• <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 ?

    BP神經(jīng)網(wǎng)絡算法在河西綠洲玉米生產(chǎn)碳排放評估中的應用及算法有效性研究*

    2018-07-31 03:44:58燕振剛YanTianhai逯玉蘭陳玉娟常生華侯扶江
    關鍵詞:人工神經(jīng)網(wǎng)絡綠洲神經(jīng)網(wǎng)絡

    燕振剛, 李 薇, Yan Tianhai, 王 鈞, 陳 蕾, 逯玉蘭, 劉 歡, 唐 潔, 張 磊, 陳玉娟,常生華, 侯扶江

    ?

    BP神經(jīng)網(wǎng)絡算法在河西綠洲玉米生產(chǎn)碳排放評估中的應用及算法有效性研究*

    燕振剛1, 李 薇2, Yan Tianhai3, 王 鈞1, 陳 蕾1, 逯玉蘭1, 劉 歡1, 唐 潔1, 張 磊1, 陳玉娟1,常生華4, 侯扶江4

    (1. 甘肅農(nóng)業(yè)大學信息科學技術學院 蘭州 730070; 2. 甘肅農(nóng)業(yè)大學財經(jīng)學院 蘭州 730070; 3. 農(nóng)業(yè)食品與生物科學研究所 希爾斯伯勒 BT26 6DR; 4. 蘭州大學草地農(nóng)業(yè)科技學院 蘭州 730000)

    針對作物生產(chǎn)碳排放預測較為困難的實際問題, 提出基于BP神經(jīng)網(wǎng)絡算法的玉米生產(chǎn)碳排放預測模型。選擇地處河西走廊石羊河下游的民勤綠洲246家農(nóng)戶, 面對面調查玉米種植戶農(nóng)場內生產(chǎn)投入數(shù)據(jù), 將玉米生產(chǎn)投入數(shù)據(jù)作為神經(jīng)網(wǎng)絡輸入層; 查閱和梳理國內外相似區(qū)域玉米生產(chǎn)環(huán)節(jié)碳排放系數(shù), 運用碳足跡生命周期法計算得到的碳排放值作為神經(jīng)網(wǎng)絡輸出層; 基于BP人工神經(jīng)網(wǎng)絡算法, 運用試湊法確定網(wǎng)絡隱含層節(jié)點個數(shù), 建立河西綠洲玉米生產(chǎn)碳排放預測模型, 選擇多元線性回歸模型、多元非線性回歸模型, 對該模型有效性進行評估。研究結果表明, 3層且各層節(jié)點數(shù)9、10、1的神經(jīng)網(wǎng)絡結構能夠準確預測河西綠洲玉米生產(chǎn)碳排放, 其碳排放預測值為0.763 kg(CO2-eq)?kg-1(DM); 9-10-1結構的神經(jīng)網(wǎng)絡預測模型的相關系數(shù)(2=0.984 7)高于多元線性和非線性回歸模型, 該神經(jīng)網(wǎng)絡結構模型的均方根誤差(RMSE=0.069 1)、平均絕對誤差(MAE=0.051 3)均低于其他模型, BP神經(jīng)網(wǎng)絡算法預測性能明顯優(yōu)于其他預測模型。該研究為準確預測農(nóng)業(yè)生產(chǎn)碳排放提供了新思路和可操作方法。

    BP神經(jīng)網(wǎng)絡; 玉米生產(chǎn); 碳排放; 算法有效性; 生命周期法; 預測模型

    近年來, 人工神經(jīng)網(wǎng)絡在全球氣候變化中的應用快速發(fā)展, 國內外農(nóng)業(yè)領域專家和學者非常關注和重視智能算法在農(nóng)業(yè)領域中應用[1]。人工神經(jīng)網(wǎng)絡廣泛應用于能量需求、河流流水、天氣預報、債務風險、農(nóng)作物產(chǎn)量預測及環(huán)境評估等領域。Ermis等[2]運用人工神經(jīng)網(wǎng)絡分析了世界主要能源諸如碳、石油和天然氣的總量。Clair等[3]運用人工神經(jīng)網(wǎng)絡模型研究氣候變化對河水流量和環(huán)境的影響, 認為人工神經(jīng)網(wǎng)絡作為一個有效的非線性工具, 在研究水流輸出的非線性變化是非常合適的。Viotti等[4]根據(jù)1~2 d的氣象和交通數(shù)據(jù), 利用人工神經(jīng)網(wǎng)絡算法預測城市的污染物濃度, 結果表明該方法比傳統(tǒng)統(tǒng)計確定性模型的預測效果優(yōu)越。Khoshnevisan等[5]運用人工神經(jīng)網(wǎng)絡算法預測伊朗馬鈴薯()生產(chǎn)過程中的能量輸出。陳喜等[6]利用人工神經(jīng)網(wǎng)絡模型預測氣候變化對博斯騰湖流域徑流的影響, 模型的效率系數(shù)在0.85到0.97之間, 模型較為可靠。Melesse等[7]利用人工神經(jīng)網(wǎng)絡算法模擬麥田、草地和森林生態(tài)系統(tǒng)CO2通量, 采用氣象參數(shù)和土壤通量訓練人工網(wǎng)絡模型。紀廣月[8]通過收集1998—2008年中國碳排放及其影響因素資料, 基于人工神經(jīng)網(wǎng)絡模型對中國碳排放進行預測, 利用統(tǒng)計數(shù)據(jù)進行模型訓練和檢驗, 訓練樣本預測平均誤差0.025 2, 驗證樣本平均誤差0.006 6。

    碳排放增加引起的全球氣候變暖成為人們普遍關注的焦點, 人們開始關注農(nóng)業(yè)生產(chǎn)引起的碳排放[9]。位于祁連山北麓的河西綠洲, 現(xiàn)已成為甘肅省著名的商品糧基地, 每年生產(chǎn)的糧食占全省年糧食總產(chǎn)量的30%以上, 提供了全省70%的商品糧[10]。玉米()是綠洲的主要農(nóng)作物, 準確、系統(tǒng)評估綠洲玉米生產(chǎn)引起的碳排放研究尚鮮見報道。

    國內外研究表明, 智能算法在生態(tài)學研究中已得到廣泛應用, 人工神經(jīng)網(wǎng)絡模型在預測河流流水、天氣預報及復雜生態(tài)系統(tǒng)等方面的非線性變化能力突出, 人工神經(jīng)網(wǎng)絡算法在農(nóng)業(yè)領域碳排放研究中可作為分類、建模和預測的科學工具。國內外學者運用人工神經(jīng)網(wǎng)絡進行預測做了大量研究工作, 主要針對水文和氣象變化預測, 而對于作物生產(chǎn)碳排放預測研究不足, 存在預測指標單一、預測精度不高等問題, 導致研究者和管理者質疑預測結果的科學性。同時, 學術界農(nóng)業(yè)生產(chǎn)碳排放的研究主要集中在排放源確定、排放系數(shù)計算、碳排放量估算以及影響因素等方面, 而針對生產(chǎn)投入導致作物碳排放預測研究薄弱。人工神經(jīng)網(wǎng)絡在農(nóng)業(yè)生產(chǎn)上應用較多, 如作物產(chǎn)量、土壤養(yǎng)分、耕地質量、病蟲害、氣象因子預測等。有鑒于此, 本文在前人工作的基礎上, 針對如何客觀預測綠洲玉米生產(chǎn)碳排放這一重要命題, 基于BP人工神經(jīng)網(wǎng)絡算法, 聯(lián)結農(nóng)戶調查和碳排放系數(shù), 建立河西綠洲玉米生產(chǎn)碳排放預測模型, 并對預測模型有效性進行評估, 該研究可為準確預測農(nóng)業(yè)生產(chǎn)碳排放提供新思路和可操作方法。

