亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        玉米冠層LAI 反演中UAV 影像鏡面反射去除方法

        2020-07-07 06:09:06謝茈萱王新盛
        農業(yè)機械學報 2020年5期
        關鍵詞:鏡面反射決定系數(shù)植被指數(shù)

        蘇 偉 謝茈萱 王 偉 金 添 王新盛

        (1.中國農業(yè)大學土地科學與技術學院,北京100083;2.農業(yè)農村部農業(yè)災害遙感重點實驗室,北京100083)

        0 引言

        無人機(Unmanned aerial vehicle,UAV)遙感以其機動靈活、快速高效、成本低等優(yōu)勢逐漸成為獲取小范圍農田高空間分辨率遙感影像的重要手段。相比傳統(tǒng)衛(wèi)星遙感影像,無人機遙感影像的作業(yè)周期較短,使用時間靈活,便于根據(jù)實際需要獲取影像[1]。另外,其影像空間分辨率較高,可用于反演作物冠層葉面積指數(shù)(Leaf area index,LAI)、葉綠素含量、株高等信息,對實現(xiàn)地塊級別的農作物精準管理具有很大優(yōu)勢[2-3]。LAI 是單位地表面積上植物葉面面積的總和[4],可以反映作物長勢,也可以為產量預測提供依據(jù)[5-6]。目前,利用多光譜遙感影像反演葉面積指數(shù)的方法主要有兩類:基于植被指數(shù)的統(tǒng)計方法和基于物理模型的輻射傳輸率模型法[7]。前者優(yōu)勢在于簡單、快速,但存在易受土壤干擾、植被指數(shù)易飽和等缺點[8]。后者則是基于嚴格的物理和數(shù)學推導,其優(yōu)勢在于不受植被類型和空間范圍的局限,但其本質是一個病態(tài)反演過程,存在解的不唯一性[9],并且輸入?yún)?shù)較多,不易操作。本文選擇基于植被指數(shù)的統(tǒng)計回歸方法進行玉米冠層LAI 反演。

        基于植被指數(shù)的LAI 的反演精度受很多因素影響,如土壤背景的干擾、傳感器的光譜響應函數(shù)等。為提高反演精度,有學者提出了各種改進方法。文獻[10]將植被指數(shù)與LAI 用BP 神經網絡模型進行訓練,結果顯示,此次方法對玉米冠層LAI 具有較好的反演結果,但遙感影像反射率存在鏡面反射。文獻[11]測量了玉米葉片的散射分布,發(fā)現(xiàn)葉片表面反射是非朗伯的,玉米葉片的鏡面反射在可見光波段可達50%。還有學者提出,葉片上的蠟質層會影響PROSECT 5 模型的模擬精度[12],并認為蠟質層的存在是桉樹葉片中色素濃度估計誤差的主要來源[13]。文獻[14]分別對構樹、銀杏和常春油麻藤進行了實驗,證明不同表面粗糙度的葉片都存在一定程度的鏡面反射。并認為,鏡面反射的存在會影響葉綠素反演的精度,當通過偏振消除鏡面反射后,各方向上的葉綠素反演精度都得到提升。

        因此,為提高玉米冠層LAI 反演精度,預處理后的無人機影像需要進一步去除鏡面反射成分。有研究通過識別高亮區(qū)域,將高亮區(qū)域去除,并利用周圍信息補全來去除鏡面反射[15],也有研究通過偏振的方法去除鏡面反射[14],二者都取得了較好的效果。但是這兩種方法對于星下點成像的無人機影像均不適用。小波變換是通過對空間(時間)頻率的局部化分析,分離影像中的主要特征和次要特征,因此有學者提出使用小波變換法去除遙感影像的鏡面反射成分[16-17],且都已證明小波變換對于去除鏡面反射的確有效?;诖耍疚睦眯〔ㄗ儞Q去除部分無人機影像上玉米冠層的鏡面反射成分,以期提高玉米冠層LAI 反演精度。

        1 研究區(qū)概況與數(shù)據(jù)源

        1.1 研究區(qū)概況

        研究區(qū)位于河北省辛集市河北農業(yè)大學辛集試驗站,地 理 范 圍 為115°17'58″ ~115°18'4″ E,37°47'50″~37°47'55″N,地理位置如圖1 所示。該試驗站位于華北平原,地勢平坦,氣候四季分明,冬季寒冷干燥,夏季炎熱多雨,年平均氣溫約12.5℃,屬于暖溫帶半濕潤大陸性氣候。該區(qū)域的主要耕作方式是冬小麥和夏玉米輪作,無人機影像獲取時研究區(qū)內的作物全部為玉米。

