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

        ?

        基于機(jī)器學(xué)習(xí)和哨兵2號(hào)遙感影像的棉花種植空間分布信息提取

        2024-12-31 00:00:00白淑英傅志強(qiáng)謝濤張雪紅
        江蘇農(nóng)業(yè)科學(xué) 2024年20期
        關(guān)鍵詞:遙感機(jī)器學(xué)習(xí)

        doi:10.15889/j.issn.1002-1302.2024.20.012

        摘要:為快速、準(zhǔn)確、高效地獲取棉花種植空間分布信息,提高棉花信息提取精度,基于機(jī)器學(xué)習(xí)的遙感圖像識(shí)別方法,是有效解決問(wèn)題的途徑。以新疆維吾爾自治區(qū)烏蘇市為研究區(qū),利用哨兵2號(hào)遙感數(shù)據(jù),選取6種常用植被指數(shù)、3種紅邊植被指數(shù),基于遙感植被指數(shù)變化曲線(xiàn)進(jìn)行棉花特征時(shí)段選擇,并分別采用梯度提升決策樹(shù)、隨機(jī)森林、支持向量機(jī)算法,通過(guò)RF特征優(yōu)選,進(jìn)行棉花種植區(qū)空間分布信息提取,并對(duì)提取結(jié)果精度驗(yàn)證。結(jié)果表明,機(jī)器學(xué)習(xí)方法(GBDT、RF、SVM)的總體分類(lèi)精度分別為0.92、0.91、0.88,Kappa系數(shù)分別為0.91、0.89、0.85;經(jīng)RF特征優(yōu)選后的機(jī)器學(xué)習(xí)算法(RF-GBDT、RF-RF、RF-SVM)的總體分類(lèi)精度分別為0.94、0.94、0.91,Kappa系數(shù)分別為0.93、0.92、0.88;經(jīng)RF特征優(yōu)選后的3種機(jī)器學(xué)習(xí)算法(RF-GBDT、RF-RF、RF-SVM)的總體精度分別比RF特征優(yōu)選前(GBDT、RF、SVM)的總體精度分別提高了0.02、0.03、0.03,Kappa系數(shù)分別提高了0.02、0.03、0.03。GBDT作為一種集成的機(jī)器學(xué)習(xí)算法,在地物分類(lèi)與棉花提取方面有著較好的應(yīng)用效果,且經(jīng)過(guò)特征優(yōu)選的RF-GBDT算法精度更高。這表明在進(jìn)行機(jī)器學(xué)習(xí)分類(lèi)前,通過(guò)算法對(duì)輸入特征進(jìn)行重要性篩選,可有效避免因特征冗余造成的分類(lèi)精度下降,可實(shí)現(xiàn)更高精度的棉花種植區(qū)域提取。

        關(guān)鍵詞:棉花提取;哨兵2號(hào);機(jī)器學(xué)習(xí);特征優(yōu)選;遙感;GBDT

        中圖分類(lèi)號(hào):S127;TP79" 文獻(xiàn)標(biāo)志碼:A

        文章編號(hào):1002-1302(2024)20-0092-12

        收稿日期:2024-01-10

        基金項(xiàng)目:北京空間機(jī)電研究所航天進(jìn)入減速與著陸技術(shù)實(shí)驗(yàn)室開(kāi)放基金(編號(hào):EDL19092304)。

        作者簡(jiǎn)介:白淑英(1973—),女,內(nèi)蒙古寧城人,博士,教授,從事遙感與地理信息系統(tǒng)在生態(tài)環(huán)境中的應(yīng)用研究。E-mail:001462@nuist.edu.cn。

        棉花作為全球重要的經(jīng)濟(jì)作物,其種植區(qū)域的空間分布信息對(duì)于棉花產(chǎn)量估算和農(nóng)業(yè)經(jīng)濟(jì)產(chǎn)值預(yù)測(cè)具有至關(guān)重要的影響。在這一背景下,遙感技術(shù)憑借其廣泛的覆蓋范圍、強(qiáng)大的時(shí)效性和短周期的特點(diǎn),成為了快速識(shí)別棉花種植區(qū)域的有效工具,有效地彌補(bǔ)了傳統(tǒng)統(tǒng)計(jì)數(shù)據(jù)的滯后性。機(jī)器學(xué)習(xí)方法,由于其操作便捷和高精度的特性,在提取棉花種植區(qū)空間分布信息方面展現(xiàn)出了巨大的潛力。結(jié)合遙感數(shù)據(jù),這些方法能夠迅速、準(zhǔn)確、高效地捕獲棉花生產(chǎn)管理、面積統(tǒng)計(jì)與產(chǎn)量估算等關(guān)鍵信息。

        目前,遙感植被指數(shù)法是提取棉花種植信息的常用方法。該方法主要利用時(shí)間序列植被指數(shù)數(shù)據(jù),通過(guò)分析棉花在盛鈴期的植被指數(shù)和光譜特征的獨(dú)特性,實(shí)現(xiàn)與其他地物的有效區(qū)分。在這一領(lǐng)域,已有眾多學(xué)者取得了顯著的研究成果。如呂紹倫等運(yùn)用遙感云計(jì)算平臺(tái)和哨兵2號(hào)影像,利用光譜和不同物候周期作物的植被指數(shù)變化構(gòu)建了高精度的棉花提取模型[1]。魏瑞琪等使用TIMESAT進(jìn)行棉花像元的時(shí)間序列數(shù)據(jù)分析,獲得了棉花生長(zhǎng)曲線(xiàn),并提取了種植區(qū)域[2]。王文靜等利用多時(shí)相的哨兵2號(hào)數(shù)據(jù)、NDVI(歸一化植被指數(shù))、反射率及紋理等,經(jīng)特征優(yōu)選后,對(duì)石河子市的棉花種植區(qū)域進(jìn)行了提取研究[3]。劉傳跡等以MODISEVI數(shù)據(jù)為基礎(chǔ),應(yīng)用Double-Logistic濾波對(duì)棉花生長(zhǎng)曲線(xiàn)進(jìn)行重構(gòu),得到棉花生長(zhǎng)閾值,由此提取了棉花種植區(qū)域[4]。Ren等基于GEE和Sentinel-2(哨兵2號(hào))數(shù)據(jù),結(jié)合興趣面積指數(shù)、S-G濾波等,建立時(shí)間序列表型分析方法,篩選棉花提取關(guān)鍵時(shí)相數(shù)據(jù),將面向?qū)ο蟮男畔⑻崛》椒ㄅc光譜特征和紋理特征相結(jié)合,對(duì)棉花分布信息進(jìn)行提?。?]。此外,有學(xué)者自行提出或選用了其它的提取指標(biāo)。如Wang等基于棉花開(kāi)鈴期獨(dú)特的冠層特征,提出了一種新的白鈴指數(shù)(WBI)進(jìn)行棉花種植區(qū)域提取研究[6]。He等基于Sentinel-2,利用MERRA-2的逐時(shí)氣象數(shù)據(jù)、棉花初級(jí)生產(chǎn)總值(GPP)和葉面積指數(shù)(LAI)等提取了棉花信息,并估算了棉花產(chǎn)量[7]。