    1 材料與方法

    1.1 數(shù)據(jù)收集及處理

    研究區(qū)位于甘肅省民勤縣(103°05′E, 38°38′N), 選取河西綠洲246家玉米種植面積介于0.20~0.27 hm2的農(nóng)戶, 面對面調查農(nóng)戶勞動力數(shù)量、玉米種植面積、播種量、化肥投入、有機肥、地膜用量、機械燃油、灌溉用電和農(nóng)藥投入數(shù)據(jù), 查閱和梳理國內外玉米生產(chǎn)各環(huán)節(jié)碳排放系數(shù)(表1)。按照“就近原則”, 先選擇接近研究區(qū)的碳排放系數(shù), 其次選擇國外報道的系數(shù)值。農(nóng)場內農(nóng)戶尺度玉米生產(chǎn)碳排放值計算[11]如公式(1)所示。

    corn=(labor×labor+seed×seed+fer×fer+manure×manure+mulch×mulch+df×df+pes×pes+ie×ie)×corn/DM(1)

    式中:corn表示玉米碳排放總量[kg(CO2-eq)?kg-1(DM)],labor、seed、fer、manuremulch、df、pes、ie、corn和DM分別表示勞動力投入數(shù)量(人×hm-2)、種子用量(kg×hm-2)、化肥投入量(kg×hm-2)、農(nóng)家肥投入量(kg×hm-2)、地膜用量(kg×hm-2)、機械柴油用量(L×hm-2)、農(nóng)藥用量(kg×hm-2)、灌溉用電(kW×h×hm-2)、玉米種植總面積(hm2)和玉米總干物質產(chǎn)量(kg),labor、seed、fer、manure、mulch、df、pes、ie分別表示表1中羅列的勞動力、種子生產(chǎn)、化肥生產(chǎn)與使用、農(nóng)家肥使用、地膜生產(chǎn)、機械柴油、農(nóng)藥生產(chǎn)和灌溉用電的碳排放系數(shù)。

    表1 玉米生產(chǎn)過程各環(huán)節(jié)的碳排放系數(shù)

    為了統(tǒng)一度量玉米生產(chǎn)碳排放, 國際氣候變化委員會(Intergovernmental Panel on Climate Change, IPCC)規(guī)定以CO2為度量溫室效應的基本單位, 即1 t CO2-eq=25 t CH4=298 t N2O。

    1.2 BP神經(jīng)網(wǎng)絡算法

    Topuz[20]認為人工神經(jīng)網(wǎng)絡基于計算模型, 該模型通過模擬人腦神經(jīng)元網(wǎng)絡進行信息處理。常見的人工神經(jīng)網(wǎng)絡由輸入層、隱藏層和輸出層3部分組成, 每層均由稱為節(jié)點的元素組成。在人工神經(jīng)網(wǎng)絡應用研究中, 作為前向網(wǎng)絡核心部分的BP(Back-propagation, BP)神經(jīng)網(wǎng)絡算法的應用范圍較為普遍[21]。

    BP神經(jīng)網(wǎng)絡是監(jiān)督式學習算法, 其學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成, 輸入樣本從輸入層不經(jīng)過任何計算進行輸入, 輸入層節(jié)點的個數(shù)通常取輸入向量的維數(shù)。隱含層通過激活函數(shù), 通過反復試湊的方法確定隱含層節(jié)點個數(shù)。輸出節(jié)點的個數(shù)通常取輸出向量的維數(shù), 若輸出層的實際輸出與期望的輸出不等, 則轉到誤差的反向傳播階段。信號正向傳播與誤差反向傳播的各層權值調整過程, 是周而復始進行的。權值不斷調整的過程, 也就是網(wǎng)絡的學習訓練過程。此過程一直進行到網(wǎng)路輸出的誤差減少到可接受的程度, 或進行到預先設定的學習時間, 或進行到預先設定的學習次數(shù)為止。根據(jù)Kolmogorov定理, 具有1個隱層的3層BP神經(jīng)網(wǎng)絡能在閉集上以任意精度逼近任意非線性連續(xù)函數(shù)[5]。本研究選擇單隱層BP神經(jīng)網(wǎng)絡, 如圖1所示。

    圖1 基于BP神經(jīng)網(wǎng)絡的玉米生產(chǎn)碳排放預測模型

    式中: 激活函數(shù)()為單極性函數(shù), 如公式(4):

    ()=1/(1+e) (4)

    ()具有連續(xù)可導的特點, 根據(jù)應用需要,()可為雙極性函數(shù), 如公式(5):

    ()= (1-e)/(1+e) (5)

    BP神經(jīng)網(wǎng)絡算法性能評價通過網(wǎng)絡訓練數(shù)據(jù)和實際數(shù)據(jù)的差值大小來衡量[4], 如公式(6):

    式中:為訓練集向量數(shù)據(jù)索引,為輸出向量數(shù)據(jù)索引,t為期望輸出向量,z為輸出層輸出向量?;谏鲜鲈? 選擇相關系數(shù)(coefficient of correlation,2)、均方根誤差(root mean square error,RMSE)和平均絕對誤差(mean absolute error, MAE)進行模型的驗證。

    式中:為數(shù)據(jù)集樣本量,t為第個樣本實測值,z為第個樣本的BP神經(jīng)網(wǎng)絡預測值。

    1.3 多重共線性診斷

    為證明多元回歸模型可靠性, 該研究運用貝爾斯利等[22]提出的條件數(shù)與病態(tài)指數(shù)診斷方法, 定義為公式(10):

    式中:為自變量的相關系數(shù)矩陣;max()、min()分別為矩陣的最大和最小特征值;(R)表示多重共線性程度。該診斷方法規(guī)定: 若(R)<100, 則認為共線程度很小; 若100≤(R)<1 000, 則認為存在中等程度或較強的共線程度; 若(R)>1 000, 則認為存在嚴重的多重共線性。

    基于多重共線性診斷方法, 本研究選擇Matlab2014Ra, 利用其相關系數(shù)函數(shù)corrcoef( )、特征值函數(shù)eig( )計算得出研究區(qū)玉米生產(chǎn)各投入自變量之間線性程度(R)= –2.747 9e+18 <100, 即共線程度很小。

    多元線性回歸和多元非線性回歸模型的編程實現(xiàn)同樣在Matlab2014Ra環(huán)境中, 選擇多元線性回歸函數(shù)Regress( )和多元非線性回歸函數(shù)nlinfit( )進行驗證實驗, 多元線性回歸Regress( )函數(shù)建立的模型如公式(11):