        1.2 數(shù)據(jù)源

        1.2.1 無人機影像

        課題組分別在2018 年7 月15 日和7 月26 日獲取了研究區(qū)的無人機影像。獲取影像時天氣晴朗無云,飛行時間均為12:00 左右,時間跨度為20 min,飛行高度為50 m。研究區(qū)面積約為6.67 hm2,所使用的無人機影像由一個架次影像拼接而成。無人機所搭載的傳感器為Parrot Sequoia+,其獲取的多光譜數(shù)據(jù)包含4 個波段,分別為綠、紅、紅邊和近紅外波段,其波段信息如表1所示。采集的原始影像的空間分辨率為0.055 m ×0.055 m,但由于GPS 定位精度限制以及背景土壤的干擾,為解決尺度差異問題將無人機影像的空間分辨率轉換為0.6 m×0.6 m。

        1.2.2 野外測量數(shù)據(jù)

        圖1 研究區(qū)示意圖Fig.1 Location of study area

        表1 UAV 影像波段光譜參數(shù)Tab.1 Bands of UAV remote sensing image nm

        在獲取無人機影像的同時,進行玉米冠層參數(shù)的野外實地測量,測量參數(shù)包括LAI、玉米葉片光譜、冠層光譜等,測量位置利用差分GPS 進行精準定位。將研究區(qū)按照田埂和種植間隔劃分成小格,每格內的種植品種、種植密度和灌溉情況等基本相同,故盡量在每一格中都選取樣本點。LAI 測量采用美國Li-cor 公司生產的LAI2000 型植物冠層分析儀,測量時選取1 m ×1 m 的小樣方,分別在樣方的4 個角和中心位置測量LAI,取均值作為中心點的LAI。LAI 測量的同時,利用華測i80 型差分GPS 接收機準確記錄中心位置的地理坐標。數(shù)據(jù)預處理過程中剔除誤差過大的噪聲點,最終得到7 月15 日的54 個樣本點數(shù)據(jù)和7 月26 日的72 個樣本點數(shù)據(jù),取其中1/4 樣本點用于反演精度評價,另外3/4 用于與ln(LAI)構建模型。取驗證點時也盡量保持均勻分布,隨機選取。

        2 模型與方法

        2.1 鏡面反射去除方法

        鏡面反射指的是在強光源入射時,在其與法線對稱的方向上形成強烈反射,這種情況多出現(xiàn)于光滑的表面[18],如水面和蠟質層覆蓋明顯的葉片。葉片引起的鏡面反射只攜帶了葉片表面的信息,此部分反射沒有與細胞、葉綠素和水等作用,與葉片的結構無關[19],無法反映葉片內部情況,因而在LAI 等參數(shù)反演時,鏡面反射的存在會影響反演精度?,F(xiàn)有的大部分研究中鏡面反射的去除多是針對水面的情況,然而水面出現(xiàn)鏡面反射的情況多會出現(xiàn)水體高光,在部分區(qū)域達到反射率飽和[20]。與此相比,無人機影像獲取影像中出現(xiàn)的鏡面反射并不會形成如此強烈的高光。一方面是由于研究區(qū)種植的作物是玉米,而玉米葉片為革質葉片,并帶有細小的絨毛,表面不如水面光滑;另一方面是因為玉米擁有多片葉,葉片的傾斜方向不相同,且不同植株之間的葉片相互交疊,反射情況復雜,發(fā)生鏡面反射的方向也不相同,導致在玉米冠層中各個方向的鏡面反射會混合在一起。所以,實際獲得的無人機影像將包含兩部分的反射,一部分是不含有效信息的鏡面反射,另一部分為包含玉米冠層有效信息的漫反射。