        由于機(jī)器學(xué)習(xí)在處理地理大數(shù)據(jù)和復(fù)雜特征分類(lèi)方面具有明顯的優(yōu)勢(shì),因此使用機(jī)器學(xué)習(xí)算法對(duì)遙感影像進(jìn)行土地利用分類(lèi)及作物信息提取,已成為研究熱點(diǎn)。機(jī)器學(xué)習(xí)法主要包括決策樹(shù)、隨機(jī)森林(RF)、支持向量機(jī)(SVM)、k平均算法(k-means)等,其中在棉花提取方面用得較多的是決策樹(shù)、隨機(jī)森林2種方法。Li等利用CBERS01和HJ1B衛(wèi)星圖像,使用決策樹(shù)算法計(jì)算棉花種植區(qū)域面積,并分析了棉花種植區(qū)域的時(shí)空變化規(guī)律[8]。田野等采用支持向量機(jī)和專(zhuān)家知識(shí)決策樹(shù)分類(lèi)法,基于不同時(shí)期的衛(wèi)星數(shù)據(jù)提取了棉花種植面積等信息[9]。荀蘭提出了基于多光譜和合成孔徑雷達(dá)影像的集成學(xué)習(xí)算法,通過(guò)各種分類(lèi)器和特征,成功識(shí)別了棉花種植區(qū)域[10]。Fei等提出了基于光譜、植被指數(shù)、紋理等多特征選擇的隨機(jī)森林特征選擇算法和基于不同分類(lèi)器的縣尺度棉花提取方法,評(píng)價(jià)了分類(lèi)時(shí)間、特征重要性和分類(lèi)器對(duì)棉花提取精度的影響[11]。王匯涵等采用隨機(jī)森林(RF)、支持向量機(jī)(SVM)、決策樹(shù)(CART)進(jìn)行棉花種植區(qū)域提取,利用順序向前選擇(SFS)和偏最小二乘算法(PLSR)成功預(yù)測(cè)了棉花產(chǎn)量[12]。美合日阿依·莫一丁等利用哨兵2號(hào)數(shù)據(jù),構(gòu)建NDVI和紅邊歸一化植被指數(shù)(RENDVI783)時(shí)序數(shù)據(jù),采用S-G濾波法與袋外誤差法對(duì)物候特征進(jìn)行特征優(yōu)選;并利用RF進(jìn)行分類(lèi)和棉花提?。?3]。Rodriguez-Sanchez等通過(guò)使用從正交圖中提取的單個(gè)地塊圖像,訓(xùn)練具有4個(gè)選定特征的SVM分類(lèi)器來(lái)識(shí)別每個(gè)地塊圖像中的棉花像素,對(duì)分類(lèi)后的棉花像素進(jìn)行形態(tài)學(xué)圖像處理,并進(jìn)行聚類(lèi)及預(yù)測(cè)[14]。Hong等基于Sentinel-2,利用光譜特征、植被指數(shù)特征和紋理特征創(chuàng)建了7種分類(lèi)并生成SVM分類(lèi)器,實(shí)現(xiàn)了高精度的棉花提?。?5]。王利民等基于5 m空間分辨率的Rapideye影像,采用紅邊、近紅外波段反射率之和構(gòu)建了棉花提取指數(shù)(CEI),結(jié)合同期水體、裸地(含城鎮(zhèn)建筑)掩模處理,分別采用最大似然分類(lèi)方法和隨機(jī)森林分類(lèi)方法對(duì)影像進(jìn)行分類(lèi)和精度驗(yàn)證,實(shí)現(xiàn)了棉花類(lèi)型的識(shí)別[16]。

        在使用機(jī)器學(xué)習(xí)算法時(shí),須確保所選模型具備良好的泛化能力,這關(guān)乎模型在不同數(shù)據(jù)環(huán)境下的穩(wěn)定性和準(zhǔn)確性。為防止模型過(guò)度擬合,選擇合適的樣本數(shù)據(jù)集并進(jìn)行適當(dāng)?shù)膮?shù)調(diào)整是十分必要的。基于此,本研究首先運(yùn)用遙感植被指數(shù)法來(lái)獲取棉花最佳研究時(shí)期的遙感影像數(shù)據(jù)。接著,選取樣本點(diǎn),并以植被指數(shù)、紅邊植被指數(shù)、地形等作為輸入因子。然后采用梯度提升決策樹(shù)(GBDT)、隨機(jī)森林(RF)和支持向量機(jī)(SVM)3種算法,通過(guò)RF算法進(jìn)行特征選擇,并進(jìn)行因子相關(guān)性分析,旨在篩選出與棉花提取最為相關(guān)的因子,以期實(shí)現(xiàn)更高精度的棉花種植區(qū)域提取。

        1" 數(shù)據(jù)源及數(shù)據(jù)預(yù)處理

        1.1" 研究區(qū)概況

        研究區(qū)在新疆維吾爾自治區(qū)塔城地區(qū)烏蘇市,位于新疆維吾爾自治區(qū)西北部(如圖1所示),地處43°34′~45°17′N(xiāo)、83°24′~85°06′E,全市總面積2.07萬(wàn)km2。烏蘇市地處北溫帶干旱地區(qū),年均氣溫7.3 ℃,實(shí)際日照時(shí)數(shù)可達(dá)2 600~2 800 h,年均降水量為158 mm。烏蘇市年溫差較大,光照時(shí)間長(zhǎng),降水量小,適宜棉花的生長(zhǎng)。由于特殊的氣候環(huán)境,烏蘇市不僅是全國(guó)優(yōu)質(zhì)棉生產(chǎn)基地、還是重要的糧食和水果產(chǎn)地。