    考慮到多元非線性模型的多態(tài)性, 本研究利用多元非線性回歸函數(shù)nlinfit( )建立兩種模型進行算法有效性驗證, 其模型如公式(12)和(13):

    1.4 實驗環(huán)境與數(shù)據(jù)處理

    本研究選擇Matlab2014Ra作為BP神經(jīng)網(wǎng)絡算法的實驗環(huán)境, 并對246家農(nóng)戶數(shù)據(jù)進行隨機劃分[23], 其中訓練集占60%, 驗證集占25%, 測試集占15%, 訓練集、驗證集和測試集的數(shù)據(jù)量依次為148、62和36。輸入層數(shù)據(jù)包括勞動力數(shù)量、玉米種植面積、種子生產(chǎn)碳排放、化肥碳排放、有機肥碳排放、地膜生產(chǎn)碳排放、機械燃油碳排放、農(nóng)藥碳排放和灌溉用電碳排放, 農(nóng)戶玉米生產(chǎn)碳排放總量作為輸出層, 運用歸一化函數(shù)premnmx( )將輸入數(shù)據(jù)或輸出數(shù)據(jù)進行歸一化處理。選擇BP網(wǎng)絡創(chuàng)建函數(shù)feedforwardnet( )建立BP網(wǎng)絡結構, 隱含層隱層神經(jīng)元數(shù)設為1到15, 輸出層為1個神經(jīng)元。選擇隱含層和輸出層神經(jīng)元傳遞函數(shù)tansig( )函數(shù)和purelin( )函數(shù)。采用Levenberg-Marquardt算法, 為尋找最優(yōu)預測結構, 對隱含層節(jié)點進行逐點測試。

    2 結果與分析

    2.1 民勤綠洲玉米生產(chǎn)碳排放評估試驗結果

    民勤綠洲農(nóng)場內農(nóng)戶尺度基于碳足跡生命周期的玉米生產(chǎn)碳排放值為0.758kg(CO2-eq)?kg-1(DM), 而其基于BP神經(jīng)網(wǎng)絡的預測值為0.763kg(CO2-eq)?kg-1(DM), 9-10-1結構為最優(yōu)BP網(wǎng)絡預測結構(圖1), 即9節(jié)點輸入層, 10節(jié)點隱含層和1節(jié)點輸出層。在訓練期和驗證期, 隱含節(jié)點為10的RMSE、MAE和MSE均比其他任何節(jié)點都小, 分別為0.063 8(訓練期RMSE)、0.043 6(訓練期MAE)、1.49E-04(訓練期MSE)、0.067 1(驗證期RMSE)、0.050 7(驗證期MAE)和2.51E-04(驗證期MSE), 其相關系數(shù)均比其他任何節(jié)點大, 分別為0.985 8(訓練期2)和0.984 2(驗證期2), 統(tǒng)計值如表2所示。

    表2 單隱含層不同節(jié)點數(shù)中BP神經(jīng)網(wǎng)絡預測模型的訓練集與驗證集玉米生產(chǎn)碳排放的均方根誤差(RMSE)、平均絕對誤差(MAE)、R2和均方誤差(MSE)

    1)最優(yōu)BP結構。1) The best topology.

    2.2 算法有效性驗證

    為了驗證BP神經(jīng)網(wǎng)絡算法對碳排放評估的有效性, 本研究選擇多元線性回歸模型[公式(11)]和多元非線性回歸模型[公式(12)、(13)], 選擇測試集數(shù)據(jù)預測玉米生產(chǎn)碳排放值, 并與9-10-1結構的BP神經(jīng)網(wǎng)絡算法預測的碳排放值進行比較, 以相關系數(shù)2、均方根誤差RMSE和平均絕對誤差MAE作為評價標準, 從而證明BP神經(jīng)網(wǎng)絡算法的有效性。相關系數(shù)2越接近于1說明預測程度越好, 均方根誤差RMSE和平均絕對誤差MAE越小說明預測的效果越好。

    結果表明, 測試集BP神經(jīng)網(wǎng)絡中RMSE(0.069 1)、MAE(0.051 3)均比多元線性回歸和多元非線性回歸模型小, 并且BP神經(jīng)網(wǎng)絡中2(0.984 7)比其他模型的2值高(表3)。說明BP神經(jīng)網(wǎng)絡算法能夠有效預測河西綠洲玉米生產(chǎn)碳排放。

    表3 測試集BP神經(jīng)網(wǎng)絡、非線性回歸和線性回歸模型預測玉米生產(chǎn)碳排放的根誤差(RMSE)、平均絕對誤差(MAE)和R2統(tǒng)計值

    1) 最優(yōu)模型。1) The best model.

    3 討論

    BP神經(jīng)網(wǎng)絡廣泛應用于農(nóng)業(yè)生態(tài)學領域的預測研究, 為了建立更好的網(wǎng)絡結構模型, 隱含層個數(shù)需要不斷訓練才能確定[23]。本研究隱含層個數(shù)10多于Khoshnevisan等[5]運用人工神經(jīng)網(wǎng)絡算法預測伊朗馬鈴薯生產(chǎn)過程中的能量輸出模型中的隱含層個數(shù)8, 但與?akmak等[24]運用相同算法預測葡萄()干燥速率的隱含層個數(shù)一致。相似的是, 本研究的預測相關系數(shù)0.984 7低于?akmak報道的0.999 1, 但高于Khoshnevisan等[5]報道的0.98和Melesse等[7]運用人工神經(jīng)網(wǎng)絡算法預測森林生態(tài)系統(tǒng)CO2通量的相關系數(shù)0.94, 也高于陳喜等[6]利用人工神經(jīng)網(wǎng)絡模型預測氣候變化對博斯騰湖流域徑流的影響相關系數(shù)0.97。作物碳足跡邊界、測算內容、生產(chǎn)投入、產(chǎn)量等因素是影響作物碳排放值的關鍵因素, 同時, 作物碳足跡受區(qū)域氣候條件、農(nóng)作措施、土壤、產(chǎn)量及社會經(jīng)濟等多因素的影響, 以及相同種植模式在不同區(qū)域都會存在差異[11]。本研究玉米碳排放預測值高于梁修如[25]運用生命周期法測算的國內出口玉米碳排放值[0.54 kg(CO2-eq)×kg-1(grain)], 其碳足跡測算內容未考慮種子生產(chǎn)、勞動力投入、農(nóng)家肥投入、施肥引起的土壤碳排放量和籽實含水量; 也高于史磊剛等[11]和曾憲芳等[19]分別運用碳足跡法測算的河北吳橋縣和寧夏平羅縣的玉米碳排放值[0.29 kg(CO2-eq)×kg-1(products)], 其均未考慮勞動力投入、地膜生產(chǎn)、農(nóng)家肥投入的碳排放和土壤施氮肥引起的農(nóng)田N2O排放。但本研究玉米碳排放預測值接近Ma等[26]實測的北美地區(qū)玉米生產(chǎn)碳排放值[0.756 kg(CO2-eq)×kg-1(grain)]。

