zhǔn)確獲取冬小麥種植區(qū)域有助于作物種植結(jié)構(gòu)管理[1]。衛(wèi)星遙感技術(shù)在大尺度的農(nóng)業(yè)種植結(jié)構(gòu)普查中具有及時高效的特點(diǎn),已成為獲取農(nóng)作物分布信息的主要手段之一[2]。利用衛(wèi)星遙感技術(shù)及時準(zhǔn)確掌握冬小麥的空間分布,對于農(nóng)業(yè)政策制定、優(yōu)化冬小麥種植區(qū)域布局具有重要意義,也可為冬小麥的長勢分析、產(chǎn)量預(yù)估提供基礎(chǔ)數(shù)據(jù)。

    我國高分系列衛(wèi)星覆蓋了從全色、多光譜到高光譜,從光學(xué)到雷達(dá)等多種類型,構(gòu)成了一個具有高空間分辨率、高時間分辨率和高光譜分辨率的對地觀測系統(tǒng),這些系統(tǒng)為精確提取農(nóng)作物空間分布信息提供了強(qiáng)大的數(shù)據(jù)支撐。郭燕等基于高分2號的4 m多光譜影像,采用支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)和最大似然法,對河南省濮陽市濮陽縣小麥種植空間分布信息進(jìn)行快速提取和精度分析[3]。王冬利等基于高分1號寬幅數(shù)據(jù),分析不同時間的NDVI,結(jié)合K均值分類法進(jìn)行河北省辛集市的冬小麥種植區(qū)域提?。?]。王利軍等基于高分6號寬幅數(shù)據(jù),利用隨機(jī)森林算法完成4種不同紅邊波段方案下冬小麥、大蒜和油菜等作物的分類提取[5]。

    基于深度學(xué)習(xí)構(gòu)建的分類模型能夠在分類任務(wù)中加入上下文特征信息,從而提升分類精度[6]。不同的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,簡稱CNN)模型已被運(yùn)用于遙感影像的分類中:崔剛等將PSPNet模型應(yīng)用于冬小麥識別研究,文章基于衛(wèi)星影像,探究了深度學(xué)習(xí)對不同分辨率冬小麥識別的適用性[7]。Ayhan等采用DeepLab V3+模型對公開遙感數(shù)據(jù)集中的植被進(jìn)行分類[8]。Liu 等采用UPerNet模型實(shí)現(xiàn)基于航空影像的土地覆蓋分類[9]。

    上述研究多采用光譜信息或單一的植被指數(shù)信息作為模型輸入特征,并未綜合利用光譜信息和其他植被指數(shù)信息。基于機(jī)器學(xué)習(xí)的分類模型也多依賴于人工構(gòu)建特征,盡管此類模型具有易于構(gòu)建、占用計算資源少等優(yōu)勢,但分類結(jié)果有著一定的局限性[10]。基于深度學(xué)習(xí)的分類模型中采用的雙線性插值上采樣容易造成分類目標(biāo)邊緣細(xì)節(jié)丟失,并且模型難以直接應(yīng)用在多通道的遙感數(shù)據(jù)中。

    為準(zhǔn)確提取冬小麥種植區(qū)域,有效區(qū)分冬小麥和其他農(nóng)作物,本研究提出一種基于深度語義分割方法的冬小麥種植區(qū)域提取模型。UPerNet模型能夠利用特征的層次性捕獲遙感圖像的低級紋理和復(fù)雜特征,通過改進(jìn)UPerNet網(wǎng)絡(luò)結(jié)構(gòu)適應(yīng)融合光譜信息和植被指數(shù)的遙感數(shù)據(jù),并修改激活函數(shù)、上采樣結(jié)構(gòu)、增加注意力機(jī)制來優(yōu)化模型。試驗結(jié)果表明,改進(jìn)的UPerNet模型的冬小麥提取精度、總體精度(OA)和κ系數(shù)均優(yōu)于隨機(jī)森林(random forest,簡稱RF)、DeepLab V3+和UPerNet模型,驗證了改進(jìn)方法的有效性,為基于衛(wèi)星影像獲取農(nóng)作物種植結(jié)構(gòu)提供參考。

    1 材料與方法

    1.1 研究區(qū)概況

    研究區(qū)位于陜西省國家級楊凌農(nóng)業(yè)高新技術(shù)產(chǎn)業(yè)示范區(qū)(107°59′~108°08′E,34°14′~34°20′N),簡稱楊凌區(qū),總面積為13 500 hm2,地處暖溫帶,年均氣溫為12.9 ℃;氣候為半濕潤半干旱季風(fēng)氣候,年均降水量為635.1 mm;全年四季分明,呈現(xiàn)典型的冬冷夏熱特征。楊凌區(qū)三面環(huán)水,水資源豐富、水利條件優(yōu)越。氣候因素以及水文因素使得楊凌區(qū)適合冬小麥種植。

    本研究選取楊凌區(qū)冬小麥集中種植區(qū)作為研究區(qū)域(圖1),其中區(qū)域A面積約為232 hm2, 區(qū)域B面積約為221 hm2。研究區(qū)域地物類型豐富,包含冬小麥、玉米等農(nóng)作物,還包含工業(yè)廠房、居民房屋、農(nóng)業(yè)塑料等其他地物類型。

    1.2 數(shù)據(jù)及預(yù)處理

    1.2.1 遙感數(shù)據(jù) 本研究選用高分2號光學(xué)遙感衛(wèi)星(簡稱GF-2),該衛(wèi)星搭載了2臺0.8 m全色/4 m多光譜的高分相機(jī)(簡稱:高分相機(jī))。經(jīng)過實(shí)地調(diào)查,進(jìn)入5月后,冬小麥顏色逐漸變成深綠色,在衛(wèi)星圖像中特征較明顯,利于訓(xùn)練樣本選取與標(biāo)注。結(jié)合冬小麥的生長周期,對5月的衛(wèi)星影像進(jìn)行篩選,最終選取無云時段的衛(wèi)星影像作為本次試驗的數(shù)據(jù)源[11]。影像數(shù)據(jù)由GF-2搭載的高分相機(jī)獲取,數(shù)據(jù)獲取時間及GF-2主要參數(shù)見表1。

    1.2.2 遙感數(shù)據(jù)預(yù)處理 GF-2獲取到的數(shù)據(jù)包括1幅4波段的多光譜影像和1幅單波段的全色影像。在ENVI軟件中對獲取的遙感數(shù)據(jù)進(jìn)行預(yù)處理:首先對多光譜影像進(jìn)行輻射定標(biāo)、大氣校正和正射校正處理,再對全色影像進(jìn)行輻射定標(biāo)和正射校正處理,然后將多光譜影像和全色影像進(jìn)行 Gram-Schmidt 圖像融合,獲得高空間分辨率的多光譜影像,預(yù)處理后的GF-2影像采樣率為0.8 m。