        1.2" 數(shù)據(jù)源

        本研究使用的遙感數(shù)據(jù)是哨兵2號(hào)(Sentinel-2)高分辨率多光譜成像衛(wèi)星的L2A級(jí)數(shù)據(jù),地面分辨率有10、20、60 m。選用12個(gè)波段作為棉花提取的特征因子,輸入機(jī)器學(xué)習(xí)算法中進(jìn)行棉花信息提取(表1)。

        本研究使用谷歌地球引擎(GEE),獲取研究區(qū)3—10月可用的哨兵2號(hào)遙感影像共14幅(表2),分別計(jì)算不同生長(zhǎng)時(shí)期棉花的NDVI與近紅外(NIR)等植被指數(shù)。發(fā)現(xiàn)當(dāng)棉花處于盛鈴期(7—9月)時(shí),NDVI、NIR的像元亮度(DN)值高于其他地物,易與其他地類(lèi)進(jìn)行區(qū)分,此時(shí)是提取棉花信息的最佳時(shí)期。

        1.3" 數(shù)據(jù)預(yù)處理

        GEE是由Google云基建提供的云平臺(tái),用于獲取和處理遙感數(shù)據(jù)。它可以處理大規(guī)模的地球科學(xué)數(shù)據(jù)集,特別是遙感影像數(shù)據(jù),而且支持全球尺度的在線(xiàn)處理、分析和可視化[17]。GEE提供了Python API和JavaScript API 2種語(yǔ)言接口[18]。與傳統(tǒng)的遙感數(shù)據(jù)處理工具相比, GEE在遙感數(shù)據(jù)處理方面具有許多優(yōu)勢(shì)。

        首先利用GEE平臺(tái)進(jìn)行遙感影像的下載、鑲嵌、樣本點(diǎn)的選取等,然后上傳研究區(qū)范圍矢量數(shù)據(jù),利用maskS2clouds函數(shù)進(jìn)行去云。選擇哨兵2號(hào)數(shù)據(jù)集“COPERNICUS/S2_SR”,篩選日期與云量,并利用研究區(qū)感興趣區(qū)域(ROI)進(jìn)行裁剪操作,即可得到相應(yīng)時(shí)間的遙感影像。

        2" 訓(xùn)練樣本及特征選取

        2.1" 訓(xùn)練樣本選取

        模型訓(xùn)練所用的數(shù)據(jù)集也稱(chēng)為訓(xùn)練樣本,是整個(gè)分類(lèi)算法的基礎(chǔ)。訓(xùn)練樣本的質(zhì)量直接決定了分類(lèi)的結(jié)果與精度。通過(guò)遙感影像目視解譯,結(jié)合研究區(qū)的實(shí)際情況,利用GEE平臺(tái)選擇了6類(lèi)訓(xùn)練樣本,包括水體、建筑、裸地、棉花、林地和耕地(圖2),各類(lèi)訓(xùn)練樣本的數(shù)量見(jiàn)表3。

        為了量化各類(lèi)樣本間的可分離性,本研究采用了轉(zhuǎn)換分離性和JM距離作為關(guān)鍵指標(biāo)。轉(zhuǎn)換分離性是基于馬氏距離概念的統(tǒng)計(jì)度量,用于評(píng)估多變量分布之間的差異,特別適用于模式識(shí)別和圖像處理領(lǐng)域。而JM距離是用于度量2個(gè)概率分布之間差異的統(tǒng)計(jì)量,廣泛應(yīng)用于模式識(shí)別和遙感影像分類(lèi)。這2個(gè)參數(shù)的值在0~2之間[19],大于1.9則樣本之間的可分離性較好;小于1.8則可分離性較差,需重新選取。在本研究中,所選訓(xùn)練樣本的可分離性見(jiàn)表4。經(jīng)分析,各樣本類(lèi)別間的JM距離均大于1.8,這表明所選樣本在特征空間中具有較好的區(qū)分度。這一結(jié)果為后續(xù)的遙感影像分類(lèi)提供了堅(jiān)實(shí)的基礎(chǔ),確保了分類(lèi)過(guò)程的有效性和準(zhǔn)確性。

        2.2" 特征因子選取

        特征因子中,植被指數(shù)包括:歸一化植被指數(shù)(NDVI)、比值植被指數(shù)(RVI)、差值植被指數(shù)(DVI)、增強(qiáng)型植被指數(shù)(EVI)、歸一化水體指數(shù)(NDWI)、土壤調(diào)節(jié)植被指數(shù)(SAVI)6種。Sentinel-2的優(yōu)勢(shì)在于其擁有3個(gè)紅邊波段,使其在識(shí)別植被信息方面非常有效,因此,本研究選取了紅邊植被指數(shù)(REP)、地面葉綠素指數(shù)(MTCI)、歸一化差值紅邊指數(shù)(NDRE1)3種紅邊植被指數(shù)。

        紋理特征包括7類(lèi):均值、協(xié)同性、對(duì)比度、相異性、熵、角二階距和相關(guān)性。采用灰度共生矩陣(GLCM)方法提取紋理特征,它通過(guò)描述像元對(duì)之間的空間結(jié)構(gòu)特征及其相關(guān)性來(lái)定量描述遙感影像[20],是應(yīng)用最廣泛的一種紋理特征提取方法。通過(guò)主成分分析方法,選取前2個(gè)主分量的7種紋理特征(共14個(gè))作為紋理因子。選取了坡度、坡向、海拔3個(gè)地形因子。

        本研究共選取了哨兵2號(hào)的12個(gè)波段、6種植被指數(shù)、3種紅邊植被指數(shù)、前2個(gè)主成分的7個(gè)紋理因子,以及3個(gè)地形因子,共38個(gè)特征因子作為機(jī)器學(xué)習(xí)算法的輸入?yún)?shù)(表5)。

        3" 研究方法

        3.1" 技術(shù)路線(xiàn)

        由圖3可知,首先,從GEE平臺(tái)獲取哨兵2號(hào)遙感數(shù)據(jù),選取訓(xùn)練樣本點(diǎn)和特征因子;其次,根據(jù)棉花夏季在NDVI、NIR上的特殊光譜曲線(xiàn)特征,進(jìn)行棉花特征時(shí)段選擇;隨后,將所有特征因子輸入,分別利用GBDT、RF、SVM 機(jī)器學(xué)習(xí)算法,進(jìn)行棉花信息提取;然后,利用RF進(jìn)行特征優(yōu)選,并將經(jīng)優(yōu)選的所有特征因子,再次輸入3種機(jī)器學(xué)習(xí)算法,進(jìn)行棉花提取;最后,比較幾種方法的提取結(jié)果和精度,評(píng)價(jià)RF特征優(yōu)選對(duì)于棉花提取效果和分類(lèi)精度的影響。