    本研究提出的基于BP神經(jīng)網(wǎng)絡的玉米生產(chǎn)碳排放預測模型優(yōu)于其他線性和非線性模型, 但研究仍存在不確定。首先, 由于研究區(qū)農(nóng)業(yè)生產(chǎn)投入的碳排放系數(shù)主要引用文獻和IPCC報告數(shù)據(jù), 碳排放系數(shù)值具有不確定性。其次, 246家農(nóng)戶的玉米種植面積介于0.20~0.27 hm2, 調查數(shù)據(jù)略有差異。上述不確定因素主要源于國內及研究區(qū)作物生產(chǎn)碳排放實測數(shù)據(jù)不足。

    4 結論

    本研究通過面對面調查246家玉米種植戶生產(chǎn)投入數(shù)據(jù), 查閱和梳理相似區(qū)域公開發(fā)表的玉米生產(chǎn)環(huán)節(jié)碳排放系數(shù), 主要運用BP神經(jīng)網(wǎng)絡算法對河西綠洲玉米生產(chǎn)碳排放進行評估, 對比研究訓練集和驗證集BP神經(jīng)網(wǎng)絡隱含層不同節(jié)點對應的RMSE、MAE和2值, 并對BP神經(jīng)網(wǎng)絡算法性能進行評價。研究表明, 9-10-1結構的BP神經(jīng)網(wǎng)絡結構能夠很好地預測河西綠洲玉米生產(chǎn)碳排放。在評估河西綠洲玉米生產(chǎn)碳排放方面, BP神經(jīng)網(wǎng)絡算法要優(yōu)于其他線性及非線性模型, 該算法能夠有效預測河西綠洲玉米生產(chǎn)碳排放, 該研究將為準確預測農(nóng)業(yè)生產(chǎn)碳排放提供思路和參考方法。

    [1] LIU Z L, PENG C H, XIANG W H, et al. Application of artificial neural networks in global climate change and ecological research: An overview[J]. Chinese Science Bulletin, 2010, 55(34): 3853–3863

    [2] ERMIS K, MIDILLI A, DINCER I, et al. Artificial neural network analysis of world green energy use[J]. Energy Policy, 2007, 35(3): 1731–1743

    [3] CLAIR T A, EHRMAN J M. Variations in discharge and dissolved organic carbon and nitrogen export from terrestrial basins with changes in climate: A neural network approach[J]. Limnology and Oceanography, 1996, 41(5): 921–927

    [4] VIOTTI P, LIUTI G, GENOVA P D. Atmospheric urban pollution: Applications of an artificial neural network (ANN) to the city of Perugia[J]. Ecological Modelling, 2002, 148(1): 27–46

    [5] KHOSHNEVISAN B, RAFIEE S, OMID M, et al. Application of artificial neural networks for prediction of output energy and GHG emissions in potato production in Iran[J]. Agricultural Systems, 2014, 123: 120–127

    [6] 陳喜, 吳敬祿, 王玲. 人工神經(jīng)網(wǎng)絡模型預測氣候變化對博斯騰湖流域徑流影響[J]. 湖泊科學, 2005, 17(3): 207–212CHEN X, WU J L, WANG L. Prediction of climate change impacts on streamflow of lake Bosten using artificial neural network model[J]. Journal of Lake Sciences, 2005, 17(3): 207–212

    [7] MELESSE A M, HANLEY R S. Artificial neural network application for multi-ecosystem carbon flux simulation[J]. Ecological Modelling, 2005, 189(3/4): 305–314

    [8] 紀廣月. 基于灰色關聯(lián)分析的BP神經(jīng)網(wǎng)絡模型在中國碳排放預測中的應用[J]. 數(shù)學的實踐與認識, 2014, 44(14): 243–249 JI G Y. Application of BP neural network model in the prediction of China’s carbon emissions based on grey correlation analysis[J]. Mathematics in Practice and Theory, 2014, 44(14): 243–249

    [9] 李明峰, 董云社, 耿元波, 等. 農(nóng)業(yè)生產(chǎn)的溫室氣體排放研究進展[J]. 山東農(nóng)業(yè)大學學報: 自然科學版, 2003, 34(2): 311–314 LI M F, DONG Y S, GENG Y B, et al. Progress of study on emissions of greenhouse gases of agriculture[J]. Journal of Shandong Agricultural University: Natural Science, 2003, 34(2): 311–314

    [10] 陳昌毓. 河西走廊糧倉的生態(tài)環(huán)境代價[J]. 大自然, 2013, (6): 21–22 CHEN C Y. The cost of ecological environment for granary in Hexi Oasis[J]. China Nature, 2013, (6): 21–22

    [11] 史磊剛, 陳阜, 孔凡磊, 等. 華北平原冬小麥-夏玉米種植模式碳足跡研究[J]. 中國人口?資源與環(huán)境, 2011, 21(9): 93–98 SHI L G, CHEN F, KONG F L, et al. The carbon footprint of winter wheat-summer maize cropping pattern on North China Plain[J]. China Population Resources and Environment, 2011, 21(9): 93–98

    [12] LAL R. Soil carbon sequestration impacts on global climate change and food security[J]. Science, 2004, 304(5677): 1623–1627

    [13] 逯非, 王效科, 韓冰, 等. 中國農(nóng)田施用化學氮肥的固碳潛力及其有效性評價[J]. 應用生態(tài)學報, 2008, 19(10): 2239–2250 LU F, WANG X K, HAN B, et al. Assessment on the availability of nitrogen fertilization in improving carbon sequestration potential of China’s cropland soil[J]. Chinese Journal of Applied Ecology, 2008, 19(10): 2239–2250

    [14] CHENG K, PAN G X, SMITH P, et al. Carbon footprint of China’s crop production — An estimation using agro-statistics data over 1993–2007[J]. Agriculture, Ecosystems and Environment, 2011, 142(3/4): 231–237

    [15] DUBEY A, LAL R. Carbon footprint and sustainability of agricultural production systems in Punjab, India, and Ohio, USA[J]. Journal of Crop Improvement, 2009, 23(4): 332–350

    [16] ADOM F, MAES A, WORKMAN C, et al. Regional carbon footprint analysis of dairy feeds for milk production in the USA[J]. The International Journal of Life Cycle Assessment, 2012, 17(5): 520–534

    [17] Intergovernmental Panel on Climate Change (IPCC). 2006 IPCC Guidelines for National Greenhouse Gas Inventories[M]. Hayama, Japan: Institute for Global Environmental Strategies, 2006

    [18] 柯水發(fā), 李彪, 楊育紅, 等. 林場運營碳足跡及林木資源碳儲量測算——以內蒙古赤峰市旺業(yè)甸林場為例[J]. 林業(yè)經(jīng)濟, 2013, (9): 93-101 KE S F, LI B, YANG Y H, et al. The evaluation of carbon footprint from the operation of forest farm and carbon storage by forest resources — Based on the Wangyedian Forest Farm in Chifeng of Inner Mongolia[J]. Forestry Economics, 2013, (9): 93–101

    [19] 曾憲芳, 趙世偉, 李曉曉, 等. 寧夏回族自治區(qū)平羅縣主要農(nóng)作物碳足跡研究[J]. 水土保持通報, 2012, 32(5): 61–65 ZENG X F, ZHAO S W, LI X X, et al. Main crops carbon footprint in Pingluo County of the Ningxia Hui Autonomous Region[J]. Bulletin of Soil and Water Conservation, 2012, 32(5): 61–65