    1.2.3 地面參考數(shù)據(jù) 根據(jù)實(shí)地調(diào)查結(jié)果以及目視解譯,將研究區(qū)土地類型劃分為冬小麥、裸地、建筑(城鄉(xiāng)房屋、工業(yè)廠房等)、農(nóng)業(yè)塑料覆被(地膜及大棚等)、玉米地以及其他植被(除去冬小麥以及玉米的其他植被,如草地、林地等)共6種類型。通過統(tǒng)計2塊試驗區(qū)域的地面參考數(shù)據(jù),最終獲取各類別分布情況如圖2所示。為訓(xùn)練分類模型并進(jìn)行分類精度定量評價,需獲取可靠的地面真值數(shù)據(jù)。因此開展實(shí)地調(diào)查,并結(jié)合高分辨率影像進(jìn)行目視解譯,通過ENVI軟件繪制地面真值圖,A、B等2個研究區(qū)的可見光遙感圖像和地面參考數(shù)據(jù)如圖3所示。

    1.3 數(shù)據(jù)集構(gòu)建

    選取占地面積較大的區(qū)域A遙感影像作為分類模型的訓(xùn)練集和驗證集,占地面積較小的區(qū)域B作為分類模型的測試集。為加快模型訓(xùn)練速度,將網(wǎng)絡(luò)輸入大小設(shè)置為256×256像素,并且按照 256×256像素的窗口大小對研究區(qū)域遙感圖像進(jìn)行裁剪。結(jié)合各類別像素個數(shù)以及所占比例,將訓(xùn)練區(qū)域A劃分為訓(xùn)練集和驗證集,其中驗證集包含908張圖片,用來調(diào)整模型超參數(shù);訓(xùn)練集包含 2 724 張圖片??紤]到深度學(xué)習(xí)網(wǎng)絡(luò)對于訓(xùn)練集數(shù)量的依賴,綜合前人學(xué)者研究,隨機(jī)抽取訓(xùn)練集圖像進(jìn)行翻轉(zhuǎn)、旋轉(zhuǎn)、縮放等圖像增強(qiáng)操作,以此擴(kuò)充訓(xùn)練集數(shù)量,增加網(wǎng)絡(luò)泛化能力[12]。最終獲得訓(xùn)練集圖片3 200張,用來訓(xùn)練分類模型。區(qū)域B作為測試集對模型的預(yù)測結(jié)果進(jìn)行精度評價。

    1.4 UPerNet深度語義分割模型

    語義分割是在像素級別上的分類,屬于同一類的像素被歸為一類,因此語義分割是從像素級別來理解圖像[13]。與傳統(tǒng)圖像分割方法大多只利用圖像表層信息不同,基于深度學(xué)習(xí)的語義分割方法能夠充分利用圖像的語義信息[13]。

    Xiao等提出UPerNet模型,該模型可實(shí)現(xiàn)聯(lián)合推理,并發(fā)掘圖像之中豐富的視覺知識[14]。UPerNet具有內(nèi)存效率高的優(yōu)點(diǎn),適合處理高分辨率的圖像;并且能夠利用特征的層次性,因此可以捕獲圖像的低級紋理和復(fù)雜特征。UPerNet基于特征金字塔網(wǎng)絡(luò)(feature pyramid network,簡稱FPN)[15]。為克服深度卷積網(wǎng)絡(luò)的感受野足夠大但實(shí)際可用的要小很多這一問題,UPerNet把 PSPNet中的金字塔池化模塊(pyramid pooling module,簡稱PPM)用于骨干網(wǎng)絡(luò)的最后一層,在其被饋送至FPN自上而下的分支之前[16]。

    1.5 改進(jìn)的UPerNet冬小麥種植區(qū)域提取方法

    1.5.1 UPerNet提取冬小麥種植區(qū)的局限性 UPerNet對三通道圖像的處理無法直接應(yīng)用在包含更多通道的遙感圖像中。對于多光譜遙感圖像,除了能夠提供光譜信息還能夠提供植被指數(shù)信息,而現(xiàn)有的UPerNet模型未能有效利用這些信息。一些植被指數(shù)中包含負(fù)值,但語義分割中常用的ReLU激活函數(shù)對負(fù)值無響應(yīng)容易導(dǎo)致性能下降[17]。UPerNet在最終預(yù)測圖的基礎(chǔ)上,采用雙線性插值上采樣直接獲得與輸入相同大小的輸出,但雙線性插值沒有學(xué)習(xí)能力并且會丟失細(xì)節(jié)[18]。因此,針對這些不足,本研究通過遙感圖像信息融合和網(wǎng)絡(luò)結(jié)構(gòu)修改,構(gòu)建適用于多波段遙感影像的語義分割網(wǎng)絡(luò),以此能夠更好地提取小麥種植區(qū)域。

    1.5.2 植被指數(shù)提取 在遙感圖像信息融合方面,通過對GF-2衛(wèi)星影像的光譜信息以及植被指數(shù)進(jìn)行疊加,形成7維度的數(shù)據(jù)集。

    結(jié)合表1,選取GF-2影像的紅、綠、藍(lán)以及近紅外波段構(gòu)建光譜特征。除了構(gòu)建光譜特征外,在遙感影像分類中增加植被指數(shù)信息,以此研究植被指數(shù)的加入對模型分類精度的影響。

    GF-2包含紅、綠、藍(lán)以及近紅外共4個波段,通過將可見光和近紅外波段進(jìn)行組合,可以計算出歸一化植被指數(shù)(NDVI)、比值植被指數(shù)(RVI)和花青素反射指數(shù)2(ARI2),如圖4所示。NDVI是目前檢測植被生長狀態(tài)的常用指標(biāo)[19]。RVI能夠體現(xiàn)植被與土壤背景之間的輻射差異,是植被長勢、豐度的度量方法之一[19]。ARI2常用于植被健康檢測、作物產(chǎn)量分析等方面[20]。

    1.5.3 改進(jìn)的UPerNet模型 首先是輸入層的修改:由于UPerNet多應(yīng)用在三通道的圖像中,無法直接訓(xùn)練多通道的遙感數(shù)據(jù),因此按照構(gòu)建的遙感數(shù)據(jù)維度增加網(wǎng)絡(luò)輸入通道數(shù)。

    在引入植被指數(shù)后,考慮到引入的植被指數(shù)中包含負(fù)值,而Mish激活函數(shù)不僅擁有ReLU激活函數(shù)的優(yōu)點(diǎn),對于負(fù)值也有良好響應(yīng),因此將網(wǎng)絡(luò)中ReLU激活函數(shù)替換成Mish激活函數(shù),使得改進(jìn)后的模型更具有魯棒性[21]。Mish激活函數(shù)公式見式(1),其中x代表輸入數(shù)值。