        2.2 PROSAIL 輻射傳輸模型

        PROSAIL 模型是一個由PROSPECT 模型和SAIL 模型耦合而適用于模擬植被冠層反射率的模型[9],它綜合考慮了葉片的生化參數(shù)、植被冠層結構和二向散射特性等條件,可以通過輸入LAI、太陽天頂角、觀測天頂角、葉綠素含量等參數(shù)反演出樣本點的反射率。該模型根據(jù)輻射傳輸理論,模擬了光在植被冠層中的傳播[21],其反演的反射率與葉片結構有關,能夠反映葉片的生長情況。因此,本文將實測的LAI 和其他生理生化參數(shù)的經驗值作為模型的輸入值,對樣本點進行反射率的反演,得到的結果可近似于漫反射部分,作為鏡面反射去除后精度驗證的依據(jù)。

        2.3 植被指數(shù)構建

        已有大量研究表明,植被指數(shù)與LAI 有較好的相關性[4,8,22],考慮到無人機影像只有綠波段、紅波段、近紅外波段和紅邊波段,所以選取由這4 個波段構成的且與LAI 有較好相關性的歸一化植被指數(shù)(NDVI)[18]、增強型植被指數(shù)(EVI)[4]、土壤調節(jié)植被指數(shù)(SAVI)[8]和綠通道植被指數(shù)(GNDVI)[18]進行相關性研究。

        2.4 小波變換

        由于實測光譜中包含部分土壤背景的反射率,可能會引起測量的冠層反射率增加。另外模型模擬時對葉片光學特性的假設必然與實際情況有所不同,也可能導致實測反射率與模擬的反射率有偏差。另外玉米葉片并非理想的漫反射體,而是表面帶有毛刺等結構,這使得葉片反射率有明顯的鏡面反射或者后向散射等非朗伯體特征。而本實驗所采用的PROSAIL 模型反演中存在描述土壤背景的參數(shù),對于土壤的影響已進行了模擬,而鏡面反射部分沒有考慮。所以本文對影像進行小波變換,通過設置閾值來去除這部分鏡面反射成分。

        本文基于離散小波變換,將原始影像進行分解,分別得到了低頻分量、水平高頻分量、垂直高頻分量和對角線高頻分量。對低頻分量采用閾值法去除影像中包含的鏡面反射,即去除分量中小于閾值的部分。而閾值法通??煞譃檐涢撝捣ê陀查撝捣ǎ?2],本文選擇軟閾值法對低頻分量進行處理,即將低于閾值的分量置零,高于閾值分量的絕對值減去閾值。最后將去除部分信號后的低頻分量重新與高頻分量組合,通過小波反變換重建變換為空間域影像。

        2.5 模型的評價標準

        文獻[23]指出比值型植被指數(shù)和歸一化植被指數(shù)與LAI 及其自然對數(shù)ln(LAI)的相關性存在差異,比值型植被指數(shù)應與LAI 建立線性回歸關系,而歸一化類植被指數(shù)應與ln(LAI)建立回歸關系。本文選擇的4 個植被指數(shù)都可以認為是歸一化類的植被指數(shù),所以都將與ln(LAI)進行線性回歸擬合。

        本文選用決定系數(shù)(R2)和均方根誤差(RMSE)2 個指標來反映植被指數(shù)與ln(LAI)的相關性水平。其中RMSE 可以反映數(shù)據(jù)集的離散程度,其值越小,說明模型的精度越高。而R2表示了相關的密切程度,當R2越接近1 時,表示相關的方程式參考價值越高;相反,越接近0 時,表示參考價值越低。

        3 結果與分析

        3.1 小波變換閾值設置

        將提取的無人機影像樣本點的反射率與相同樣本點上PROSAIL 模型反演的反射率進行對比,如圖2 所示。從圖2 可以看出,原始影像的反射率明顯高于模型反演的反射率,說明鏡面反射的確存在于無人機影像中。其中紅波段和綠波段的模型反演值和影像提取的值相差較小,而近紅外波段和紅邊波段的差相對較大。

        圖2 小波變換后樣本點上反射率對比Fig.2 Comparison of reflectivity after wavelet at sample points

        本文共設置了3 個閾值:0.05、0.1 和0.2,將重建后影像的樣本點反射率分別與原始影像和PROSAIL 模型反演的反射率進行對比,得到的結果如圖2 所示??梢园l(fā)現(xiàn)小波變換可以有效地降低反射率,使其更接近于模型反演的結果,從而削弱鏡面反射帶來的影響。從圖2 可以看出,當閾值為0.2時,綠波段和紅波段原始影像的反射率與PROSAIL模型反演的反射率接近。而對于近紅外波段和紅邊波段來說,當閾值為0.2 時,其反射率仍然整體高于模型反演結果。從提取結果來考慮,本文選擇0.2為去除鏡面反射最佳的閾值。