        3.2" 棉花信息提取方法

        3.2.1" 基于遙感植被指數(shù)變化曲線(xiàn)的棉花特征時(shí)段選擇

        由圖4可知,棉花的生長(zhǎng)周期主要包括5個(gè)階段,分別是出苗期、苗期、蕾期、盛鈴期和吐絮期。當(dāng)棉花處于盛鈴期時(shí),NIR的DN值會(huì)大幅上升,此時(shí)棉花NIR的DN值會(huì)明顯高于其他農(nóng)作物與森林、灌木等植被。所以,NIR可有效地將棉花與各類(lèi)作物、植被進(jìn)行區(qū)分。因此,可通過(guò)NDVI與NIR結(jié)合設(shè)定光譜閾值的方法,獲取棉花的特征時(shí)段。

        3.2.2" 基于梯度提升決策樹(shù)的棉花信息提取方法

        1999年Freiman提出了梯度提升決策樹(shù)(GBDT),該算法是一種迭代的決策樹(shù)算法,主要是由多棵CART樹(shù)組成[21]。GBDT的主要思想是,每次建立的新模型均以上一個(gè)模型損失函數(shù)的負(fù)梯度為基礎(chǔ),通過(guò)多個(gè)弱學(xué)習(xí)器合成為強(qiáng)學(xué)習(xí)器[22]。GBDT屬于Boosting算法家族,核心在于迭代地訓(xùn)練決策樹(shù),以便每一棵樹(shù)都能修正前一棵樹(shù)的錯(cuò)誤,從而逐漸減少模型在訓(xùn)練集上的損失,GBDT不僅可用于分類(lèi),還可用于回歸[23]。GBDT算法的流程如下。

        對(duì)弱分類(lèi)器進(jìn)行初始化:

        f0(x)=argminγ∑Ni=1L(yi,γ)。

        式中:L表示損失函數(shù);γ表示使損失函數(shù)最小化的值,為常數(shù)。

        對(duì)每次迭代m=1,2,…,M。計(jì)算第i個(gè)樣本第m輪的殘差:

        γim=-L[yi,f(xi)]f(xi)f(x)=fm-1(x)。

        利用(xi,rim),對(duì)CART回歸樹(shù)進(jìn)行擬合,其葉子節(jié)點(diǎn)將空間劃分為獨(dú)立區(qū)域。該回歸樹(shù)的葉子區(qū)域?yàn)镽jm,j=1,2,…,J(節(jié)點(diǎn)個(gè)數(shù))。

        對(duì)于j=1,2,…,J。計(jì)算最佳擬合值:

        γjm=argminm∑x∈RjmL[yi-fm-1(x)+γ]。

        持續(xù)更新強(qiáng)學(xué)習(xí)器:

        fm(x)=fm-1+∑Jj=1γjmI。

        根據(jù)上述流程得最終的強(qiáng)分類(lèi)器為

        f(x)=f0+∑Mm=1∑Jj=1γjmI。

        式中:j表示葉子區(qū)域;J為葉子節(jié)點(diǎn)個(gè)數(shù);若公式為真則I是1,為假則I為0。

        3.2.3" 基于隨機(jī)森林的棉花信息提取方法

        隨機(jī)森林(RF)是由Breiman提出的一種基于決策樹(shù)組合的方法,是一種在樣本空間、特征空間同時(shí)進(jìn)行的集成學(xué)習(xí)算法。RF中的每棵決策樹(shù)都依賴(lài)于由訓(xùn)練確定的參數(shù)組成的隨機(jī)向量,每棵樹(shù)在特征集中選擇部分特征,進(jìn)行決策樹(shù)的構(gòu)造并貢獻(xiàn)一票,隨后通過(guò)Bagging算法形成獨(dú)立分布的訓(xùn)練樣本集進(jìn)行訓(xùn)練,通過(guò)投票的方式獲得最終的分類(lèi)或預(yù)測(cè)結(jié)果[24]。RF分類(lèi)的原理見(jiàn)圖5。

        RF是一種非參數(shù)化的機(jī)器學(xué)習(xí)算法,它具有精確度高、不需要降維、訓(xùn)練速度快、無(wú)需剪枝、較少出現(xiàn)過(guò)擬合現(xiàn)象、能容忍一定的干擾和異常值,且能處理具有高維特性的輸入樣本的優(yōu)點(diǎn)[25]。因此,隨機(jī)森林可用于各種數(shù)據(jù)類(lèi)型的分類(lèi),并在性能上超越了傳統(tǒng)統(tǒng)計(jì)方法及許多機(jī)器學(xué)習(xí)算法[26]。

        3.2.4" 基于支持向量機(jī)的棉花信息提取方法

        支持向量機(jī)(SVM)是Vapnik團(tuán)隊(duì)基于統(tǒng)計(jì)學(xué)VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理,開(kāi)發(fā)的一種基于統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)算法[27]。SVM的特點(diǎn)是同時(shí)最小化經(jīng)驗(yàn)誤差和最大化分類(lèi)間隔,其具有強(qiáng)大的非線(xiàn)性和高維數(shù)據(jù)處理能力,特別適用于小樣本、非線(xiàn)性和高維模式識(shí)別問(wèn)題[28],同時(shí)也有效解決了“維數(shù)災(zāi)難”和“過(guò)度學(xué)習(xí)”等問(wèn)題。

        SVM常采用的核函數(shù)有3種:線(xiàn)性核函數(shù)、多項(xiàng)式核函數(shù)以及徑向基核函數(shù),其表達(dá)式見(jiàn)表6。本研究選用線(xiàn)性核函數(shù)作為SVM的核函數(shù)。