    Mish=x×(tanh)[ln(1+ex)]。(1)

    由于輸入數(shù)據(jù)包含多個植被指數(shù)以及光譜信息,可能導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時不容易收斂,因此在骨干網(wǎng)絡(luò)ResNet101中加入SimAM注意力模塊提升網(wǎng)絡(luò)對分類目標(biāo)的關(guān)注度,具體加入位置在骨干網(wǎng)絡(luò)的第1層到第4層內(nèi)部——每層的3×3卷積之后,如圖5-a所示[22]。該模塊是無參3D注意力模塊,擁有通道注意力和空間注意力的優(yōu)勢。采用該模塊的好處是不會給網(wǎng)絡(luò)增加額外參數(shù),并且能夠突出分類任務(wù)的重要特征。

    針對原模型中采用雙線性插值來恢復(fù)預(yù)測圖像尺寸,從而導(dǎo)致細(xì)節(jié)丟失的問題,改進(jìn)后的UPerNet網(wǎng)絡(luò)將原網(wǎng)絡(luò)中雙線性插值上采樣部分用密集上采樣卷積(dense upsampling convolution,簡稱DUC)代替(圖5-b)。DUC的關(guān)鍵思想是將整個標(biāo)簽圖劃分為多個通道的較小標(biāo)簽圖,這些較小標(biāo)簽圖與輸入DUC的特征圖具有相同的高和寬,通道個數(shù)為r2×L,r為下采樣倍數(shù),L為預(yù)測類別個數(shù)。DUC直接在特征圖上應(yīng)用卷積操作,具有可學(xué)習(xí)性,因此能夠捕獲和恢復(fù)在雙線性插值操作中丟失的詳細(xì)信息。

    1.6 模型訓(xùn)練

    為驗證改進(jìn)方法在小麥種植區(qū)域提取方面的有效性,本研究將其與隨機(jī)森林機(jī)器學(xué)習(xí)算法以及DeepLab V3+和UPerNet這2種常用的深度語義分割模型進(jìn)行比較。

    RF是一種集成分類器算法,由多顆分類與回歸樹(classification and regression tree,簡稱CART)構(gòu)成[23]。該算法由于具有分類精度高和對噪聲數(shù)據(jù)不敏感等優(yōu)勢,在農(nóng)業(yè)領(lǐng)域有著廣泛應(yīng)用。在本研究中,為保證RF模型和語義分割模型的輸入數(shù)據(jù)數(shù)量一樣,將數(shù)據(jù)增強(qiáng)后的圖像逐一轉(zhuǎn)換成像素點(diǎn)形式輸入RF模型。

    采用Pytorch深度學(xué)習(xí)框架構(gòu)建DeepLab V3+、UPerNet和提出的方法。為提高模型訓(xùn)練速度和應(yīng)用到新數(shù)據(jù)并做出準(zhǔn)確預(yù)測的能力,采用在公共數(shù)據(jù)集訓(xùn)練好的預(yù)訓(xùn)練權(quán)重對上述3種深度學(xué)習(xí)模型的內(nèi)部參數(shù)進(jìn)行初始化;對于新加入的卷積結(jié)構(gòu)無法通過預(yù)訓(xùn)練權(quán)重初始化的問題,采用He初始化方法對新加入的結(jié)構(gòu)進(jìn)行權(quán)重初始化[24]。3種深度學(xué)習(xí)模型均訓(xùn)練300個epoch,批處理尺寸為32;初始學(xué)習(xí)率為0.001,采用多項式衰減(Poly)策略進(jìn)行訓(xùn)練學(xué)習(xí)率的調(diào)整,矩為0.9,權(quán)值退化率為0.000 1。

    1.7 精度評價

    為定量評價不同分類方法對小麥種植區(qū)域的提取效果,基于混淆矩陣對分類結(jié)果進(jìn)行評價。首先利用分類結(jié)果圖與地面真值圖構(gòu)建混淆矩陣,通過混淆矩陣可以獲取到F1統(tǒng)計量(F1-score)、OA和κ系數(shù)等評價指標(biāo)[25]。本研究用F1-score評價冬小麥種植區(qū)提取精度,用OA和κ系數(shù)作為總體分類的評估指標(biāo)。

    2 結(jié)果與分析

    2.1 冬小麥提取結(jié)果

    基于多光譜和植被指數(shù),4種分類方法的試驗結(jié)果如表2所示,圖6是分類結(jié)果的可視化。由圖6、表2可知,UPerNet方法相較于RF和DeepLab V3+ 方法表現(xiàn)出更好的分類效果。而改進(jìn)后的UPerNet模型則對應(yīng)著最高的OA和κ系數(shù),其對冬小麥種植區(qū)提取精度也是最優(yōu)。冬小麥提取精度F1統(tǒng)計量為97.78%,相比于RF、DeepLab V3+ 和UPerNet方法依次提升了21.63百分點(diǎn)、1.44百分點(diǎn)、1.36百分點(diǎn);OA為88.32%,相比于RF、DeepLab V3+和UPerNet方法依次提升了19.40百分點(diǎn)、3.48百分點(diǎn)、2.49百分點(diǎn);κ系數(shù)為 0.846 3,相比于RF、DeepLab V3+和UPerNet方法依次提升了0.245 2、0.052 6、0.037 6。

    2.2 冬小麥提取結(jié)果分析

    2.2.1 深度學(xué)習(xí)和隨機(jī)森林的比較 由表2、圖6可知,基于傳統(tǒng)機(jī)器學(xué)習(xí)的RF方法分類精度不高,椒鹽現(xiàn)象明顯,冬小麥分類結(jié)果呈現(xiàn)不連續(xù)的塊狀,冬小麥與其他植被類別的特征相似,導(dǎo)致冬小麥地塊中出現(xiàn)冬小麥被錯分成其他植被類別。對于裸地以及冬小麥這類具有明顯光譜差異的簡單目標(biāo),RF能夠較好地區(qū)分。相比于RF方法,基于深度學(xué)習(xí)的DeepLab V3+、UPerNet和改進(jìn)的UPerNet模型分類精度更高、椒鹽現(xiàn)象整體減少,提取的冬小麥種植區(qū)域分布完整性較好。3種深度學(xué)習(xí)方法的分類結(jié)果均優(yōu)于RF方法,說明基于CNN構(gòu)建的深度學(xué)習(xí)方法能夠從高空間分辨率遙感圖像中更充分地學(xué)習(xí)到分類特征。

