• <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
    国产白丝娇喘喷水9色精品| 久久久欧美国产精品| 国产高清三级在线| 一区二区日韩欧美中文字幕 | 80岁老熟妇乱子伦牲交| 亚洲久久久国产精品| 夫妻性生交免费视频一级片| 日本与韩国留学比较| 亚洲激情五月婷婷啪啪| 日韩人妻精品一区2区三区| 男女啪啪激烈高潮av片| 一级毛片 在线播放| 一级毛片电影观看| 最近手机中文字幕大全| 国产亚洲一区二区精品| 精品国产一区二区三区四区第35| 精品国产一区二区三区四区第35| 永久免费av网站大全| 少妇被粗大猛烈的视频| 欧美另类一区| 一区二区三区乱码不卡18| 少妇熟女欧美另类| 伊人久久国产一区二区| 亚洲精品456在线播放app| 日韩精品免费视频一区二区三区 | 久久精品人人爽人人爽视色| 丝袜人妻中文字幕| 少妇人妻久久综合中文| 国产亚洲午夜精品一区二区久久| 大香蕉97超碰在线| 激情视频va一区二区三区| 精品亚洲成国产av| 亚洲中文av在线| 男的添女的下面高潮视频| 国产精品成人在线| 中国国产av一级| 欧美人与性动交α欧美软件 | 久久免费观看电影| 少妇被粗大猛烈的视频| 两个人看的免费小视频| 亚洲av免费高清在线观看| 男人爽女人下面视频在线观看| 久久久久久久大尺度免费视频| 两个人免费观看高清视频| 国产免费现黄频在线看| 哪个播放器可以免费观看大片| xxx大片免费视频| 国产1区2区3区精品| 人妻少妇偷人精品九色| 国产日韩欧美在线精品| 国产av精品麻豆| 日本与韩国留学比较| 亚洲综合色网址| 免费观看性生交大片5| 高清欧美精品videossex| 国产无遮挡羞羞视频在线观看| 天天影视国产精品| 免费观看av网站的网址| 视频区图区小说| 又粗又硬又长又爽又黄的视频| 9色porny在线观看| 97精品久久久久久久久久精品| 高清在线视频一区二区三区| 国产成人精品福利久久| 丝袜人妻中文字幕| 精品熟女少妇av免费看| 亚洲av男天堂| 大片免费播放器 马上看| 丰满饥渴人妻一区二区三| 国产精品麻豆人妻色哟哟久久| 欧美激情国产日韩精品一区| 1024视频免费在线观看| 欧美人与性动交α欧美精品济南到 | 免费久久久久久久精品成人欧美视频 | 老司机影院成人| 飞空精品影院首页| 久久av网站| 亚洲av日韩在线播放| 亚洲欧美一区二区三区黑人 | 国产欧美日韩综合在线一区二区| 日本猛色少妇xxxxx猛交久久| 国产精品欧美亚洲77777| 亚洲色图综合在线观看| 久久久精品区二区三区| 久久精品人人爽人人爽视色| 少妇人妻久久综合中文| 午夜老司机福利剧场| 婷婷成人精品国产| 亚洲欧美成人精品一区二区| 午夜福利在线观看免费完整高清在| 七月丁香在线播放| 久久国产亚洲av麻豆专区| 飞空精品影院首页| 国产精品一区二区在线观看99| av.在线天堂| 美女国产视频在线观看| 久久精品久久精品一区二区三区| 亚洲精品456在线播放app| 18+在线观看网站| 亚洲精品美女久久久久99蜜臀 | 男女免费视频国产| 超色免费av| 国产精品免费大片| 亚洲四区av| 午夜免费观看性视频| 插逼视频在线观看| 国产精品秋霞免费鲁丝片| 国产精品女同一区二区软件| a级毛色黄片| 美女中出高潮动态图| 久久久久精品人妻al黑| 免费在线观看黄色视频的| 黄片播放在线免费| 水蜜桃什么品种好| 国产精品一二三区在线看| 久久精品夜色国产| 18禁国产床啪视频网站| 国产熟女欧美一区二区| 