        表6" 3種核函數(shù)的表達(dá)式

        核函數(shù)名稱(chēng)表達(dá)式

        線(xiàn)性核函數(shù)K(xi,xj)=xTi xj

        多項(xiàng)式核函數(shù)K(xi,xj)=(gxTixj+γ)2,ggt;0

        徑向基核函數(shù)K(xi,xj)=e-‖xi-xj ‖2σ2

        式中:xi,xj表示輸入空間的向量;g表示常數(shù);e為自然常數(shù);σ為函數(shù)的寬度參數(shù),控制了函數(shù)的徑向作用范圍。

        此外,SVM中可以設(shè)置懲罰系數(shù)C,其默認(rèn)值為1。C的取值影響了對(duì)分錯(cuò)樣本的懲罰程度,較大的C值會(huì)導(dǎo)致在訓(xùn)練樣本中獲得更高的準(zhǔn)確率,但可能會(huì)降低對(duì)測(cè)試數(shù)據(jù)的分類(lèi)準(zhǔn)確率,泛化能力較低。相反,減小C允許訓(xùn)練樣本中存在一些誤分類(lèi)的樣本,但可以提高模型的泛化能力。

        3.2.5" 基于RF特征優(yōu)選的棉花信息提取方法

        一般情況下,一份數(shù)據(jù)集有幾十上百種特征,由于各特征的重要性不同,所以為了保證訓(xùn)練模型的精確度,應(yīng)盡量降低復(fù)雜程度,篩選出最優(yōu)特征以進(jìn)行進(jìn)一步研究。常見(jiàn)的特征優(yōu)選方法有主成分分析、LASSO、RF等。

        隨機(jī)森林(RF)用袋外數(shù)據(jù)(OOB)做預(yù)測(cè)。在訓(xùn)練過(guò)程中,約1/3的樣本不被抽取,在每次重抽樣建立決策樹(shù)時(shí),都會(huì)有一些樣本未被選中,則可用這些樣本進(jìn)行交叉驗(yàn)證,這也是用RF進(jìn)行特征優(yōu)選的優(yōu)點(diǎn)之一[29]。這些袋外數(shù)據(jù)可用于計(jì)算特征重要性指標(biāo),進(jìn)而進(jìn)行特征選擇。該方法無(wú)需做交叉驗(yàn)證,直接用oob score對(duì)模型性能進(jìn)行評(píng)估。其基本原理為:

        (1)每棵決策樹(shù)的袋外數(shù)據(jù)誤差,記為errOOB1;

        (2)然后隨機(jī)對(duì)OOB所有樣本的特征i加入噪聲干擾,再次計(jì)算袋外數(shù)據(jù)誤差,記為errOOB2;

        (3)特征i的重要性為 SUM(errOOB2-errOOB1)N(N為樹(shù)的棵數(shù));若加入隨機(jī)噪聲后,袋外數(shù)據(jù)準(zhǔn)確率大幅下降,則說(shuō)明這個(gè)特征對(duì)預(yù)測(cè)結(jié)果有很大的影響,進(jìn)而說(shuō)明其重要程度比較高。

        本研究將所有特征(38個(gè))輸入GBDT、RF、SVM算法后,使用RF進(jìn)行特征重要性的排序選擇,再將經(jīng)特征優(yōu)選后的特征再次輸入3種機(jī)器學(xué)習(xí)算法中,以探究RF特征優(yōu)選前后,3種機(jī)器學(xué)習(xí)算法的分類(lèi)結(jié)果及精度變化。

        3.3" 精度評(píng)價(jià)方法

        遙感影像分類(lèi)結(jié)果的精度評(píng)價(jià)至關(guān)重要,本研究將70%的樣本作為訓(xùn)練集,30%的樣本作為測(cè)試集,并采用混淆矩陣進(jìn)行精度評(píng)估;混淆矩陣的列為參考數(shù)據(jù),行為遙感數(shù)據(jù)的分類(lèi)結(jié)果[30]。評(píng)估分類(lèi)效果的指標(biāo)包括用戶(hù)精度(UA)和生產(chǎn)者精度(PA),評(píng)價(jià)分類(lèi)效果的指標(biāo)包括總體分類(lèi)精度(OA)和Kappa系數(shù)[31]。這些精度指標(biāo)從不同角度反映了分類(lèi)的準(zhǔn)確性。

        4" 提取結(jié)果與分析

        4.1" 烏蘇市棉花特征時(shí)段提取結(jié)果

        在GEE平臺(tái)中,通過(guò)選取適量各類(lèi)典型地物的樣本點(diǎn)進(jìn)行NDVI、NIR時(shí)序分析,并結(jié)合棉花生長(zhǎng)時(shí)序,可得到在棉花生長(zhǎng)期內(nèi)(3月17日至10月13日)各類(lèi)典型地物的NDVI、NIR時(shí)序光譜曲線(xiàn)圖。如圖6、圖7所示,在5月中旬(出苗期),棉花的NDVI值從0.1大幅上升,且NIR值也開(kāi)始逐漸上升;在7月中旬至9月中旬(盛鈴期),棉花的NDVI、NIR值均在0.6左右,遠(yuǎn)高于其他地物。這也說(shuō)明,7月中旬至9月中旬的盛鈴期,是觀(guān)測(cè)棉花生長(zhǎng)、獲取棉田信息的最佳時(shí)期,也是進(jìn)行棉花種植區(qū)域提取的最佳時(shí)期。

        4.2" 特征重要性排序結(jié)果

        將38個(gè)特征因子,通過(guò)RF算法進(jìn)行特征排序后發(fā)現(xiàn),當(dāng)特征數(shù)量達(dá)到12時(shí),分類(lèi)精度達(dá)到最高,大于12后呈下降趨勢(shì)。因此,選擇排名前12個(gè)特征構(gòu)建訓(xùn)練模型的輸入因子。這12個(gè)特征的重要性排名見(jiàn)圖8,B8、B12、NDVI位列前三。

        4.3" GBDT、RF、SVM 3種方法及特征優(yōu)選分類(lèi)結(jié)果比較

        將特征優(yōu)選前的38個(gè)因子,以及特征優(yōu)選后的12個(gè)因子(圖8),分別利用3類(lèi)機(jī)器學(xué)習(xí)算法,對(duì)棉花種植區(qū)域進(jìn)行提取,即可得到各方法的棉花種植區(qū)域提取結(jié)果(圖9),以及各分類(lèi)方法的精度(表7、表8)。

        由表7、表8可知,上述幾種機(jī)器學(xué)習(xí)算法中,盡管部分地類(lèi)的分類(lèi)精度略低,但棉花的UA、PA始終在0.90以上,上述機(jī)器學(xué)習(xí)方法的棉花提取精度均達(dá)到優(yōu)良水平。