    2.2.2 改進(jìn)模型與其他深度學(xué)習(xí)的比較 對比圖6中3種深度學(xué)習(xí)方法的分類結(jié)果可以看出,3種深度學(xué)習(xí)方法均能夠較好地提取出冬小麥種植區(qū),但DeepLab V3+和UPerNet方法對于其他種類的提取依然存在不足。DeepLab V3+和UPerNet方法無法有效區(qū)分玉米和其他植被類別,并且預(yù)測的冬小麥地塊中也摻雜其他植被類別。在圖6-c中,UPerNet方法預(yù)測出來的農(nóng)業(yè)塑料覆被邊界模糊,預(yù)測出來的冬小麥地塊邊界連成一片,不符合實(shí)地調(diào)查分布。

    而改進(jìn)的UPerNet對于冬小麥的提取精度以及其他地物的分類效果都是最優(yōu),能夠?qū)⒍←湹貕K、玉米地塊和其他植被地塊有效區(qū)分?;诟倪M(jìn)的UPerNet模型,每個農(nóng)業(yè)塑料覆被之間以及冬小麥地塊邊界變得清晰,邊界模糊問題得到改善。說明本文對UPerNet網(wǎng)絡(luò)的改進(jìn)有助于提高模型提取特征的能力,對于冬小麥提取和地物類型分類有著較好的效果。

    3 討論

    3.1 植被指數(shù)對冬小麥提取精度的影響及分析

    為探究在遙感影像分類任務(wù)中加入植被指數(shù)對冬小麥提取精度的影響,本研究基于上述4種方法,僅將多光譜信息作為模型輸入特征,以此提取冬小麥以及其他類別,最終獲得的結(jié)果如表3和圖7所示。

    由表3可知,在遙感影像分類中加入植被指數(shù)有助于提升分類精度,但不同分類模型對于植被指數(shù)的響應(yīng)程度不同。由圖4可知,加入的3種植被指數(shù)對土壤的背景變化均較為敏感,有助于區(qū)分植被與非植被區(qū)域。玉米和其他植被類別的紋理相比冬小麥要更加的粗糙,而且玉米種植相比于其他植被類別更加的規(guī)整;因此在加入圖4中的植被指數(shù)信息后,有助于冬小麥、玉米和其他植被3種類別的相互區(qū)分。深度語義分割模型能夠更好地學(xué)習(xí)到遙感圖像的深層特征,因此與基于純光譜信息作為分類特征相比,在添加了植被指數(shù)后,深度語義分割模型的精度提升程度要略高于RF方法。上述分析表明,多光譜和植被指數(shù)信息結(jié)合有利于區(qū)分不同地物類別,從而提升冬小麥提取精度和總體分類效果。

    目視解譯得到的冬小麥分布如圖8-a所示,基于改進(jìn)方法的區(qū)域B冬小麥空間分布如圖8-b所示。經(jīng)統(tǒng)計,在改進(jìn)方法下,基于純光譜信息和基于多光譜、植被指數(shù)信息提取的冬小麥種植面積分別為80.570 24、84.262 45 hm2。相比于目視解譯提取的冬小麥面積86.018 30 hm2,基于純光譜信息和基于多光譜、植被指數(shù)信息提取的冬小麥種植面積相對誤差分別為6.33%、2.04%。說明多光譜和植被指數(shù)信息結(jié)合有利于降低冬小麥面積提取誤差。

    3.2 楊凌區(qū)冬小麥空間分布

    基于上述結(jié)果與分析,改進(jìn)的UPerNet模型能夠較好地提取試驗區(qū)冬小麥種植區(qū)域,并且多光譜和植被指數(shù)信息結(jié)合有利于降低冬小麥面積提取誤差。因此基于本演技方法,實(shí)現(xiàn)楊凌區(qū)的冬小麥種植區(qū)提取,結(jié)果如圖9所示。

    由圖9可知,楊凌區(qū)冬小麥種植整體分散,多集中在楊凌區(qū)西南方向的揉谷鎮(zhèn)以及東北方向的楊陵街道。揉谷鎮(zhèn)冬小麥地塊規(guī)則、分布均勻,而楊陵街道的冬小麥呈不規(guī)則分布。為進(jìn)一步驗證楊凌區(qū)冬小麥空間分布的準(zhǔn)確性,隨機(jī)在楊凌區(qū)選取116個地面點(diǎn)進(jìn)行實(shí)地調(diào)查,其中冬小麥樣點(diǎn)54個,其他類別樣點(diǎn)62個,如圖10所示。結(jié)合實(shí)地調(diào)查,楊凌區(qū)冬小麥空間分布與實(shí)際分布基本相符。通過統(tǒng)計計算,基于本研究方法提取的楊凌區(qū)冬小麥種植面積為647.26 hm2,與2021年陜西省統(tǒng)計年鑒數(shù)據(jù)666.67 hm2相比,相對誤差為2.91%[26]。

    4 結(jié)論

    基于UPerNet模型,通過改進(jìn)模型的上采樣結(jié)構(gòu)、激活函數(shù)以及增加注意力模塊來優(yōu)化模型,綜合利用衛(wèi)星圖像的光譜信息以及植被指數(shù),在對研究區(qū)域進(jìn)行冬小麥種植區(qū)域自動提取的基礎(chǔ)上實(shí)現(xiàn)土地利用分類,對比RF、DeepLab V3+和UPerNet方法,改進(jìn)后的UPerNet方法均取得了最優(yōu)的冬小麥提取結(jié)果,對于冬小麥種植區(qū)域的提取精度為97.78%,說明改進(jìn)方法能夠較好地提取冬小麥種植區(qū)域。

    在4種分類模型上,與僅使用光譜信息作為模型輸入特征相比,基于多光譜和植被指數(shù)的分類效果要更好,表明在對冬小麥提取中加入植被指數(shù)有助于冬小麥和其他相似類別的區(qū)分,從而提升分類精度。在2種不同的模型輸入特征上,深度學(xué)習(xí)方法的分類效果均優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)方法,表明深度學(xué)習(xí)在分類任務(wù)中能夠更好地提取遙感圖像特征。

    基于改進(jìn)的UPerNet模型,對融合了植被指數(shù)的楊凌區(qū)遙感影像進(jìn)行冬小麥種植區(qū)提取,最終獲得的2020年楊凌區(qū)冬小麥面積為647.26 hm2,對比陜西省統(tǒng)計數(shù)據(jù),相對誤差為2.91%。同時通過實(shí)地調(diào)查的方式進(jìn)一步驗證了楊凌區(qū)冬小麥空間分布的準(zhǔn)確性。

    參考文獻(xiàn):

    [1]劉劍鋒,方 鵬,陳 琳,等. 基于MODIS NDVI的冬小麥?zhǔn)斋@指數(shù)遙感提取[J]. 江蘇農(nóng)業(yè)科學(xué),2022,50(13):219-225.