老司机影院毛片| 亚洲国产精品一区二区三区在线| 日本与韩国留学比较| 国产一区二区在线观看日韩| 视频区图区小说| 亚洲欧美成人综合另类久久久| 亚洲一码二码三码区别大吗| 高清黄色对白视频在线免费看| 日本黄大片高清| 亚洲欧美精品自产自拍| 精品熟女少妇av免费看| 伦理电影大哥的女人| 九九在线视频观看精品| 欧美激情极品国产一区二区三区 | 日本与韩国留学比较| 两性夫妻黄色片 | 女性生殖器流出的白浆| 少妇被粗大的猛进出69影院 | 女性生殖器流出的白浆| 91午夜精品亚洲一区二区三区| 亚洲精品视频女| 久久久久久久久久久久大奶| 最新的欧美精品一区二区| 中文欧美无线码| 欧美日韩精品成人综合77777| 中文欧美无线码| 久久精品久久久久久噜噜老黄| 亚洲欧美成人综合另类久久久| 一级毛片 在线播放| 精品午夜福利在线看| 黑人猛操日本美女一级片| 日本爱情动作片www.在线观看| 亚洲高清免费不卡视频| 另类精品久久| 日韩电影二区| 狠狠婷婷综合久久久久久88av| 欧美人与性动交α欧美精品济南到 | 久久国内精品自在自线图片| 99热全是精品| 欧美日韩亚洲高清精品| 18在线观看网站| 69精品国产乱码久久久| 大香蕉久久成人网| 国产精品无大码| 国产男女超爽视频在线观看| 精品人妻偷拍中文字幕| 成人国语在线视频| 亚洲精品国产av成人精品| 日日啪夜夜爽| 九草在线视频观看| 一区在线观看完整版| 国产1区2区3区精品| 纯流量卡能插随身wifi吗| 考比视频在线观看| 久热久热在线精品观看| 国产成人午夜福利电影在线观看| 国产成人精品无人区| 免费播放大片免费观看视频在线观看| 精品人妻偷拍中文字幕| 99热网站在线观看| 亚洲成国产人片在线观看| av一本久久久久| 在线观看国产h片| 一级毛片我不卡| 久久久久国产精品人妻一区二区| 男人舔女人的私密视频| 巨乳人妻的诱惑在线观看| 少妇猛男粗大的猛烈进出视频| 青春草亚洲视频在线观看| 国产片特级美女逼逼视频| 欧美成人午夜免费资源| 久久亚洲国产成人精品v| 成年美女黄网站色视频大全免费| 免费观看a级毛片全部| 国国产精品蜜臀av免费| av国产久精品久网站免费入址| 女人被躁到高潮嗷嗷叫费观| 成人午夜精彩视频在线观看| 狠狠婷婷综合久久久久久88av| 亚洲一区二区三区欧美精品| 亚洲伊人久久精品综合| 亚洲欧洲日产国产| 在线观看免费高清a一片| 下体分泌物呈黄色| 香蕉精品网在线| 深夜精品福利| 五月开心婷婷网| 日韩熟女老妇一区二区性免费视频| av有码第一页| 九草在线视频观看| 视频在线观看一区二区三区| 国产精品秋霞免费鲁丝片| 视频中文字幕在线观看| 春色校园在线视频观看| 亚洲欧美一区二区三区国产| 久久久a久久爽久久v久久| 女性生殖器流出的白浆| 国产精品偷伦视频观看了| 啦啦啦在线观看免费高清www| 天美传媒精品一区二区| 曰老女人黄片| 亚洲国产精品国产精品| 日本黄色日本黄色录像| 最新中文字幕久久久久| a级毛片黄视频| 久久久精品免费免费高清| 中文字幕另类日韩欧美亚洲嫩草| 美女主播在线视频| av天堂久久9| 国产 精品1| 日本91视频免费播放| 亚洲成av片中文字幕在线观看 | 少妇人妻久久综合中文| 久久国产亚洲av麻豆专区| 人妻人人澡人人爽人人| 国产无遮挡羞羞视频在线观看| 久久婷婷青草| 老司机影院毛片| 亚洲色图 男人天堂 中文字幕 | 国精品久久久久久国模美| 欧美xxxx性猛交bbbb| 久久久a久久爽久久v久久| 久久女婷五月综合色啪小说| 欧美人与善性xxx| 