        3.2 基于不同植被指數(shù)的LAI 反演結果分析

        基于7 月15 日無人機影像得到的4 個植被指數(shù)與實測LAI 的自然對數(shù)ln(LAI)建立的回歸模型如表2 所示,散點圖如圖3 所示。4 個指數(shù)與ln(LAI)都呈正相關關系,說明隨著植被指數(shù)的增長,ln(LAI)也隨之線性增長,則LAI 也呈指數(shù)型增長。從決定系數(shù)來看,4 個線性擬合方程的決定系數(shù)都超過了0.5,說明這4 個植被指數(shù)與LAI 的擬合程度較好,植被指數(shù)與LAI 的相關性較大。其中NDVI 的決定系數(shù)最高,達到了0.719 0,說明NDVI與LAI 的相關性最好,而決定系數(shù)最低的是GNDVI,決定系數(shù)為0.559 8。從均方根誤差來看,4 個擬合方程的均方根誤差都為0.22 左右,說明這4 個回歸模型對LAI 的解釋能力都較好。注:x 為相應的植被指數(shù),y 為ln(LAI),下同。

        表2 7 月15 日植被指數(shù)與ln(LAI)的相關關系與LAI反演精度評價結果Tab.2 Correlation of four vegetation indexes with in-situ measured LAI and estimation accuracy on July 15th

        圖3 7 月15 日植被指數(shù)與ln(LAI)相關性及精度驗證散點圖Fig.3 Correlation of vegetation indices with ln(LAI)on July 15th

        基于7 月26 日獲取的無人機影像計算的植被指數(shù)與ln(LAI)之間的回歸關系如表3 所示,樣本的散點圖如圖4 所示。同樣,對于該無人機影像來說,4 個指數(shù)同樣與ln(LAI)呈正相關。從決定系數(shù)來看,相比于7 月15 日,由26 日影像得到的擬合方程的決定系數(shù)都明顯偏低,說明隨著LAI 的增大,這4 個植被指數(shù)與LAI 的擬合程度下降。NDVI、EVI和SAVI擬合的模型決定系數(shù)都為0. 46 左右,而GNDVI 最高,為0.480 2。另一方面,4 個指數(shù)擬合模型的均方根誤差為0.209 7 ~0.250 8,其中最低的是SAVI,說明4 個回歸模型對LAI 的解釋能力相對較好。從以上2 幅影像模型模擬結果來看,在植株覆蓋較稀疏時NDVI 在反演LAI 上更具優(yōu)勢,而當植株覆蓋相對茂密時,4 個指數(shù)中,GNDVI 和SAVI更為適合。

        表3 7 月26 日植被指數(shù)與ln(LAI)的相關關系與LAI反演精度評價結果Tab.3 Correlation of four vegetation indexes with in-situ measured LAI and estimation accuracy on July 26th

        3.3 去除鏡面反射后與實測LAI 的比較分析

        圖4 7 月26 日植被指數(shù)與ln(LAI)相關性及精度驗證散點圖Fig.4 Correlation of vegetation indices with ln(LAI)on July 26th

        表4 7 月15 日小波變換后植被指數(shù)與ln(LAI)的模型反演結果與精度檢驗結果Tab.4 Estimation models after wavelet of corn LAI and accuracy assessment result on July 15th

        用去除部分鏡面反射后的4 個波段構建植被指數(shù),將樣本點的植被指數(shù)與ln(LAI)進行相關性分析,得到的結果如表4 所示。4 個指數(shù)的線性擬合方程中,決定系數(shù)最高的仍然是NDVI,但是經過小波變換處理后的影像擬合的方程決定系數(shù)由0.719 0提高至0.763 3,說明相關性增大,同時均方根誤差也降低到了0.188 0,反演的精度得到提高。另外3 個植被指數(shù)的決定系數(shù)也有一定程度的提升,GNDVI 擬合方程的決定系數(shù)提高較多,由0.559 8提高到0.694 0,而SAVI 和EVI 擬合方程的決定系數(shù)也分別提高到了0.649 7 和0.619 4。4 個決定系數(shù)都超過了0.6,說明去除鏡面反射的確可以提高植被指數(shù)與LAI 的相關性,且相關性較高。從均方根誤差的角度來看,4 個植被指數(shù)對應的均方根誤差也都一定程度地下降,說明處理后植被指數(shù)的反演精度得到提升。從圖5 來看,樣本點上的NDVI和GNDVI 相比未處理影像更接近飽和,其中NDVI已存在飽和現(xiàn)象,但是其反演精度依然得到提升。從決定系數(shù)和均方根誤差來看,在玉米植株較稀疏時,在4 個指數(shù)中NDVI 最適合用于反演LAI。