        RF-GBDT和RF-RF方法的棉花提取精度較高,總體精度達(dá)到了0.94。GBDT的優(yōu)勢(shì)在于它通過(guò)每一次的殘差計(jì)算增加了分錯(cuò)樣本的權(quán)重,從而提高了泛化性能。然而,GBDT對(duì)異常值較為敏感,而且由于分類(lèi)器之間存在依賴(lài)關(guān)系,難以實(shí)現(xiàn)并行計(jì)算。但總體而言,GBDT算法通常在一些方面優(yōu)于RF算法。

        使用RF分類(lèi)器需要設(shè)置訓(xùn)練棵數(shù)。RF特征優(yōu)選前,棵數(shù)為80~90時(shí)(圖10),精度最高。隨著棵數(shù)的不斷增加,總體精度出現(xiàn)波動(dòng),當(dāng)棵數(shù)為100時(shí)精度開(kāi)始保持穩(wěn)定。RF特征優(yōu)選后,棵數(shù)為50時(shí),精度達(dá)到最大。隨著棵數(shù)的不斷增加,總體精度也出現(xiàn)波動(dòng),且總體呈下降趨勢(shì),當(dāng)棵數(shù)為140時(shí)

        精度開(kāi)始保持穩(wěn)定。由圖10可知,經(jīng)RF特征優(yōu)選的提取精度始終高于未經(jīng)RF特征優(yōu)選的提取精度。

        此外,使用SVM設(shè)置懲罰參數(shù)C。RF特征優(yōu)選前,C為20時(shí)精度最高。隨著C的不斷增加,總體精度總體呈下降趨勢(shì),并最終穩(wěn)定在0.8左右。RF特征優(yōu)選后,C為15時(shí),精度最高,隨后總體精度總體呈下降趨勢(shì),并最終也穩(wěn)定在0.8左右(圖11)。

        在經(jīng)過(guò)特征優(yōu)選之后,3種機(jī)器學(xué)習(xí)算法(GBDT、RF、SVM)的分類(lèi)精度均得到了提升,且在提取棉花種植區(qū)域方面表現(xiàn)出更高的準(zhǔn)確性,極少出現(xiàn)漏提取現(xiàn)象。然而,在使用相同的遙感影像和訓(xùn)練樣本的情況下,RF-SVM方法在某些情況下將田間道路誤識(shí)別為棉田,同時(shí)在部分區(qū)域出現(xiàn)了較為明顯的“椒鹽現(xiàn)象”(圖12),這導(dǎo)致其分類(lèi)精度

        相較于其他2種算法略有下降。

        RF特征優(yōu)化的主要目標(biāo)是剔除冗余或不相關(guān)的特征,這不僅有效減少了特征的數(shù)量,而且提高了模型的精確度。特別是在處理如細(xì)窄田間道路等復(fù)雜地物特征時(shí),結(jié)合RF特征優(yōu)選和GBDT算法能夠有效減少將道路誤識(shí)別為棉田的情況。這不僅提高了分類(lèi)精度,也增強(qiáng)了模型在處理復(fù)雜地表特征時(shí)的魯棒性。

        在使用RF進(jìn)行特征分析及通過(guò)特征重要性排序篩選和模型優(yōu)化之后,分類(lèi)精度提高了2~3百分點(diǎn)。RF特征優(yōu)化的主要目的是剔除多余或不相關(guān)的特征,這不僅減少了特征數(shù)量,而且還提升了模型的精確度。盡管特征優(yōu)選能夠在一定程度上減少像素級(jí)別的分類(lèi)錯(cuò)誤,從而視覺(jué)上緩解了“椒鹽現(xiàn)象”,但這并不代表可完全消除“椒鹽現(xiàn)象”(圖13)。影響分類(lèi)結(jié)果的因素不僅局限于特征選擇,還包括模型參數(shù)的配置、訓(xùn)練樣本的選擇,以及影像數(shù)據(jù)本身的質(zhì)量和特性等,這些因素共同作用,最終決定了分類(lèi)結(jié)果的準(zhǔn)確性和可靠性。

        5" 結(jié)論與討論

        本研究將遙感和機(jī)器學(xué)習(xí)方法相結(jié)合,基于哨兵2號(hào)影像,利用GEE、python、ENVI、ArcGIS等軟件平臺(tái),對(duì)研究區(qū)的棉花種植區(qū)域進(jìn)行了提取研究,并將幾種方法的分類(lèi)結(jié)果進(jìn)行了對(duì)比。結(jié)果表明,RF-GBDT、RF-RF在烏蘇市的棉花信息提取中取得了較好的效果,GBDT、RF次之,RF-SVM與SVM的精度較低。研究結(jié)果表明:(1)根據(jù)研究區(qū)內(nèi)典型地物的遙感植被指數(shù)變化曲線(xiàn)可知,7—8月棉花的NDVI、NIR值遠(yuǎn)高于其他地物,此時(shí)是提取棉花信息的最佳時(shí)期。(2)通過(guò)算法發(fā)現(xiàn),B8、B12、NDVI等波段與棉花的相關(guān)性最高,說(shuō)明這些波段特征對(duì)于棉花提取、估產(chǎn)等有重要意義。(3)經(jīng)RF特征優(yōu)選后的3種機(jī)器學(xué)習(xí)算法(RF-GBDT、RF-RF、RF-SVM)的總體精度分別比RF特征優(yōu)選前(GBDT、RF、SVM)的總體精度分別提高了0.02、0.03、0.03,Kappa系數(shù)分別提高了0.02、0.03、0.03。由此可見(jiàn),在進(jìn)行機(jī)器學(xué)習(xí)分類(lèi)前,通過(guò)算法對(duì)輸入特征進(jìn)行重要性篩選,可有效避免因特征冗余造成的分類(lèi)精度下降,可實(shí)現(xiàn)更高精度的棉花種植區(qū)域提取。(4)使用多種機(jī)器學(xué)習(xí)方法對(duì)棉花種植區(qū)域進(jìn)行提取,均取得了較好的分類(lèi)效果。其中,RF-GBDT算法的分類(lèi)精度最高,其Kappa系數(shù)比RF-RF方法還提高了0.01;由此可見(jiàn),GBDT算法作為一種集成的機(jī)器學(xué)習(xí)算法,在地物分類(lèi)與棉花提取方面有著較好的應(yīng)用效果。

