• <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
    综合色av麻豆| 国产精品永久免费网站| 亚洲va日本ⅴa欧美va伊人久久| 精品一区二区三区视频在线观看免费| 在线免费观看的www视频| 亚洲aⅴ乱码一区二区在线播放| 97超级碰碰碰精品色视频在线观看| 国产 一区 欧美 日韩| 欧美不卡视频在线免费观看| 热99在线观看视频| 午夜老司机福利剧场| 欧美高清性xxxxhd video| 中文资源天堂在线| 亚洲欧美日韩无卡精品| 听说在线观看完整版免费高清| 欧美成人一区二区免费高清观看| 一卡2卡三卡四卡精品乱码亚洲| 伦精品一区二区三区| 日韩欧美 国产精品| 亚洲av免费在线观看| 国产精品久久视频播放| 午夜久久久久精精品| 成年版毛片免费区| 亚洲av.av天堂| 亚洲国产精品成人综合色| 男人狂女人下面高潮的视频| 欧美人与善性xxx| 日韩欧美国产一区二区入口| 免费看美女性在线毛片视频| 91麻豆av在线| 一级黄色大片毛片| 亚洲自偷自拍三级| 国产美女午夜福利| 亚洲国产日韩欧美精品在线观看| 91av网一区二区| 俄罗斯特黄特色一大片| 国产69精品久久久久777片| 国产亚洲精品综合一区在线观看| 日本与韩国留学比较| 嫩草影院精品99| 美女 人体艺术 gogo| 天堂av国产一区二区熟女人妻| 人妻夜夜爽99麻豆av| 深夜精品福利| 欧美xxxx性猛交bbbb| 日日摸夜夜添夜夜添小说| 国产极品精品免费视频能看的| 日日撸夜夜添| 好男人在线观看高清免费视频| 又黄又爽又刺激的免费视频.| 亚洲人成网站在线播放欧美日韩| 精品午夜福利在线看| 99久久精品国产国产毛片| 最近最新中文字幕大全电影3| 国产视频一区二区在线看| 男女做爰动态图高潮gif福利片| 色播亚洲综合网| 亚洲avbb在线观看| av天堂中文字幕网| 亚洲国产欧洲综合997久久,| 99热6这里只有精品| 看片在线看免费视频| 亚洲 国产 在线| 亚洲国产欧美人成| 国产中年淑女户外野战色| 日韩在线高清观看一区二区三区 | 毛片一级片免费看久久久久 | 亚洲真实伦在线观看| 舔av片在线| 97超级碰碰碰精品色视频在线观看| 国产成人一区二区在线| 日本 av在线| 毛片一级片免费看久久久久 | 亚洲欧美日韩无卡精品| 久久午夜福利片| 尤物成人国产欧美一区二区三区| 麻豆久久精品国产亚洲av| 哪里可以看免费的av片| 麻豆av噜噜一区二区三区| 伦精品一区二区三区| 一级a爱片免费观看的视频| 日本免费a在线| 久久精品国产99精品国产亚洲性色| 国产伦一二天堂av在线观看| 国产精品av视频在线免费观看| 啪啪无遮挡十八禁网站| 日本三级黄在线观看| 变态另类成人亚洲欧美熟女| 久久人人爽人人爽人人片va| 精品无人区乱码1区二区| 人人妻人人看人人澡| 久久久午夜欧美精品| 久久久精品欧美日韩精品| 久久99热6这里只有精品| 日韩国内少妇激情av| 黄片wwwwww| 欧美成人a在线观看| 国产在视频线在精品| 在线天堂最新版资源| 免费不卡的大黄色大毛片视频在线观看 | 国产精品自产拍在线观看55亚洲| 人妻久久中文字幕网| 99久久九九国产精品国产免费| 九九久久精品国产亚洲av麻豆| 一边摸一边抽搐一进一小说| 联通29元200g的流量卡| 亚洲专区中文字幕在线| 一夜夜www| 老司机福利观看| 免费av不卡在线播放| 国产成年人精品一区二区| 能在线免费观看的黄片| 亚洲国产日韩欧美精品在线观看| 国产蜜桃级精品一区二区三区| 久久亚洲真实| 淫妇啪啪啪对白视频| 成人毛片a级毛片在线播放| 亚洲av日韩精品久久久久久密| 久久久久性生活片| 变态另类成人亚洲欧美熟女| 欧美性猛交黑人性爽| 日本撒尿小便嘘嘘汇集6| 欧美人与善性xxx| 久久精品久久久久久噜噜老黄 | 在线观看av片永久免费下载| 超碰av人人做人人爽久久| 亚洲欧美精品综合久久99| 国产乱人伦免费视频| 他把我摸到了高潮在线观看| 99热6这里只有精品| 欧美人与善性xxx| 国产 一区精品| 嫩草影院入口| 