        圖5 7 月15 日小波變換后植被指數(shù)與ln(LAI)相關性及精度驗證散點圖Fig.5 Correlation of vegetation indices after wavelet transform with ln(LAI)on July 15th

        同樣對7 月26 日影像和野外實測LAI 也進行了相關性分析,得到的結果如表5 所示。從結果可以看出,4 個指數(shù)對應的決定系數(shù)都有所增加,再次證明了去除鏡面反射可以提高植被指數(shù)與LAI的相關性。EVI 對應的決定系數(shù)由0.464 7 提高到了0.600 7,SAVI 對應的決定系數(shù)也由0.460 4提高到了0.604 0,這2 個指數(shù)的提升幅度較大,而相對的,NDVI 和GNDVI 對應的決定系數(shù)提升不明顯。從圖6 可以看出,GNDVI 和NDVI 均方根誤差大,并且相比上一時段飽和現(xiàn)象更為嚴重,NDVI 的平均值達到0.94,GNDVI 的平均值也達到了0.82。文獻[24]指出在LAI 較大,即植被較茂密的區(qū)域,NDVI 容易達到飽和,對LAI 的變化反映不靈敏。因為在植被茂密的區(qū)域,近紅外波段的反射率遠高于紅波段的反射率,歸一化植被指數(shù)對紅波段的變化不敏感。同理對GNDVI 來說,近紅外的反射率仍遠高于綠波段,使得GNDVI 的值雖然小于NDVI 但是對綠波段的變化也不敏感。從圖2 可以看到,在去除鏡面反射后,紅波段和綠波段的反射率較低,接近0,而近紅外波段的反射率仍然較高,這加劇了NDVI 和GNDVI 的飽和,其相關性反而降低。而SAVI 和EVI 考慮了土壤背景因素,植被指數(shù)的變化得到調節(jié),在植株茂密區(qū)域不易達到飽和,相關性提高。所以在玉米植株覆蓋較茂密時,選用EVI 和SAVI 來反演LAI 更為合適。

        表5 7 月26 日小波變換后植被指數(shù)與ln(LAI)的模型反演結果與精度檢驗結果Tab.5 Estimation models after wavelet of corn LAI and accuracy assessment result on July 26th

        圖6 7 月26 日小波變換后植被指數(shù)與ln(LAI)相關性及精度驗證散點圖Fig.6 Correlation of vegetation indices after wavelet transform with ln (LAI)on July 26th

        3.4 LAI 反演結果分析

        通過以上分析,證明了小波變換可以去除影像中的部分鏡面反射,從而提高LAI 的反演精度。所以本文分別選擇由NDVI 構建的模型y=2.522 6x-1.907 8 對7 月15 日影像進行LAI 反演,和由SAVI構建的模型y =3.312 5x -1.157 8 對7 月26 日影像進行LAI 反演,得到的結果見圖7。7 月15 日影像反演的LAI 取值在0.012 ~1.85 之間,大部分區(qū)域的LAI 都集中在1.68 ~1.85 區(qū)間內。而7 月26日影像反演的LAI 取值在0.04 ~6.87 之間,多數(shù)區(qū)域的取值范圍為0.51 ~0.67。

        圖7 基于NDVI、SAVI 植被指數(shù)的玉米冠層LAI 反演結果Fig.7 Retrieved maize canopy LAI using NDVI and SAVI

        4 結論

        (1)對于原始影像而言,在玉米植株較稀疏時,4 個植被指數(shù)與ln(LAI)的決定系數(shù)均較高,在反演LAI 時具有一定的可信度。其中NDVI 與ln(LAI)呈現(xiàn)良好的相關關系,而GNDVI 與ln(LAI)的相關性相對較小。在玉米植株相對茂密時,4 個植被指數(shù)與ln(LAI)的相關性減小,對應的決定系數(shù)相差不大,其中GNDVI 的決定系數(shù)相對較高。