    [20] TOPUZ A. Predicting moisture content of agricultural products using artificial neural networks[J]. Advances in Engineering Software, 2010, 41(3): 464–470

    [21] 樊振宇. BP神經(jīng)網(wǎng)絡模型與學習算法[J]. 軟件導刊, 2011, 10(7): 66–68 FAN Z Y. The model and algorithm of BP neural network[J]. Software Guide, 2011, 10(7): 66–68

    [22] 趙松山, 白雪梅. 關于多重共線性檢驗方法的研究[J]. 中國煤炭經(jīng)濟學院學報, 2001, 15(4): 296–300 ZHAO S S, BAI X M. Research on the test for multi-co linearity[J]. Journal of China Coal Economic College, 2001, 15(4): 296–300

    [23] 沈花玉, 王兆霞, 高成耀, 等. BP神經(jīng)網(wǎng)絡隱含層單元數(shù)的確定[J]. 天津理工大學學報, 2008, 24(5): 13–15SHEN H Y, WANG Z X, GAO C Y, et al. Determining the number of BP neural network hidden layer units[J]. Journal of Tianjin University of Technology, 2008, 24(5): 13–15

    [24] ?AKMAK G, YILDIZ C. The prediction of seedy grape drying rate using a neural network method[J]. Computers and Electronics in Agriculture, 2011, 75(1): 132–138

    [25] 梁修如. 我國出口谷物產(chǎn)品的碳足跡分析[D]. 合肥: 中國科學技術大學, 2015: 22–23LIANG X R. Carbon footprint of Chinese export grains[D]. Hefei: University of Sciences and Technology of China, 2015: 22–23

    [26] MA B L, LIANG B C, BISWAS D K, et al. The carbon footprint of maize production as affected by nitrogen fertilizer and maize-legume rotations[J]. Nutrient Cycling in Agroecosystems, 2012, 94(1): 15–31

    Application and validity of BP neural networks on prediction of carbon emissions from corn production in Hexi Oasis*

    YAN Zhengang1, LI Wei2, YAN Tianhai3, WANG Jun1, CHEN Lei1, LU Yulan1, LIU Huan1, TANG Jie1, ZHANG Lei1, CHEN Yujuan1, CHANG Shenghua4, HOU Fujiang4

    (1. College of Information & Science Technology, Gansu Agricultural University, Lanzhou 730070, China; 2. College of Finance & Economics, Gansu Agricultural University, Lanzhou 730070, China; 3. Agri-Food and Biosciences Institute, Hillsborough, Co. Down BT26 6DR, United Kingdom; 4. College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730000, China)

    Back-propagation (BP) neural network has been widely used in global climate change researches in recent years. There is also increasing research interests in the application of BP neural network on predicting carbon emission from agricultural lands. Hexi Oasis in the northern side of Qilian Mountain accounts for over 30% of total grain and over 70% of commercial grain production in Gansu Province, of which corn is the primary food crop. However, there has been little research in carbon emissions from corn fields in Hexi Oasis. Therefore, the objectives of this study were to predict carbon emissions from corn production in Hexi Oasis using BP neural network algorithm and to validate the performance of BP neural network algorithm against multiple linear regression and non-linear regression models. This study was done in Minqin Oasis (103°05′E, 38°38′N) located at the downstream of Shiyanghe River in Hexi Corridor. Data were collected on 246 local farms in a face-to-face questionnaire-driven survey. The data of production inputs were used as the inputs for the model in farm and the value of carbon emissions calculated using life-cycle assessment based on carbon emission factors published in the literatures about the similar regions and default figures reported by Inter-governmental Panel on Climate Change (IPCC). In order to predict carbon emissions based on BP neural network, the numbers of node in the hidden layer were calculated by trial and error. The results indicated that neural network structure with three layers predicted carbon emissions in corn productions in Hexi Oasis and the number of nodes for the input layer, hidden layer and output layer were 9, 10 and 1, respectively. The evaluated carbon emission was 0.763 kg(CO2-eq)?kg-1(DM) in the study area. To verify the validity of the BP neural network model, multiple linear regression and non-linear regression models were developed using the same dataset.The results indicated that the correlation coefficient (2= 0.984 7) of BP neural network model with the 9-10-1 structure was higher than that for the corresponding multiple linear regression and non-linear regression models. Also the root mean square error (RMSE = 0.069 1) and mean absolute error (MAE = 0.051 3) of BP model were lower than those of the corresponding multiple linear regression and non-linear regression models. Therefore, the performance of BP neural network model was better than that of the regression models. The BP neural network model developed in this study using data collected from the local farms in Hexi Oaiss combined the local practices and regional carbon emission factors, consequently providing a practical tool applicable in the prediction of carbon emissions in corn fields. Moreover, the validity of BP neural network model was also verified through comparison with multiple linear regression and non-linear regression models, which improved the reliability of its practical application. Therefore, the results of this study contributed new ideas and development methods to accurately predict carbon emissions in agricultural fields for the government and scientific community.

    BP neural network; Corn production; Carbon emission; Algorithm validity; Life cycle assessment; Prediction model

    , YAN Zhengang, E-mail: yanzhg@gsau.edu.cn

    Jan. 17, 2018;

    Apr. 24, 2018

    TP399

    A

    1671-3990(2018)08-1100-07

    10.13930/j.cnki.cjea.180084

    2018-01-17

    2018-04-24

    * This research was funded by the National Natural Science Foundation of China (31660347).

    * 國家自然科學基金項目(31660347)資助

    燕振剛, 主要研究方向為信息技術在農(nóng)業(yè)中的應用。E-mail: yanzhg@gsau.edu.cn

    燕振剛, 李薇, Yan Tianhai, 王鈞, 陳蕾, 逯玉蘭, 劉歡, 唐潔, 張磊, 陳玉娟, 常生華, 侯扶江. BP神經(jīng)網(wǎng)絡算法在河西綠洲玉米生產(chǎn)碳排放評估中的應用及算法有效性研究[J]. 中國生態(tài)農(nóng)業(yè)學報, 2018, 26(8): 1100-1106

    YAN Z G, LI W, YAN T H, WANG J, CHEN L, LU Y L, LIU H, TANG J, ZHANG L, CHEN Y J, CHANG S H, HOU F J. Application and validity of BP neural networks on prediction of carbon emissions from corn production in Hexi Oasis[J]. Chinese Journal of Eco-Agriculture, 2018, 26(8): 1100-1106