    [2]陳 岳,寇衛(wèi)利,李 瑩,等. 農(nóng)作物遙感災(zāi)損評估研究進(jìn)展[J]. 江蘇農(nóng)業(yè)科學(xué),2022,50(16):12-20.

    [3]郭 燕,賀 佳,王利軍,等. 基于高分二號數(shù)據(jù)的小麥快速識別與精度分析[J]. 河南農(nóng)業(yè)科學(xué),2018,47(10):143-148.

    [4]王冬利,趙安周,李 靜,等. 基于GF-1數(shù)據(jù)和非監(jiān)督分類的冬小麥種植信息提取模型[J]. 科學(xué)技術(shù)與工程,2019,19(35):95-100.

    [5]王利軍,郭 燕,王來剛,等. GF6衛(wèi)星紅邊波段對春季作物分類精度的影響[J]. 河南農(nóng)業(yè)科學(xué),2020,49(6):165-173.

    [6]Du Z R,Yang J Y,Ou C,et al. Smallholder crop area mapped with a semantic segmentation deep learning method[J]. Remote Sensing,2019,11(7):888.

    [7]崔 剛,吳金勝,于 鎮(zhèn),等. 深度學(xué)習(xí)對不同分辨率影像冬小麥識別的適用性研究[J]. 遙感技術(shù)與應(yīng)用,2019,34(4):748-755.

    [8]Ayhan B,Kwan C. Tree,shrub,and grass classification using only RGB images[J]. Remote Sensing,2020,12(8):1333.

    [9]Liu C X,Du S Y,Lu H,et al. Multispectral semantic land cover segmentation from aerial imagery with deep encoder-decoder network[J]. IEEE Geoscience and Remote Sensing Letters,2022,19:1-5.

    [10]劉 丹,劉學(xué)軍,王美珍. 一種多尺度CNN的圖像語義分割算法[J]. 遙感信息,2017,32(1):57-64.

    [11]李長春,陳偉男,王 宇,等. 基于多源Sentinel數(shù)據(jù)的縣域冬小麥種植面積提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報,2021,52(12):207-215.

    [12]寧紀(jì)鋒,倪 靜,何宜家,等. 基于卷積注意力的無人機(jī)多光譜遙感影像地膜農(nóng)田識別[J]. 農(nóng)業(yè)機(jī)械學(xué)報,2021,52(9):213-220.

    [13]黃 鵬,鄭 淇,梁 超. 圖像分割方法綜述[J]. 武漢大學(xué)學(xué)報(理學(xué)版),2020,66(6):519-531.

    [14]Xiao T T,Liu Y C,Zhou B L,et al. Unified perceptual parsing for scene understanding[C]//European Conference on Computer Vision. Cham:Springer,2018:432-448.

    [15]楊建華. 基于FPN的高分辨率建筑物圖像的語義分割[J]. 遙感信息,2021,36(4):133-141.

    [16]蔣晨皓,馬玉良,祝真濱. 基于PSPNet改進(jìn)UNet的輕量級視網(wǎng)膜血管分割算法[J]. 傳感技術(shù)學(xué)報,2022,35(7):888-896.

    [17]楊蜀秦,宋志雙,尹瀚平,等. 基于深度語義分割的無人機(jī)多光譜遙感作物分類方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報,2021,52(3):185-192.

    [18]田 萱,王 亮,丁 琪. 基于深度學(xué)習(xí)的圖像語義分割方法綜述[J]. 軟件學(xué)報,2019,30(2):440-468.

    [19]劉 東,歐陽安,陳 聰,等. 基于歸一化植被指數(shù)的農(nóng)田邊界識別方法[J]. 江蘇農(nóng)業(yè)科學(xué),2022,50(11):196-201.

    [20]麻 坤,趙鵬祥,季菲菲,等. 基于植被指數(shù)的秦嶺森林健康評價方法研究[J]. 西北林學(xué)院學(xué)報,2013,28(6):145-150.

    [21]楊 堅,錢 振,張燕軍,等. 采用改進(jìn)YOLOv4-tiny的復(fù)雜環(huán)境下番茄實(shí)時識別[J]. 農(nóng)業(yè)工程學(xué)報,2022,38(9):215-221.

    [22]Yang L,Zhang R Y,Li L,et al. Simam:a simple,parameter-free attention module for convolutional neural networks[C]// Proceedings of the IEEE International Conference on Machine Learning. Vienna,2021:11863-11874.

    [23]袁自然,葉 寅,武 際,等. 基于高光譜成像技術(shù)的辣椒葉片葉綠素含量估算[J]. 江蘇農(nóng)業(yè)科學(xué),2021,49(16):189-193.

    [24]He K M,Zhang X Y,Ren S Q,et al. Delving deep into rectifiers:surpassing human-level performance on ImageNet classification[C]//2015 IEEE International Conference on Computer Vision. Santiago,2015:1026-1034.

    [25]金松林,來純曉,鄭 穎,等. 基于特征選擇和CNN+Bi-RNN模型的小麥抗寒性識別方法[J]. 江蘇農(nóng)業(yè)科學(xué),2022,50(10):201-207.

    [26]陜西省統(tǒng)計局,國家統(tǒng)計局陜西調(diào)查總隊. 陜西統(tǒng)計年鑒:2021[M]. 北京:中國統(tǒng)計出版社,2021.