久久99热6这里只有精品| a级毛片黄视频| 午夜福利视频在线观看免费| 赤兔流量卡办理| 亚洲欧美精品自产自拍| 日本午夜av视频| 大码成人一级视频| 咕卡用的链子| 亚洲成人一二三区av| kizo精华| 最近最新中文字幕免费大全7| 亚洲精品成人av观看孕妇| 黄色一级大片看看| 爱豆传媒免费全集在线观看| 国产精品久久久久久精品古装| 久久久久久久久久人人人人人人| 777米奇影视久久| 午夜精品国产一区二区电影| 亚洲国产精品一区二区三区在线| 国产av国产精品国产| 久久久国产欧美日韩av| 制服诱惑二区| 人妻系列 视频| 成人亚洲欧美一区二区av| 一级a做视频免费观看| 欧美日韩亚洲高清精品| 亚洲av中文av极速乱| 欧美另类一区| 一级爰片在线观看| av播播在线观看一区| 亚洲欧美清纯卡通| 亚洲精品美女久久久久99蜜臀 | 男女高潮啪啪啪动态图| 国产亚洲av片在线观看秒播厂| 最新的欧美精品一区二区| 好男人视频免费观看在线| 另类亚洲欧美激情| 五月伊人婷婷丁香| 妹子高潮喷水视频| 久久久久久久久久久久大奶| 99久国产av精品国产电影| 国产精品.久久久| 91久久精品国产一区二区三区| 国产一区有黄有色的免费视频| av福利片在线| 晚上一个人看的免费电影| 亚洲精品自拍成人| 五月天丁香电影| 免费高清在线观看日韩| av卡一久久| 亚洲精品美女久久久久99蜜臀 | 黄色一级大片看看| 在线观看美女被高潮喷水网站| 欧美变态另类bdsm刘玥| 精品午夜福利在线看| 97在线人人人人妻| 国产成人91sexporn| 亚洲精品456在线播放app| 最新的欧美精品一区二区| 国产精品久久久久久精品电影小说| 美女脱内裤让男人舔精品视频| 久久青草综合色| 中国美白少妇内射xxxbb| √禁漫天堂资源中文www| 丝瓜视频免费看黄片| 九色成人免费人妻av| 纯流量卡能插随身wifi吗| 日韩人妻精品一区2区三区| 人人妻人人添人人爽欧美一区卜| 国产午夜精品一二区理论片| 一本色道久久久久久精品综合| 久久久精品区二区三区| 国产精品久久久久久久电影| 日韩成人av中文字幕在线观看| 天天影视国产精品| 99热国产这里只有精品6| 春色校园在线视频观看| 亚洲精品美女久久av网站| 国产精品免费大片| 国产一区有黄有色的免费视频| 熟女电影av网| 好男人视频免费观看在线| 欧美激情国产日韩精品一区| 激情五月婷婷亚洲| 国产亚洲av片在线观看秒播厂| 一区在线观看完整版| a 毛片基地| 欧美日韩综合久久久久久| 日本爱情动作片www.在线观看| 久热这里只有精品99| 搡女人真爽免费视频火全软件| 亚洲五月色婷婷综合| 欧美+日韩+精品| www.熟女人妻精品国产 | 亚洲精品,欧美精品| 国产亚洲精品久久久com| 大陆偷拍与自拍| 久久精品久久精品一区二区三区| 尾随美女入室| 色哟哟·www| 午夜精品国产一区二区电影| 国产 一区精品| 美女国产高潮福利片在线看| 欧美日韩一区二区视频在线观看视频在线| 99久久综合免费| 色5月婷婷丁香| 日韩大片免费观看网站| 欧美精品高潮呻吟av久久| 久久精品国产自在天天线| 97精品久久久久久久久久精品| 免费观看av网站的网址| 男男h啪啪无遮挡| 中国美白少妇内射xxxbb| 夫妻午夜视频| 国产日韩欧美在线精品| 色吧在线观看| 国产乱人偷精品视频| 国产福利在线免费观看视频| 日韩成人av中文字幕在线观看| 80岁老熟妇乱子伦牲交| 国产国拍精品亚洲av在线观看| 97在线人人人人妻| 男女边摸边吃奶| 国产 精品1| 