        本研究選取新疆烏蘇市作為研究區(qū)域,運(yùn)用RF算法對(duì)各類(lèi)特征進(jìn)行重要性排序,并最終篩選出前12個(gè)關(guān)鍵特征,輸入至3種機(jī)器學(xué)習(xí)算法中,以提高分類(lèi)精度并減少特征冗余。此外,本研究首次嘗試將GBDT算法應(yīng)用于棉花種植區(qū)域的提取,并取得了顯著的成效。GBDT在分類(lèi)精度上高于RF和SVM的主要原因,在于其采用了增強(qiáng)學(xué)習(xí)策略,通過(guò)迭代構(gòu)建決策樹(shù)并逐步減少殘差,從而提升模型的準(zhǔn)確性。相較之下,RF采用多個(gè)決策樹(shù)的平均或多數(shù)投票機(jī)制進(jìn)行預(yù)測(cè),而SVM則在特征空間中尋找最優(yōu)分割面以區(qū)分不同類(lèi)別。GBDT專(zhuān)注于每輪迭代中減少分類(lèi)誤差,因此在某些情況下能夠提供更精確的分類(lèi)結(jié)果。然而,GBDT的逐步優(yōu)化策略也可能導(dǎo)致其在處理大規(guī)模數(shù)據(jù)或高維特征時(shí)出現(xiàn)過(guò)擬合的風(fēng)險(xiǎn)。

        盡管本研究在提取精度上取得了一定成果,但仍存在提升空間。主要原因包括:(1)遙感圖像獲取條件的復(fù)雜性,包括光照變化、大氣條件和傳感器角度等,這些都將影響遙感影像的質(zhì)量,從而影響分類(lèi)結(jié)果;(2)訓(xùn)練樣本選取中混合像元的存在,導(dǎo)致建筑、水體、裸地等區(qū)域與棉花種植區(qū)域無(wú)法完全分離,影響分類(lèi)精度;(3)盡管機(jī)器學(xué)習(xí)算法在遙感圖像分類(lèi)中表現(xiàn)出色,但它們?cè)谔幚泶笠?guī)模數(shù)據(jù)或高維特征時(shí),無(wú)法避免地會(huì)存在過(guò)擬合或泛化能力不足的問(wèn)題。此外,本研究方法的選取部分基于前人在其他研究區(qū)的成果和文獻(xiàn)經(jīng)驗(yàn),與前人所選訓(xùn)練樣本的差異可能導(dǎo)致試驗(yàn)結(jié)果的誤差。后續(xù)研究將致力于提高訓(xùn)練樣本的準(zhǔn)確性,結(jié)合遙感和野外實(shí)地考察選取棉花樣本,避免因樣本選取誤差導(dǎo)致的精度下降,并嘗試應(yīng)用更多機(jī)器學(xué)習(xí)算法及神經(jīng)網(wǎng)絡(luò)(如U-Net)算法,以進(jìn)一步優(yōu)化提取結(jié)果,提升精度。

        本研究表明,通過(guò)使用GEE平臺(tái)獲取高分辨率遙感影像,選取訓(xùn)練樣本,并應(yīng)用機(jī)器學(xué)習(xí)方法提取棉花種植區(qū)域,能夠有效提升提取精度。這為棉花種植區(qū)域的提取提供了新的解決方案和技術(shù)路徑,為棉花面積估算研究提供了重要參考。

        參考文獻(xiàn):

        [1]呂紹倫,趙" 陽(yáng),陳萬(wàn)基,等. 基于遙感云計(jì)算的阿拉爾市棉花種植面積提?。跩]. 棉花科學(xué),2022,44(4):19-25.

        [2]魏瑞琪,李林峰,仙" 巍,等. 利用TIMESAT軟件和時(shí)間序列衛(wèi)星影像提取新疆石河子棉花種植區(qū)域[J]. 湖北農(nóng)業(yè)科學(xué),2018,57(4):105-112.

        [3]王文靜,張" 霞,趙銀娣,等. 綜合多特征的Landsat 8時(shí)序遙感圖像棉花分類(lèi)方法[J]. 遙感學(xué)報(bào),2017,21(1):115-124.

        [4]劉傳跡,金曉斌,徐偉義,等. 2000—2020年南疆地區(qū)棉花種植空間格局及其變化特征分析[J]. 農(nóng)業(yè)工程學(xué)報(bào),2021,37(16):223-232.

        [5]Ren B Y,Zhou H Z,Shen H,et al. Research on cotton information extraction based on Sentinel-2 time series analysis[C]//2019 8th International Conference on Agro-Geoinformatics (Agro-Geoinformatics).Turkey:IEEE,2019:1-6.

        [6]Wang N,Zhai Y G,Zhang L F.Automatic cotton mapping using time series of Sentinel-2 images[J]. Remote Sensing,2021,13(7):1355.

        [7]He L M,Mostovoy G. Cotton yield estimate using Sentinel-2 data and an ecosystem model over the southern US[J]. Remote Sensing,2019,11(17):2000.

        [8]Li M,Zhao G X,Qin Y W. Extraction and monitoring of cotton area and growth information using remote sensing at small scale:a case study in dingzhuang town of Guangrao County,China[C]//2011 International Conference on Computer Distributed Control and Intelligent Environmental Monitoring.Changsha:IEEE,2011:816-823.

        [9]田" 野,張" 清,李希燦,等. 基于多時(shí)相影像的棉花種植信息提取方法研究[J]. 干旱區(qū)研究,2017,34(2):423-430.

        [10]荀" 蘭. 基于Sentinel-1/2衛(wèi)星影像的棉花種植區(qū)識(shí)別方法研究[D]. 北京:中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院空天信息創(chuàng)新研究院),2022.

        [11]Fei H,F(xiàn)an Z H,Wang C K,et al. Cotton classification method at the county scale based on multi-features and random forest feature selection algorithm and classifier[J]. Remote Sensing,2022,14(4):829.

        [12]王匯涵,張" 澤,康孝巖,等. 基于Sentinel-2A的棉花種植面積提取及產(chǎn)量預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2022,38(9):205-214.

        [13]美合日阿依·莫一丁,買(mǎi)買(mǎi)提·沙吾提,李金朝. 基于Sentinel-2時(shí)間序列數(shù)據(jù)及物候特征的棉花種植區(qū)提?。跩]. 干旱區(qū)地理,2022,45(6):1847-1859.