    猜你喜歡
    語義分割冬小麥
    不誤農(nóng)時打好冬小麥春管“第一仗”
    結(jié)合語義邊界信息的道路環(huán)境語義分割方法
    一種改進(jìn)迭代條件模型的遙感影像語義分割方法
    基于積神經(jīng)網(wǎng)絡(luò)的圖像著色方法研究
    基于全卷積網(wǎng)絡(luò)FCN的圖像處理
    基于語義分割的車道線檢測算法研究
    基于語義分割的增強(qiáng)現(xiàn)實(shí)圖像配準(zhǔn)技術(shù)
    甘肅冬小麥田
    冬小麥冬前及冬季田間管理技術(shù)
    冬小麥和春小麥
    中學(xué)生(2015年4期)2015-08-31 02:53:50
    在线观看舔阴道视频| 久久精品aⅴ一区二区三区四区| 色哟哟哟哟哟哟| 黑人巨大精品欧美一区二区mp4| 看黄色毛片网站| 久久影院123| 国产亚洲欧美精品永久| 多毛熟女@视频| 国产日韩一区二区三区精品不卡| 看免费av毛片| 99国产精品一区二区三区| 黑人巨大精品欧美一区二区mp4| 日本黄色视频三级网站网址| 可以在线观看毛片的网站| 久久久久精品国产欧美久久久| 首页视频小说图片口味搜索| 久久这里只有精品19| bbb黄色大片| 人人妻人人添人人爽欧美一区卜| 91九色精品人成在线观看| 99国产精品一区二区三区| 女性被躁到高潮视频| 在线观看免费高清a一片| 精品卡一卡二卡四卡免费| 国产成人欧美| 欧美激情极品国产一区二区三区| 国产极品粉嫩免费观看在线| 亚洲欧美日韩高清在线视频| 久久婷婷成人综合色麻豆| a级片在线免费高清观看视频| 电影成人av| 成人亚洲精品av一区二区 | 视频区欧美日本亚洲| 后天国语完整版免费观看| 9色porny在线观看| 悠悠久久av| 欧美黑人欧美精品刺激| 别揉我奶头~嗯~啊~动态视频| 国产精品一区二区免费欧美| 12—13女人毛片做爰片一| 国产成年人精品一区二区 | 日韩欧美国产一区二区入口| 国产一区二区在线av高清观看| 国产三级黄色录像| 久久精品国产亚洲av香蕉五月| 深夜精品福利| 国产高清视频在线播放一区| 动漫黄色视频在线观看| 悠悠久久av| 欧美日本亚洲视频在线播放| 亚洲男人天堂网一区| 最近最新免费中文字幕在线| 国产精品 欧美亚洲| 精品久久久精品久久久| 日韩中文字幕欧美一区二区| 国产在线观看jvid| 国产精品九九99| 国产成人精品在线电影| а√天堂www在线а√下载| 免费搜索国产男女视频| 制服诱惑二区| 精品熟女少妇八av免费久了| 99久久国产精品久久久| 视频区图区小说| 亚洲国产中文字幕在线视频| 亚洲在线自拍视频| 老司机深夜福利视频在线观看| 国产精品亚洲一级av第二区| 国产99白浆流出| 女人高潮潮喷娇喘18禁视频| 国产又爽黄色视频| 亚洲国产精品999在线| 国产91精品成人一区二区三区| 国产av一区二区精品久久| 午夜福利,免费看| 国产精品爽爽va在线观看网站 | 亚洲欧美一区二区三区黑人| 久久中文字幕一级| 别揉我奶头~嗯~啊~动态视频| 亚洲色图综合在线观看| 亚洲伊人色综图| 叶爱在线成人免费视频播放| 国产激情久久老熟女| 水蜜桃什么品种好| 亚洲,欧美精品.| 成人手机av| 淫妇啪啪啪对白视频| 超碰97精品在线观看| 久久精品影院6| 中文字幕人妻熟女乱码| av电影中文网址| 亚洲全国av大片| 精品人妻1区二区| 成人三级黄色视频| 80岁老熟妇乱子伦牲交| 19禁男女啪啪无遮挡网站| 国产成人av教育| 啦啦啦在线免费观看视频4| 91字幕亚洲| av在线天堂中文字幕 | 国产精品秋霞免费鲁丝片| 夜夜躁狠狠躁天天躁| 黄色 视频免费看| 美女高潮到喷水免费观看| 国产国语露脸激情在线看| 亚洲av成人一区二区三| av在线播放免费不卡| 母亲3免费完整高清在线观看| 国产av一区在线观看免费| 日本黄色视频三级网站网址| 淫秽高清视频在线观看| 校园春色视频在线观看| 国产一区二区三区视频了| 亚洲熟妇熟女久久| 中出人妻视频一区二区| 亚洲 欧美 日韩 在线 免费| 国产成人精品在线电影| 免费av中文字幕在线| 久久香蕉精品热| 天堂√8在线中文| 精品无人区乱码1区二区| 国产亚洲精品一区二区www| 美女午夜性视频免费| 交换朋友夫妻互换小说| 日日夜夜操网爽| 99国产极品粉嫩在线观看| 91av网站免费观看| 性欧美人与动物交配| 国产激情欧美一区二区| 久久国产精品人妻蜜桃| 免费在线观看日本一区| 老司机深夜福利视频在线观看| 999久久久精品免费观看国产| 欧美+亚洲+日韩+国产| 男女午夜视频在线观看| 亚洲精品久久成人aⅴ小说| 精品一区二区三卡| 88av欧美| 天堂中文最新版在线下载| 99国产综合亚洲精品| 久久九九热精品免费| 操美女的视频在线观看| 99久久精品国产亚洲精品| av福利片在线| 欧美中文日本在线观看视频| 伦理电影免费视频| 久久久久久久久中文| 水蜜桃什么品种好| 自线自在国产av| 国产真人三级小视频在线观看| 丁香欧美五月| 亚洲熟妇中文字幕五十中出 | 欧美最黄视频在线播放免费 | 亚洲一卡2卡3卡4卡5卡精品中文| 两性午夜刺激爽爽歪歪视频在线观看 | 青草久久国产| 99香蕉大伊视频| 欧美一级毛片孕妇| 伦理电影免费视频| 可以在线观看毛片的网站| 激情视频va一区二区三区| 久久国产精品男人的天堂亚洲| 神马国产精品三级电影在线观看 | 久久精品aⅴ一区二区三区四区| 天天添夜夜摸| 国产黄色免费在线视频| 一区在线观看完整版| 亚洲成国产人片在线观看| 精品久久久久久成人av| 久久久久久久久免费视频了| 国产亚洲精品综合一区在线观看 | 少妇裸体淫交视频免费看高清 | 亚洲专区国产一区二区| 亚洲av成人不卡在线观看播放网| 国产精品免费一区二区三区在线| 99国产综合亚洲精品| a在线观看视频网站| 免费不卡黄色视频| 啦啦啦在线免费观看视频4| 亚洲国产毛片av蜜桃av| 国产精品偷伦视频观看了| 久久久久久久久中文| 亚洲国产看品久久| 国产国语露脸激情在线看| 岛国在线观看网站| 午夜福利免费观看在线| 久久影院123| 99国产极品粉嫩在线观看| 亚洲五月天丁香| 