    猜你喜歡
    人工神經(jīng)網(wǎng)絡綠洲神經(jīng)網(wǎng)絡
    綠洲里的老先生
    沙漠綠洲
    學生天地(2020年19期)2020-06-01 02:11:36
    利用人工神經(jīng)網(wǎng)絡快速計算木星系磁坐標
    神經(jīng)網(wǎng)絡抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    人工神經(jīng)網(wǎng)絡實現(xiàn)簡單字母的識別
    電子制作(2019年10期)2019-06-17 11:45:10
    基于神經(jīng)網(wǎng)絡的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    復數(shù)神經(jīng)網(wǎng)絡在基于WiFi的室內LBS應用
    留一片綠洲 此處腎好
    心中有塊美麗的綠洲
    中國火炬(2015年7期)2015-07-31 17:40:00
    基于支持向量機回歸和RBF神經(jīng)網(wǎng)絡的PID整定
    欧美最黄视频在线播放免费| 免费在线观看亚洲国产| 淫秽高清视频在线观看| 母亲3免费完整高清在线观看| 国产精品久久久久久人妻精品电影| 色精品久久人妻99蜜桃| 久久人人精品亚洲av| 亚洲av成人av| 特级一级黄色大片| 两性夫妻黄色片| 老鸭窝网址在线观看| 两个人的视频大全免费| 一本一本综合久久| 亚洲精品在线观看二区| 精品久久久久久成人av| 亚洲国产欧洲综合997久久,| 国产精品乱码一区二三区的特点| 老司机福利观看| 男人舔女人下体高潮全视频| 九色国产91popny在线| 亚洲无线在线观看| 小说图片视频综合网站| 99久久国产精品久久久| 丁香欧美五月| 脱女人内裤的视频| 黄色视频,在线免费观看| 日韩中文字幕欧美一区二区| 女生性感内裤真人,穿戴方法视频| 国产黄片美女视频| 久久久国产成人精品二区| 免费电影在线观看免费观看| 中文资源天堂在线| 老鸭窝网址在线观看| 日本精品一区二区三区蜜桃| 一级黄色大片毛片| av片东京热男人的天堂| 亚洲av日韩精品久久久久久密| 不卡一级毛片| 美女高潮的动态| 亚洲熟妇中文字幕五十中出| av福利片在线观看| 国产激情偷乱视频一区二区| www.精华液| 亚洲男人的天堂狠狠| 男女那种视频在线观看| 国产av一区在线观看免费| 国产单亲对白刺激| 欧美成人一区二区免费高清观看 | 一进一出好大好爽视频| 成人特级黄色片久久久久久久| 韩国av一区二区三区四区| 亚洲成a人片在线一区二区| 禁无遮挡网站| 国产黄色小视频在线观看| 国产伦精品一区二区三区视频9 | 欧美丝袜亚洲另类 | 欧美一区二区精品小视频在线| 窝窝影院91人妻| 久久久国产成人免费| 欧美性猛交╳xxx乱大交人| 久久欧美精品欧美久久欧美| 亚洲av成人精品一区久久| 黄频高清免费视频| 免费电影在线观看免费观看| av天堂在线播放| 精品一区二区三区av网在线观看| 久久精品91无色码中文字幕| 巨乳人妻的诱惑在线观看| 午夜福利高清视频| 人妻丰满熟妇av一区二区三区| 麻豆国产av国片精品| 亚洲精品粉嫩美女一区| 一区二区三区高清视频在线| 小蜜桃在线观看免费完整版高清| 日韩有码中文字幕| 亚洲熟妇熟女久久| 国产高潮美女av| 亚洲在线观看片| 久久久久国内视频| 麻豆国产97在线/欧美| 日韩人妻高清精品专区| 此物有八面人人有两片| 老汉色∧v一级毛片| 国产精品99久久99久久久不卡| 精华霜和精华液先用哪个| 亚洲国产欧美网| 无人区码免费观看不卡| 狠狠狠狠99中文字幕| 国产免费av片在线观看野外av| 国产精品久久久人人做人人爽| 国产精品久久久人人做人人爽| 久久中文看片网| 激情在线观看视频在线高清| 国产男靠女视频免费网站| 亚洲熟妇中文字幕五十中出| 两个人视频免费观看高清| 在线免费观看不下载黄p国产 | 久久精品夜夜夜夜夜久久蜜豆| 亚洲午夜理论影院| 美女扒开内裤让男人捅视频| 亚洲成av人片免费观看| 欧美黑人巨大hd| 观看美女的网站| 亚洲中文av在线| 国产精品久久久人人做人人爽| 日本五十路高清| 国产一级毛片七仙女欲春2| 久久久久免费精品人妻一区二区| 久久久久精品国产欧美久久久| 非洲黑人性xxxx精品又粗又长| 岛国在线免费视频观看| 国产三级黄色录像| 国内揄拍国产精品人妻在线| 成年女人看的毛片在线观看| 波多野结衣巨乳人妻| 色综合欧美亚洲国产小说| 丝袜人妻中文字幕| 亚洲性夜色夜夜综合| 精品久久久久久,| 亚洲电影在线观看av| 日本成人三级电影网站| 一个人看的www免费观看视频| 午夜精品一区二区三区免费看| 桃色一区二区三区在线观看| 99在线视频只有这里精品首页| 51午夜福利影视在线观看| 丰满的人妻完整版| 97超视频在线观看视频| av国产免费在线观看| 91字幕亚洲| 黑人巨大精品欧美一区二区mp4| 韩国av一区二区三区四区| 免费观看精品视频网站| 国产激情久久老熟女| 亚洲精品456在线播放app | 国模一区二区三区四区视频 | 欧美日韩国产亚洲二区| 精品国产乱子伦一区二区三区| 两人在一起打扑克的视频| 美女cb高潮喷水在线观看 | 丰满人妻熟妇乱又伦精品不卡| 亚洲人成电影免费在线| 一个人观看的视频www高清免费观看 | 久久人妻av系列| 97超级碰碰碰精品色视频在线观看| 久久久久国内视频| 狠狠狠狠99中文字幕| 最近视频中文字幕2019在线8| 99热只有精品国产| 国产高清激情床上av| 亚洲国产精品999在线| 国产精品影院久久| av在线蜜桃| 午夜福利在线观看免费完整高清在 | 99riav亚洲国产免费| 亚洲国产欧美人成| 久久亚洲精品不卡| av国产免费在线观看| 12—13女人毛片做爰片一| h日本视频在线播放| www日本在线高清视频| 少妇的逼水好多| 天堂影院成人在线观看| 国内久久婷婷六月综合欲色啪| 国产精品永久免费网站| 啦啦啦韩国在线观看视频| 成人av在线播放网站| 免费av不卡在线播放| 久久久久久久久中文| 男女那种视频在线观看| 日本在线视频免费播放| 欧美3d第一页| 欧美日韩福利视频一区二区| 亚洲成av人片免费观看| 国产精品久久视频播放| 两个人视频免费观看高清| 