        [14]Rodriguez-Sanchez J,Li C Y,Paterson A H. Cotton yield estimation from aerial imagery using machine learning approaches[J]. Frontiers in Plant Science,2022,13:870181.

        [15]Hong Y,Li D R,Wang M,et al. Cotton cultivated area extraction based on multi-feature combination and CSSDI under spatial constraint[J]. Remote Sensing,2022,14(6):1392.

        [16]王利民,劉" 佳,姚保民,等. 基于Rapideye數(shù)據(jù)的棉花特征光譜指數(shù)構(gòu)建及類(lèi)型識(shí)別[J]. 中國(guó)農(nóng)業(yè)信息,2019,31(5):25-37.

        [17]Gorelick N,Hancher M,Dixon M,et al. Google Earth Engine:Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment,2017,202:18-27.

        [18]郝斌飛,韓旭軍,馬明國(guó),等. Google Earth Engine在地球科學(xué)與環(huán)境科學(xué)中的應(yīng)用研究進(jìn)展[J]. 遙感技術(shù)與應(yīng)用,2018,33(4):600-611.

        [19]Bruzzone L,Roli F,Serpico S B. An extension of the Jeffreys-Matusita distance to multiclass cases for feature selection[J]. IEEE Transactions on Geoscience and Remote Sensing,1995,33(6):1318-1321.

        [20]Iqbal N,Mumtaz R,Shafi U,et al. Gray level co-occurrence matrix (GLCM) texture based crop classification using low altitude remote sensing platforms[J]. PeerJ Computer Science,2021,7:e536.

        [21]Friedman J H.Stochastic gradient boosting[J]. Computational Statistics amp; Data Analysis,2002,38(4):367-378.

        [22]張海洋,張" 瑤,田澤眾,等. 基于GBDT和Google Earth Engine的冬小麥種植結(jié)構(gòu)提取[J]. 光譜學(xué)與光譜分析,2023,43(2):597-607.

        [23]卓" 越,嚴(yán)海軍. 基于梯度提升樹(shù)算法的玉米施肥模型構(gòu)建[J]. 水資源與水工程學(xué)報(bào),2020,31(4):223-228,237.

        [24]林志堅(jiān),姚俊萌,蘇校平,等. 基于MODIS指數(shù)和隨機(jī)森林的江西省早稻種植信息提取[J]. 農(nóng)業(yè)工程學(xué)報(bào),2022,38(11):197-205.

        [25]李旭青,劉世盟,李" 龍,等. 基于RF算法優(yōu)選多時(shí)相特征的冬小麥空間分布自動(dòng)解譯[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2019,50(6):218-225.

        [26]Belgiu M,Draˇgu L. Random forest in remote sensing:a review of applications and future directions[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2016,114:24-31.

        [27]肖博林. 基于支持向量機(jī)的高光譜遙感影像分類(lèi)[J]. 科技創(chuàng)新與應(yīng)用,2020,10(4):22-24.

        [28]費(fèi)" 浩. 綜合多特征的縣域尺度棉花種植面積遙感提取方法[D]. 阿拉爾:塔里木大學(xué),2021:29-30.

        [29]劉浩然,劉秀清,王春樂(lè). 基于隨機(jī)森林和超像素的極化SAR圖像分類(lèi)[J]. 國(guó)外電子測(cè)量技術(shù),2021,40(9):29-35.

        [30]黃鵬程,張明明,王新宇,等. 基于Landsat-8 OLI的西安市土地利用類(lèi)型遙感分類(lèi)研究[J]. 測(cè)繪與空間地理信息,2020,43(1):85-88,92.

        [31]張" 群. 基于高分遙感的黑方臺(tái)滑坡識(shí)別[D]. 西安:長(zhǎng)安大學(xué),2017:28-30.

        猜你喜歡
        遙感機(jī)器學(xué)習(xí)
        基于詞典與機(jī)器學(xué)習(xí)的中文微博情感分析
        基于機(jī)器學(xué)習(xí)的圖像特征提取技術(shù)在圖像版權(quán)保護(hù)中的應(yīng)用
        基于網(wǎng)絡(luò)搜索數(shù)據(jù)的平遙旅游客流量預(yù)測(cè)分析
        前綴字母為特征在維吾爾語(yǔ)文本情感分類(lèi)中的研究
        基于支持向量機(jī)的金融數(shù)據(jù)分析研究
        皮山縣綠洲
        商(2016年25期)2016-07-29 20:50:14
        基于最大似然法的南京市土地利用類(lèi)型分類(lèi)研究
        商(2016年22期)2016-07-08 14:32:30
        基于GIS的東川地區(qū)植被指數(shù)季節(jié)變化研究
        商(2016年22期)2016-07-08 14:05:14
        機(jī)器學(xué)習(xí)理論在高中自主學(xué)習(xí)中的應(yīng)用
        中國(guó)“遙感”衛(wèi)星今年首秀引關(guān)注
        久久免费看的少妇一级特黄片| 69精品人妻一区二区| av天堂精品久久久久| 日韩av免费在线不卡一区| 久久av少妇亚洲精品| 熟妇高潮一区二区三区在线观看 | 97久人人做人人妻人人玩精品| 成年无码av片完整版| 亚洲av成人一区二区三区网址| 视频在线亚洲视频在线| 久久午夜福利无码1000合集| 亚洲av无码国产剧情| 九一成人AV无码一区二区三区| 亚洲一区二区三区福利久久蜜桃 | 欧美亚洲国产日韩一区二区三区| 国产最新一区二区三区| 美腿丝袜在线一区二区| 高潮又爽又无遮挡又免费| 国产成人无码A区在线观| 在线观看女同一区二区| 国产免费牲交视频| 影视先锋av资源噜噜| 18禁成人免费av大片一区| 亚洲一区二区丝袜美腿| 精品亚洲天堂一区二区三区| 亚洲看片lutube在线观看| 久久尤物AV天堂日日综合| 91精品国产色综合久久不| 国产美女主播视频一二三区 | 亚洲欧美日本人成在线观看| 蜜乳一区二区三区亚洲国产| 国产成人午夜无码电影在线观看| 18禁免费无码无遮挡网站| 女人一级特黄大片国产精品| 久久综合精品人妻一区二区三区| 六月婷婷久香在线视频| 国产69口爆吞精在线视频喝尿| 永久免费的拍拍拍网站| 国产无套一区二区三区久久| 97在线观看视频| 无码日日模日日碰夜夜爽|