91老司机精品| 国产高清激情床上av| 99香蕉大伊视频| 久久 成人 亚洲| 色老头精品视频在线观看| 国产精品99久久99久久久不卡| 99国产极品粉嫩在线观看| 国产成年人精品一区二区 | 50天的宝宝边吃奶边哭怎么回事| 老汉色∧v一级毛片| 免费女性裸体啪啪无遮挡网站| 最近最新中文字幕大全电影3 | 韩国av一区二区三区四区| 日韩精品免费视频一区二区三区| 久久中文字幕一级| 91国产中文字幕| 99久久综合精品五月天人人| 国产亚洲精品综合一区在线观看 | 淫秽高清视频在线观看| 校园春色视频在线观看| a级毛片黄视频| 欧美精品啪啪一区二区三区| 伦理电影免费视频| 欧美最黄视频在线播放免费 | 好看av亚洲va欧美ⅴa在| 色老头精品视频在线观看| 国产野战对白在线观看| 国产精品九九99| 91国产中文字幕| 亚洲成国产人片在线观看| 1024香蕉在线观看| 视频区欧美日本亚洲| a在线观看视频网站| 中文字幕色久视频| 久久久久久久久中文| 午夜精品国产一区二区电影| 91麻豆精品激情在线观看国产 | 人人澡人人妻人| 波多野结衣av一区二区av| 国产精华一区二区三区| 岛国在线观看网站| 亚洲九九香蕉| 人人妻人人添人人爽欧美一区卜| 亚洲 国产 在线| 最近最新免费中文字幕在线| 日韩免费高清中文字幕av| 美女高潮喷水抽搐中文字幕| 在线播放国产精品三级| 搡老岳熟女国产| 大香蕉久久成人网| 国产精品一区二区精品视频观看| 亚洲av第一区精品v没综合| 日日夜夜操网爽| 80岁老熟妇乱子伦牲交| av片东京热男人的天堂| 悠悠久久av| 69av精品久久久久久| 日日爽夜夜爽网站| 99国产精品免费福利视频| 成熟少妇高潮喷水视频| 精品久久久久久,| 欧美人与性动交α欧美精品济南到| 高清欧美精品videossex| 亚洲成人精品中文字幕电影 | 国产色视频综合| 黑人猛操日本美女一级片| 精品福利观看| 黑丝袜美女国产一区| 正在播放国产对白刺激| 在线观看一区二区三区激情| av片东京热男人的天堂| 亚洲 国产 在线| 桃红色精品国产亚洲av| 757午夜福利合集在线观看| 国产一区二区在线av高清观看| 男女高潮啪啪啪动态图| 精品一品国产午夜福利视频| 99久久综合精品五月天人人| 亚洲自拍偷在线| 中文字幕人妻熟女乱码| 999精品在线视频| a级毛片在线看网站| 香蕉久久夜色| 久久久久久大精品| 99精品在免费线老司机午夜| 亚洲久久久国产精品| 日韩欧美在线二视频| 国产av在哪里看| 麻豆国产av国片精品| 亚洲自偷自拍图片 自拍| 久久人人97超碰香蕉20202| 99久久99久久久精品蜜桃| 亚洲国产欧美日韩在线播放| 国产精品二区激情视频| 啪啪无遮挡十八禁网站| 久久久久精品国产欧美久久久| 少妇 在线观看| 亚洲视频免费观看视频| 在线观看免费日韩欧美大片| 成年版毛片免费区| 久久中文字幕人妻熟女| 欧美日韩国产mv在线观看视频| 99国产精品免费福利视频| 在线播放国产精品三级| 日韩欧美一区二区三区在线观看| 午夜成年电影在线免费观看| 啦啦啦免费观看视频1| aaaaa片日本免费| 免费在线观看影片大全网站| 中文欧美无线码| 精品福利观看| 一级片免费观看大全| 欧美乱色亚洲激情| 亚洲狠狠婷婷综合久久图片| 亚洲国产中文字幕在线视频| 亚洲一区中文字幕在线| 91麻豆av在线| 国产免费男女视频| 国产不卡一卡二| 中亚洲国语对白在线视频| 黄色怎么调成土黄色| 日韩免费av在线播放| 亚洲精品中文字幕一二三四区| 亚洲欧美日韩高清在线视频| 国产野战对白在线观看| а√天堂www在线а√下载| 性欧美人与动物交配| 亚洲国产精品合色在线| 在线免费观看的www视频| 国产精品美女特级片免费视频播放器 | 亚洲色图av天堂| 99热只有精品国产| xxx96com| 亚洲成av片中文字幕在线观看| 色尼玛亚洲综合影院| 日韩 欧美 亚洲 中文字幕| 首页视频小说图片口味搜索| 日韩成人在线观看一区二区三区| 国产精品亚洲av一区麻豆| 亚洲精品在线观看二区| 亚洲成a人片在线一区二区| 好男人电影高清在线观看| 久9热在线精品视频| 成人特级黄色片久久久久久久| 久久99一区二区三区| av国产精品久久久久影院| av天堂在线播放| 免费女性裸体啪啪无遮挡网站| 欧美日韩福利视频一区二区| 久久久久久久久中文| 亚洲少妇的诱惑av| 欧美成人性av电影在线观看| 91麻豆av在线| 九色亚洲精品在线播放| 亚洲激情在线av| 国产熟女午夜一区二区三区| 丝袜美足系列| 国产真人三级小视频在线观看| 母亲3免费完整高清在线观看| 午夜免费鲁丝| 午夜免费成人在线视频| 俄罗斯特黄特色一大片| www.精华液| 日本黄色视频三级网站网址| 国产三级黄色录像| 精品久久久久久电影网| 欧美精品啪啪一区二区三区| 亚洲中文字幕日韩| 久久精品成人免费网站| 久久精品91蜜桃| 黄片大片在线免费观看| 咕卡用的链子| 丁香欧美五月| 免费看十八禁软件| 亚洲av片天天在线观看| 国产高清激情床上av| 99精品久久久久人妻精品| 欧美性长视频在线观看| 中文字幕人妻丝袜制服| 757午夜福利合集在线观看| 男女之事视频高清在线观看| www日本在线高清视频| 99精国产麻豆久久婷婷| 中文字幕最新亚洲高清| 男人舔女人的私密视频| 一级片免费观看大全| 欧美大码av| 亚洲精品一区av在线观看| 色精品久久人妻99蜜桃| 久久香蕉精品热| 超色免费av| 中文亚洲av片在线观看爽| 黄片大片在线免费观看| 亚洲成人久久性| 别揉我奶头~嗯~啊~动态视频| 久久久久久人人人人人| 免费在线观看亚洲国产| 国产成人系列免费观看| √禁漫天堂资源中文www| 男女做爰动态图高潮gif福利片 | 国产人伦9x9x在线观看| 人人妻人人爽人人添夜夜欢视频| 日日爽夜夜爽网站| 黄色视频,在线免费观看| 国产伦一二天堂av在线观看| 99国产精品一区二区蜜桃av| 美女国产高潮福利片在线看| 丝袜人妻中文字幕| 999久久久精品免费观看国产| 真人一进一出gif抽搐免费| 老汉色∧v一级毛片| 在线观看日韩欧美| 亚洲精品一区av在线观看| 女人被狂操c到高潮| 老司机靠b影院| 交换朋友夫妻互换小说| 亚洲专区国产一区二区| 