亚洲欧美精品自产自拍| 夜夜骑夜夜射夜夜干| 久久久久久久久久久免费av| 看免费av毛片| 性高湖久久久久久久久免费观看| 久久97久久精品| 午夜免费男女啪啪视频观看| 国产男女内射视频| 少妇被粗大的猛进出69影院 | 久热久热在线精品观看| 大香蕉久久成人网| 97精品久久久久久久久久精品| 成人毛片60女人毛片免费| 精品国产国语对白av| www.av在线官网国产| 精品第一国产精品| 午夜视频国产福利| 国产亚洲最大av| 国产又爽黄色视频| 日韩中文字幕视频在线看片| 高清毛片免费看| 美女国产视频在线观看| 老熟女久久久| 久久久久精品久久久久真实原创| 纯流量卡能插随身wifi吗| 制服诱惑二区| 亚洲精品中文字幕在线视频| 91aial.com中文字幕在线观看| 高清欧美精品videossex| 九九在线视频观看精品| 美女福利国产在线| 国产一区二区激情短视频 | 免费大片18禁| 看免费成人av毛片| av国产精品久久久久影院| 国产毛片在线视频| 久久热在线av| 岛国毛片在线播放| 免费观看无遮挡的男女| av有码第一页| 综合色丁香网| 午夜福利,免费看| 国产片内射在线| 午夜福利乱码中文字幕| 日本午夜av视频| 纯流量卡能插随身wifi吗| 国产熟女午夜一区二区三区| 成人二区视频| 欧美人与性动交α欧美精品济南到 | 久久99蜜桃精品久久| 亚洲人与动物交配视频| 1024视频免费在线观看| 丝袜脚勾引网站| 2022亚洲国产成人精品| 黄网站色视频无遮挡免费观看| 日韩人妻精品一区2区三区| 老司机影院成人| 久久久亚洲精品成人影院| 黄色视频在线播放观看不卡| 日韩人妻精品一区2区三区| 五月天丁香电影| 91午夜精品亚洲一区二区三区| 97人妻天天添夜夜摸| 亚洲精品aⅴ在线观看| 夜夜骑夜夜射夜夜干| 欧美日韩一区二区视频在线观看视频在线| 高清欧美精品videossex| 一级毛片黄色毛片免费观看视频| 欧美国产精品va在线观看不卡| 亚洲欧美精品自产自拍| 精品一区二区三区视频在线| 久久久久久久久久久久大奶| 99久国产av精品国产电影| 狠狠婷婷综合久久久久久88av| 婷婷色综合www| 日本免费在线观看一区| 9色porny在线观看| 成人亚洲精品一区在线观看| 精品国产国语对白av| 成人亚洲欧美一区二区av| 欧美日韩国产mv在线观看视频| 成人免费观看视频高清| av国产精品久久久久影院| 日韩,欧美,国产一区二区三区| 最近中文字幕高清免费大全6| 青春草国产在线视频| 母亲3免费完整高清在线观看 | 啦啦啦视频在线资源免费观看| 久久亚洲国产成人精品v| 制服人妻中文乱码| 久久久久久久久久成人| 久久精品久久精品一区二区三区| 精品少妇黑人巨大在线播放| 久久韩国三级中文字幕| 色网站视频免费| 亚洲欧美清纯卡通| 高清黄色对白视频在线免费看| 久久久久精品性色| 国产黄色免费在线视频| 性色avwww在线观看| 中文天堂在线官网| 秋霞在线观看毛片| 制服诱惑二区| 久久人人97超碰香蕉20202| 国产精品成人在线| 亚洲精品中文字幕在线视频| 一级毛片 在线播放| 两个人免费观看高清视频| 少妇的逼好多水| 热99久久久久精品小说推荐| 制服人妻中文乱码| 亚洲精品美女久久av网站| 日日爽夜夜爽网站| 精品人妻熟女毛片av久久网站| 午夜福利视频精品| 精品国产一区二区三区久久久樱花| 人妻人人澡人人爽人人| 国产成人精品无人区| 卡戴珊不雅视频在线播放| 国产精品国产av在线观看| 一级毛片 在线播放| 亚洲国产毛片av蜜桃av| 国产日韩一区二区三区精品不卡| 