久久中文字幕人妻熟女| 一个人免费在线观看的高清视频| 亚洲熟妇中文字幕五十中出| 观看美女的网站| 18美女黄网站色大片免费观看| 久久这里只有精品19| 美女高潮的动态| 亚洲欧洲精品一区二区精品久久久| 久久久久国产一级毛片高清牌| 无人区码免费观看不卡| 午夜激情欧美在线| 成年女人毛片免费观看观看9| 国产伦在线观看视频一区| 女同久久另类99精品国产91| 午夜视频精品福利| 久久精品人妻少妇| 色在线成人网| 亚洲乱码一区二区免费版| 国产精品久久久久久亚洲av鲁大| 免费高清视频大片| 午夜福利视频1000在线观看| 欧美日韩亚洲国产一区二区在线观看| 亚洲午夜精品一区,二区,三区| 国产精品av视频在线免费观看| 日日干狠狠操夜夜爽| 久久精品国产99精品国产亚洲性色| 国产探花在线观看一区二区| 国产1区2区3区精品| 国产v大片淫在线免费观看| 亚洲av中文字字幕乱码综合| 两个人的视频大全免费| 99re在线观看精品视频| 国产精品av视频在线免费观看| 999久久久国产精品视频| 免费在线观看影片大全网站| 身体一侧抽搐| 成人av一区二区三区在线看| 99久久久亚洲精品蜜臀av| 国产午夜福利久久久久久| 黄色 视频免费看| 中文亚洲av片在线观看爽| 亚洲精品在线美女| 亚洲中文字幕日韩| av在线蜜桃| 日本免费一区二区三区高清不卡| 亚洲精品在线美女| 色哟哟哟哟哟哟| 国产乱人视频| 日韩免费av在线播放| 日韩免费av在线播放| 国产精品久久久久久亚洲av鲁大| 色综合亚洲欧美另类图片| 90打野战视频偷拍视频| 亚洲无线在线观看| 欧美日韩中文字幕国产精品一区二区三区| 老汉色av国产亚洲站长工具| 噜噜噜噜噜久久久久久91| 亚洲五月天丁香| 亚洲欧美激情综合另类| 亚洲avbb在线观看| 制服人妻中文乱码| 老司机深夜福利视频在线观看| 国产乱人伦免费视频| 亚洲中文字幕一区二区三区有码在线看 | 国产精品99久久99久久久不卡| 国产亚洲av高清不卡| 成年女人看的毛片在线观看| 我的老师免费观看完整版| 一区二区三区高清视频在线| 999久久久国产精品视频| 国产男靠女视频免费网站| 一级a爱片免费观看的视频| 日韩成人在线观看一区二区三区| 日本精品一区二区三区蜜桃| а√天堂www在线а√下载| 欧美成人性av电影在线观看| 欧美黑人巨大hd| 禁无遮挡网站| 日韩高清综合在线| 欧美3d第一页| 国产成人精品久久二区二区免费| 波多野结衣高清无吗| 日韩欧美精品v在线| 国产高清激情床上av| 亚洲中文av在线| 日本a在线网址| 欧美激情在线99| 狠狠狠狠99中文字幕| 中亚洲国语对白在线视频| 99精品久久久久人妻精品| 桃色一区二区三区在线观看| 午夜精品一区二区三区免费看| 天天一区二区日本电影三级| 1000部很黄的大片| 好男人电影高清在线观看| a级毛片在线看网站| 亚洲九九香蕉| 久久久久久久精品吃奶| 亚洲色图 男人天堂 中文字幕| 午夜成年电影在线免费观看| 一区二区三区国产精品乱码| 亚洲精品一卡2卡三卡4卡5卡| 黄色 视频免费看| 欧美在线黄色| АⅤ资源中文在线天堂| 少妇裸体淫交视频免费看高清| 亚洲国产欧美一区二区综合| 国产亚洲av嫩草精品影院| 欧美3d第一页| 久久人妻av系列| 色综合婷婷激情| 国产视频一区二区在线看| 国产爱豆传媒在线观看| 久久婷婷人人爽人人干人人爱| 国产精品九九99| 欧美xxxx黑人xx丫x性爽| 国产成人一区二区三区免费视频网站| 欧美一级毛片孕妇| 免费观看精品视频网站| 欧美精品啪啪一区二区三区| 一区二区三区高清视频在线| 美女免费视频网站| АⅤ资源中文在线天堂| 午夜亚洲福利在线播放| 久久天躁狠狠躁夜夜2o2o| 亚洲人成电影免费在线| 亚洲男人的天堂狠狠| 一级毛片精品| 国产精品一区二区精品视频观看| www.自偷自拍.com| 他把我摸到了高潮在线观看| 欧美成人性av电影在线观看| 日本黄色片子视频| netflix在线观看网站| 好男人电影高清在线观看| 国产精品九九99| 欧美色视频一区免费| 亚洲国产中文字幕在线视频| 中文字幕av在线有码专区| 成年女人看的毛片在线观看| 国产又色又爽无遮挡免费看| 欧美日韩乱码在线| 日韩有码中文字幕| 校园春色视频在线观看| 中文字幕av在线有码专区| 亚洲一区二区三区色噜噜| 啦啦啦免费观看视频1| 国产精品九九99| 国产成人精品无人区| 老司机午夜十八禁免费视频| 日韩欧美国产在线观看| 国产免费男女视频| 久久久久久九九精品二区国产| 99精品欧美一区二区三区四区| 久久亚洲真实| 成熟少妇高潮喷水视频| 国产亚洲精品综合一区在线观看| 999久久久国产精品视频| 久久精品影院6| 在线观看午夜福利视频| 欧美色欧美亚洲另类二区| 淫妇啪啪啪对白视频| 无限看片的www在线观看| 999久久久精品免费观看国产| 久久99热这里只有精品18| 午夜亚洲福利在线播放| 成人av在线播放网站| 精品午夜福利视频在线观看一区| 狂野欧美激情性xxxx| 校园春色视频在线观看| 午夜福利成人在线免费观看| 亚洲午夜理论影院| 一区二区三区高清视频在线| 国产私拍福利视频在线观看| 国产成人精品无人区| 又爽又黄无遮挡网站| 亚洲av成人一区二区三| 每晚都被弄得嗷嗷叫到高潮| 噜噜噜噜噜久久久久久91| 少妇的丰满在线观看| 999精品在线视频| 色综合站精品国产| tocl精华| 丰满人妻熟妇乱又伦精品不卡| 激情在线观看视频在线高清| 一a级毛片在线观看| 天天添夜夜摸| 非洲黑人性xxxx精品又粗又长| 脱女人内裤的视频| 成年女人看的毛片在线观看| 91av网一区二区| 国产一区二区三区在线臀色熟女| 精品一区二区三区视频在线 | 啪啪无遮挡十八禁网站| 99久国产av精品| 黄色日韩在线| 香蕉av资源在线| 午夜亚洲福利在线播放| 桃色一区二区三区在线观看| 国产精品野战在线观看| 男人舔奶头视频| 国产欧美日韩精品亚洲av| 十八禁人妻一区二区| 亚洲国产中文字幕在线视频| 91九色精品人成在线观看| 97碰自拍视频| 国产av不卡久久| 这个男人来自地球电影免费观看| 亚洲欧美精品综合久久99| 日本成人三级电影网站| 五月玫瑰六月丁香| x7x7x7水蜜桃| 午夜两性在线视频| av在线天堂中文字幕| e午夜精品久久久久久久| 99国产综合亚洲精品| 禁无遮挡网站| 