大香蕉久久成人网| 亚洲欧美精品综合一区二区三区| 中文字幕人妻丝袜制服| 国产乱人伦免费视频| 中国美女看黄片| 一区二区三区激情视频| 操出白浆在线播放| 精品人妻1区二区| 可以免费在线观看a视频的电影网站| 久久国产精品男人的天堂亚洲| 免费久久久久久久精品成人欧美视频| 亚洲成人国产一区在线观看| 亚洲精品久久午夜乱码| 亚洲狠狠婷婷综合久久图片| 岛国在线观看网站| 嫁个100分男人电影在线观看| 身体一侧抽搐| 精品无人区乱码1区二区| 久久人人精品亚洲av| 99久久综合精品五月天人人| 午夜免费观看网址| 窝窝影院91人妻| 免费高清在线观看日韩| 色婷婷久久久亚洲欧美| a在线观看视频网站| 欧美亚洲日本最大视频资源| 在线观看免费午夜福利视频| 精品人妻1区二区| 久久久久国产一级毛片高清牌| av欧美777| 久久影院123| 日本黄色日本黄色录像| 真人做人爱边吃奶动态| 香蕉丝袜av| 美女国产高潮福利片在线看| www.www免费av| 国产无遮挡羞羞视频在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 97碰自拍视频| 少妇的丰满在线观看| 国产高清激情床上av| 久久人妻av系列| 久久香蕉国产精品| 好看av亚洲va欧美ⅴa在| 国产成人精品久久二区二区91| 亚洲精品一卡2卡三卡4卡5卡| 少妇的丰满在线观看| 国产精品香港三级国产av潘金莲| 最新美女视频免费是黄的| 国产欧美日韩精品亚洲av| 黑人欧美特级aaaaaa片| 久久精品国产亚洲av香蕉五月| 可以免费在线观看a视频的电影网站| 午夜免费成人在线视频| 中文字幕人妻熟女乱码| 欧美成人午夜精品| cao死你这个sao货| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲激情在线av| 91麻豆av在线| 国产男靠女视频免费网站| 午夜精品久久久久久毛片777| 老司机在亚洲福利影院| 国产亚洲精品久久久久5区| 91在线观看av| 久久精品影院6| xxx96com| 丰满的人妻完整版| 亚洲精品国产一区二区精华液| 女人高潮潮喷娇喘18禁视频| 国产av又大| 亚洲 欧美 日韩 在线 免费| 久久精品国产亚洲av高清一级| 啦啦啦在线免费观看视频4| 精品乱码久久久久久99久播| 黄色怎么调成土黄色| av在线天堂中文字幕 | 最好的美女福利视频网| 一区在线观看完整版| 国产精品免费视频内射| 狠狠狠狠99中文字幕| 搡老熟女国产l中国老女人| 国产精品九九99| 我的亚洲天堂| 丰满的人妻完整版| 精品日产1卡2卡| 久久欧美精品欧美久久欧美| 在线观看免费午夜福利视频| 一区二区三区激情视频| 日韩人妻精品一区2区三区| 日本黄色视频三级网站网址| 色婷婷av一区二区三区视频| 日韩欧美一区二区三区在线观看| 99国产精品99久久久久| 国产精品久久久久久人妻精品电影| 超碰97精品在线观看| 国产97色在线日韩免费| a级片在线免费高清观看视频| 久久久久久久久中文| 亚洲黑人精品在线| ponron亚洲| 很黄的视频免费| 乱人伦中国视频| 99久久精品国产亚洲精品| 久久久久亚洲av毛片大全| 欧美人与性动交α欧美精品济南到| 又紧又爽又黄一区二区| 欧美在线一区亚洲| 老司机亚洲免费影院| 男女之事视频高清在线观看| 国产精品乱码一区二三区的特点 | 校园春色视频在线观看| 在线天堂中文资源库| 热99国产精品久久久久久7| 久久九九热精品免费| 久久久国产欧美日韩av| 黄片播放在线免费| 天堂中文最新版在线下载| 亚洲精品在线美女| 在线av久久热| 在线观看一区二区三区激情| 少妇的丰满在线观看| 欧美日本亚洲视频在线播放| 十分钟在线观看高清视频www| 女人被躁到高潮嗷嗷叫费观| 在线观看日韩欧美| 男人舔女人的私密视频| 国产国语露脸激情在线看| 人人妻,人人澡人人爽秒播| 色婷婷av一区二区三区视频| 亚洲精品在线观看二区| 日韩一卡2卡3卡4卡2021年| 亚洲国产精品999在线| 国产在线精品亚洲第一网站| 在线播放国产精品三级| 国产精品爽爽va在线观看网站 | 国内毛片毛片毛片毛片毛片| 国产1区2区3区精品| 啦啦啦 在线观看视频| 制服人妻中文乱码| 亚洲片人在线观看| 欧美另类亚洲清纯唯美| 国产精品香港三级国产av潘金莲| 国产成人欧美在线观看| 精品人妻1区二区| 日韩欧美在线二视频| 亚洲中文av在线| 日韩免费高清中文字幕av| 成人手机av| 日本欧美视频一区| 一级毛片精品| 久久天躁狠狠躁夜夜2o2o| 自线自在国产av| 免费在线观看黄色视频的| 久久久久久人人人人人| 日本一区二区免费在线视频| 国产深夜福利视频在线观看| 操出白浆在线播放| 久久欧美精品欧美久久欧美| 国产区一区二久久| 新久久久久国产一级毛片| 成人国语在线视频| 男女午夜视频在线观看| 亚洲avbb在线观看| 国产免费现黄频在线看| 国产亚洲精品久久久久久毛片| 成人国语在线视频| 99在线人妻在线中文字幕| 亚洲自偷自拍图片 自拍| 久久久久久久久久久久大奶| 久久香蕉精品热| 一级作爱视频免费观看| 欧美日韩亚洲高清精品| 国产国语露脸激情在线看| 国产成人欧美| 美女 人体艺术 gogo| 久久人人精品亚洲av| 大码成人一级视频| 少妇被粗大的猛进出69影院| 91大片在线观看| 国产又色又爽无遮挡免费看| 波多野结衣av一区二区av| 国产精品永久免费网站| 国产一卡二卡三卡精品| 精品久久久久久久久久免费视频 | 老鸭窝网址在线观看| 亚洲一区二区三区色噜噜 | 韩国av一区二区三区四区| 最近最新中文字幕大全免费视频| 亚洲专区国产一区二区| 久久九九热精品免费| 91字幕亚洲| 中出人妻视频一区二区| 在线永久观看黄色视频| 久久伊人香网站| 女生性感内裤真人,穿戴方法视频| 亚洲自偷自拍图片 自拍| 两性夫妻黄色片| 天天躁狠狠躁夜夜躁狠狠躁| 成人亚洲精品av一区二区 | 女人被狂操c到高潮| 日韩精品免费视频一区二区三区| 欧美久久黑人一区二区| av有码第一页| 日韩免费高清中文字幕av| 麻豆av在线久日| ponron亚洲| 免费久久久久久久精品成人欧美视频| 精品一品国产午夜福利视频|