国产男女超爽视频在线观看| 最近2019中文字幕mv第一页| 国产国语露脸激情在线看| 极品人妻少妇av视频| 久久久久久人人人人人| 国产成人精品婷婷| 91精品三级在线观看| 欧美日韩国产mv在线观看视频| 欧美精品人与动牲交sv欧美| 成人二区视频| 久久久久视频综合| 色5月婷婷丁香| 午夜老司机福利剧场| 亚洲激情五月婷婷啪啪| 丝瓜视频免费看黄片| 日本猛色少妇xxxxx猛交久久| 精品人妻熟女毛片av久久网站| 夜夜骑夜夜射夜夜干| 国产精品国产三级专区第一集| 日韩制服丝袜自拍偷拍| 多毛熟女@视频| 少妇高潮的动态图| a 毛片基地| 看非洲黑人一级黄片| 巨乳人妻的诱惑在线观看| 欧美日韩视频高清一区二区三区二| 99视频精品全部免费 在线| 狂野欧美激情性bbbbbb| 日韩精品有码人妻一区| 久久婷婷青草| 高清不卡的av网站| 免费高清在线观看日韩| 又黄又粗又硬又大视频| 亚洲激情五月婷婷啪啪| 久久精品国产a三级三级三级| 各种免费的搞黄视频| 天天影视国产精品| 一级a做视频免费观看| 精品酒店卫生间| 亚洲国产精品成人久久小说| 日韩伦理黄色片| 久久国产精品男人的天堂亚洲 | 成人免费观看视频高清| 久久精品夜色国产| 亚洲综合色惰| 久久av网站| 高清欧美精品videossex| 中文欧美无线码| 又黄又爽又刺激的免费视频.| 久久人人爽av亚洲精品天堂| 日本免费在线观看一区| 亚洲精品中文字幕在线视频| 国产成人精品婷婷| av有码第一页| 少妇人妻精品综合一区二区| 国产一区二区在线观看av| 免费看不卡的av| 咕卡用的链子| 91aial.com中文字幕在线观看| 亚洲欧美色中文字幕在线| 亚洲精品久久午夜乱码| 欧美精品一区二区大全| 国产乱来视频区| 日韩伦理黄色片| 国产色爽女视频免费观看| 欧美国产精品一级二级三级| 免费黄频网站在线观看国产| 黄色一级大片看看| 亚洲av成人精品一二三区| 国产日韩欧美在线精品| 天天躁夜夜躁狠狠久久av| 韩国av在线不卡| 日本色播在线视频| 新久久久久国产一级毛片| 男女边吃奶边做爰视频| 亚洲性久久影院| 黄色毛片三级朝国网站| 久久精品人人爽人人爽视色| 大香蕉97超碰在线| av在线观看视频网站免费| 精品99又大又爽又粗少妇毛片| 黑人高潮一二区| 国产成人午夜福利电影在线观看| 久久青草综合色| av.在线天堂| 美女国产高潮福利片在线看| 两性夫妻黄色片 | 免费人成在线观看视频色| 国产国拍精品亚洲av在线观看| 国产精品人妻久久久久久| www.熟女人妻精品国产 | 伦理电影免费视频| 免费看光身美女| 一本大道久久a久久精品| 亚洲精品日韩在线中文字幕| a 毛片基地| 国产极品天堂在线| 婷婷色av中文字幕| 少妇人妻 视频| 精品人妻一区二区三区麻豆| 啦啦啦在线观看免费高清www| 熟女av电影| 欧美日韩国产mv在线观看视频| a级毛片在线看网站| 国产欧美日韩一区二区三区在线| 99久久中文字幕三级久久日本| 日韩一区二区视频免费看| 校园人妻丝袜中文字幕| 亚洲经典国产精华液单| www日本在线高清视频| 日本av免费视频播放| av在线app专区| 精品久久国产蜜桃| 欧美激情极品国产一区二区三区 | 久久99一区二区三区| 欧美成人午夜精品| 欧美bdsm另类| 午夜影院在线不卡| 国产高清国产精品国产三级| 国产成人精品福利久久| 婷婷色综合www| 亚洲精品视频女| 女人被躁到高潮嗷嗷叫费观| 亚洲国产精品专区欧美| 精品视频人人做人人爽| 美女xxoo啪啪120秒动态图|