亚洲精品456在线播放app | 成人欧美大片| 国产视频一区二区在线看| 99re在线观看精品视频| 成人特级av手机在线观看| 久9热在线精品视频| 国产精品永久免费网站| 欧美不卡视频在线免费观看| 亚洲乱码一区二区免费版| 日韩欧美免费精品| av片东京热男人的天堂| 国产成+人综合+亚洲专区| 一级a爱片免费观看的视频| 午夜福利免费观看在线| 久久久色成人| 最近最新中文字幕大全电影3| 欧美日韩瑟瑟在线播放| 欧美av亚洲av综合av国产av| 中文字幕熟女人妻在线| 无人区码免费观看不卡| 亚洲av片天天在线观看| 日本与韩国留学比较| 岛国在线免费视频观看| 特大巨黑吊av在线直播| 老司机深夜福利视频在线观看| 村上凉子中文字幕在线| 亚洲av电影在线进入| 一进一出抽搐动态| 久久午夜综合久久蜜桃| 成人特级黄色片久久久久久久| 亚洲精品国产精品久久久不卡| 一进一出抽搐动态| 国产亚洲精品一区二区www| 亚洲自拍偷在线| 叶爱在线成人免费视频播放| 很黄的视频免费| 一个人看视频在线观看www免费 | 亚洲午夜精品一区,二区,三区| 亚洲乱码一区二区免费版| 这个男人来自地球电影免费观看| 亚洲一区二区三区不卡视频| 男人舔女人下体高潮全视频| 禁无遮挡网站| 免费看光身美女| 黄频高清免费视频| 久久精品综合一区二区三区| tocl精华| 免费一级毛片在线播放高清视频| 午夜福利高清视频| 亚洲国产欧美人成| av片东京热男人的天堂| 亚洲专区字幕在线| 美女午夜性视频免费| 91久久精品国产一区二区成人 | 国产精品久久久人人做人人爽| 夜夜爽天天搞| 欧美3d第一页| 国产熟女xx| 国产成人系列免费观看| 亚洲国产精品成人综合色| 国内久久婷婷六月综合欲色啪| 精品不卡国产一区二区三区| 亚洲av免费在线观看| 午夜精品久久久久久毛片777| 99国产精品99久久久久| 村上凉子中文字幕在线| 亚洲黑人精品在线| 国产精品永久免费网站| 亚洲中文字幕一区二区三区有码在线看 | 久久人人精品亚洲av| 淫秽高清视频在线观看| 99久国产av精品| 久久香蕉精品热| 九色成人免费人妻av| 午夜激情福利司机影院| 老司机深夜福利视频在线观看| avwww免费| 丝袜人妻中文字幕| 国产欧美日韩精品一区二区| 久久久久亚洲av毛片大全| 久久中文字幕一级| 婷婷丁香在线五月| 成人av一区二区三区在线看| 亚洲成av人片免费观看| 特级一级黄色大片| 91麻豆精品激情在线观看国产| 熟女人妻精品中文字幕| 精品福利观看| 90打野战视频偷拍视频| 亚洲欧洲精品一区二区精品久久久| 麻豆久久精品国产亚洲av| 色吧在线观看| 国产亚洲欧美98| 日本成人三级电影网站| 欧美性猛交黑人性爽| 午夜激情欧美在线| 一区二区三区激情视频| 一边摸一边抽搐一进一小说| 亚洲国产精品合色在线| 日韩欧美免费精品| 成人永久免费在线观看视频| 国产私拍福利视频在线观看| 精品欧美国产一区二区三| 搡老熟女国产l中国老女人| 在线观看一区二区三区| 真人一进一出gif抽搐免费| 91九色精品人成在线观看| 日韩欧美一区二区三区在线观看| 性欧美人与动物交配| 久久久久久九九精品二区国产| 国模一区二区三区四区视频 | 午夜影院日韩av| 国产亚洲精品久久久com| 伊人久久大香线蕉亚洲五| 亚洲精品中文字幕一二三四区| 国产综合懂色| 人人妻人人澡欧美一区二区| 国产成人影院久久av| 亚洲国产欧美网| 99久久精品热视频| 99热6这里只有精品| 亚洲欧美日韩东京热| 色吧在线观看| 欧美丝袜亚洲另类 | 韩国av一区二区三区四区| 国产三级黄色录像| 欧美大码av| 免费看a级黄色片| 俺也久久电影网| 欧美乱色亚洲激情| 深夜精品福利| 精品午夜福利视频在线观看一区| 999久久久精品免费观看国产| 亚洲aⅴ乱码一区二区在线播放| 亚洲无线观看免费| 天堂动漫精品| 熟女少妇亚洲综合色aaa.| 人妻夜夜爽99麻豆av| 亚洲国产欧美一区二区综合| 国产精品亚洲美女久久久| АⅤ资源中文在线天堂| 美女高潮的动态| av在线蜜桃| 亚洲精华国产精华精| 婷婷亚洲欧美| 亚洲欧美日韩卡通动漫| 欧美绝顶高潮抽搐喷水| 岛国在线免费视频观看| 午夜日韩欧美国产| 精品久久久久久久毛片微露脸| 99国产精品99久久久久| 久久香蕉国产精品| 免费在线观看日本一区| 亚洲,欧美精品.| 亚洲欧洲精品一区二区精品久久久| 欧美av亚洲av综合av国产av| 亚洲国产色片| 黑人巨大精品欧美一区二区mp4| 国产伦人伦偷精品视频| 脱女人内裤的视频| 欧美黄色片欧美黄色片| 高清在线国产一区| 久久精品国产亚洲av香蕉五月| 国产亚洲欧美98| 国产高潮美女av| 亚洲欧美日韩高清专用| 国内少妇人妻偷人精品xxx网站 | 老司机深夜福利视频在线观看| 90打野战视频偷拍视频| 免费在线观看日本一区| 国产成年人精品一区二区| 久久伊人香网站| 亚洲国产精品sss在线观看| 又爽又黄无遮挡网站| 午夜影院日韩av| 首页视频小说图片口味搜索| 巨乳人妻的诱惑在线观看| 校园春色视频在线观看| 香蕉av资源在线| 亚洲国产精品久久男人天堂| 男女做爰动态图高潮gif福利片| 欧美大码av| 欧美黄色片欧美黄色片| 久久国产精品人妻蜜桃| 欧美黄色片欧美黄色片| 亚洲天堂国产精品一区在线| 久久精品国产亚洲av香蕉五月| 中出人妻视频一区二区| 亚洲成人精品中文字幕电影| 国产日本99.免费观看| 国产精品综合久久久久久久免费| 国产亚洲av嫩草精品影院| 免费av不卡在线播放| 免费人成视频x8x8入口观看| 国产亚洲精品一区二区www| 淫秽高清视频在线观看| 国产精品野战在线观看| 哪里可以看免费的av片| 日韩大尺度精品在线看网址| 亚洲激情在线av| www.熟女人妻精品国产| 精华霜和精华液先用哪个| 99热6这里只有精品| 午夜视频精品福利| 亚洲成av人片免费观看| 在线观看66精品国产| 最近最新免费中文字幕在线| 岛国在线观看网站| а√天堂www在线а√下载| 免费看光身美女| 在线观看美女被高潮喷水网站 | 国产亚洲精品综合一区在线观看| 国产欧美日韩精品亚洲av| 99热这里只有是精品50| 国产精品,欧美在线| 久久热在线av| 亚洲精品色激情综合| 国内精品久久久久精免费| 岛国视频午夜一区免费看| 99热这里只有是精品50| 欧美黑人欧美精品刺激| 淫妇啪啪啪对白视频|