        (2)對7 月15 日的無人機影像去除鏡面反射后,4 個植被指數(shù)與ln(LAI)擬合模型的決定系數(shù)均提高,說明去除鏡面反射的確能提高植被指數(shù)與LAI 的相關性。其中,NDVI 與ln(LAI)擬合的模型決定系數(shù)達到了0.763 3,在4 個指數(shù)中決定系數(shù)最高,此外其他3 個指數(shù)擬合模型的決定系數(shù)也都提高到0.6 以上。而對7 月26 日的無人機影像去除鏡面反射后,4 個指數(shù)與ln(LAI)擬合模型的決定系數(shù)同樣提高,再次證明了去除鏡面反射可以提高與LAI 相關性。在玉米植株較茂密的區(qū)域使用小波變換方法會加劇NDVI 和GNDVI 的飽和現(xiàn)象,而SAVI和EVI 由于考慮了土壤等背景因素的影響,通過系數(shù)將植被指數(shù)的變化放大,飽和現(xiàn)象不如NDVI 和GNDVI 嚴重。因此,在植被相對茂密的情況下SAVI 和EVI 更適合反演LAI。

        (3)用小波變換結合閾值法能夠去除鏡面反射,從而提高了植被指數(shù)LAI 的反演精度。這種方法在玉米植株較稀疏的情況下效果較好,且使用NDVI 反演LAI 能得到較好效果;而在植株茂密的情況下易出現(xiàn)植被指數(shù)飽和,使用EVI 和SAVI 反演LAI 效果更好。由于未進行物理實驗驗證,故無法對小波變換去除鏡面反射的效果定量描述,后續(xù)工作將對實驗進行補充。

        猜你喜歡
        鏡面反射決定系數(shù)植被指數(shù)
        光滑物體表面反射光偏振特征分析及反射光分離技術*
        基于Python語言路徑分析矩陣算法運演
        不同規(guī)格香港牡蠣殼形態(tài)性狀對重量性狀的影響
        2種貝齡合浦珠母貝數(shù)量性狀的相關與通徑分析
        基于最短路徑的GNSS-R鏡面反射點算法
        AMSR_2微波植被指數(shù)在黃河流域的適用性對比與分析
        河南省冬小麥產量遙感監(jiān)測精度比較研究
        基于顏色讀數(shù)識別物質濃度的數(shù)學模型研究
        主要植被指數(shù)在生態(tài)環(huán)評中的作用
        西藏科技(2015年1期)2015-09-26 12:09:29
        基于MODIS數(shù)據(jù)的植被指數(shù)與植被覆蓋度關系研究
        国产亚洲成年网址在线观看| 亚洲国产成人片在线观看| 一本一道av中文字幕无码| 婷婷综合五月| 无人视频在线播放在线观看免费| 日韩一区二区三区熟女| 亚洲av日韩综合一区久热| 少妇厨房愉情理伦片免费| 国产va在线播放| 精品久久中文字幕一区| 成人艳情一二三区| 欲色天天网综合久久| 97SE亚洲国产综合自在线不卡| 91桃色在线播放国产| 日韩欧美中文字幕公布| 四虎影视在线影院在线观看| 国内成人精品亚洲日本语音| 国产麻豆国精精品久久毛片 | 精品国产品香蕉在线| 天天爽夜夜爽夜夜爽| 亚洲一区二区欧美色妞影院| 人妻少妇被猛烈进入中文| 久久久久99精品成人片| 国产乱妇乱子视频在播放 | 国产做a爱片久久毛片a片| 国产在线不卡免费播放| 情头一男一女高冷男女| 少妇久久久久久人妻无码| 无码人妻丰满熟妇啪啪7774| 国产 无码 日韩| 国产偷国产偷亚洲综合av| 亚洲中文字幕在线第二页| 99ri国产在线观看| 黄片一级二级三级四级| 精品无码一区二区三区爱欲| 香蕉久久久久久久av网站| 中文字幕亚洲区第一页| 亚洲成人福利在线视频| 色五月丁香五月综合五月4438| 正在播放淫亚洲| 国产精品一区二区韩国av|