真实男女啪啪啪动态图| 亚洲真实伦在线观看| 女人十人毛片免费观看3o分钟| 久久久久精品国产欧美久久久| 欧美三级亚洲精品| 欧美一区二区亚洲| 国产色爽女视频免费观看| 在线观看av片永久免费下载| 天天躁日日操中文字幕| 波多野结衣巨乳人妻| 亚洲成人精品中文字幕电影| 99久久无色码亚洲精品果冻| 欧美潮喷喷水| 一a级毛片在线观看| 一本久久中文字幕| 亚洲中文字幕一区二区三区有码在线看| 国产黄a三级三级三级人| 久久精品国产亚洲网站| 婷婷亚洲欧美| 少妇的逼好多水| 成年免费大片在线观看| 全区人妻精品视频| 深爱激情五月婷婷| 亚洲在线自拍视频| 无遮挡黄片免费观看| 毛片一级片免费看久久久久 | 久久精品国产自在天天线| 久久久久国内视频| 伦精品一区二区三区| 99久久精品热视频| 成人性生交大片免费视频hd| 国语自产精品视频在线第100页| 亚洲av美国av| 免费看日本二区| 波野结衣二区三区在线| 露出奶头的视频| 亚洲男人的天堂狠狠| 三级国产精品欧美在线观看| 两个人视频免费观看高清| 老师上课跳d突然被开到最大视频| 中文字幕av成人在线电影| 午夜亚洲福利在线播放| 精品国内亚洲2022精品成人| 久久这里只有精品中国| 麻豆精品久久久久久蜜桃| 成人国产综合亚洲| 国产一区二区在线av高清观看| 女人被狂操c到高潮| 亚洲专区国产一区二区| 亚洲av一区综合| 久久久久久久久久久丰满 | 久久久久国内视频| 国产伦一二天堂av在线观看| 国产国拍精品亚洲av在线观看| 男人狂女人下面高潮的视频| 欧美三级亚洲精品| 69av精品久久久久久| 黄色欧美视频在线观看| 亚洲美女视频黄频| 欧美丝袜亚洲另类 | 亚洲成人久久爱视频| 两性午夜刺激爽爽歪歪视频在线观看| 哪里可以看免费的av片| 国产av一区在线观看免费| 国产爱豆传媒在线观看| 国产精品久久视频播放| 搞女人的毛片| 久久久久久久午夜电影| 又爽又黄a免费视频| 男女啪啪激烈高潮av片| 一区二区三区免费毛片| 国产精品亚洲美女久久久| 国产私拍福利视频在线观看| xxxwww97欧美| 国产一级毛片七仙女欲春2| 99九九线精品视频在线观看视频| 高清在线国产一区| 色在线成人网| 美女 人体艺术 gogo| 变态另类成人亚洲欧美熟女| 91在线精品国自产拍蜜月| 人妻丰满熟妇av一区二区三区| 久久国产乱子免费精品| 国产麻豆成人av免费视频| 老熟妇乱子伦视频在线观看| 超碰av人人做人人爽久久| 十八禁国产超污无遮挡网站| 亚洲美女视频黄频| 国产日本99.免费观看| 99视频精品全部免费 在线| av在线天堂中文字幕| 精品久久久久久久久久久久久| 人人妻,人人澡人人爽秒播| 国模一区二区三区四区视频| 亚洲欧美日韩东京热| 亚洲内射少妇av| 午夜福利成人在线免费观看| 日韩精品青青久久久久久| videossex国产| 韩国av一区二区三区四区| 色吧在线观看| 蜜桃久久精品国产亚洲av| ponron亚洲| 免费人成视频x8x8入口观看| 国产免费男女视频| 亚洲精品粉嫩美女一区| 国产 一区 欧美 日韩| 美女大奶头视频| 日韩亚洲欧美综合| 久久香蕉精品热| 男女之事视频高清在线观看| 国产精品不卡视频一区二区| 亚洲国产欧洲综合997久久,| 老师上课跳d突然被开到最大视频| 久久人人精品亚洲av| 男人和女人高潮做爰伦理| 看免费成人av毛片| 少妇裸体淫交视频免费看高清| 亚洲av成人精品一区久久| 欧美日韩精品成人综合77777| 国产精品一区www在线观看 | 97超级碰碰碰精品色视频在线观看| 日本黄色视频三级网站网址| 一个人观看的视频www高清免费观看| 亚洲午夜理论影院| 亚洲内射少妇av| 精品久久久久久久久久久久久| 日韩欧美精品v在线| 1024手机看黄色片| 动漫黄色视频在线观看| 欧美激情在线99| 午夜日韩欧美国产| 亚洲av成人av| 国产精品一区二区免费欧美| www.色视频.com| 久久久国产成人精品二区| 1000部很黄的大片| 国内精品宾馆在线| 国产精品久久久久久久电影| 亚洲精品影视一区二区三区av| 人人妻人人看人人澡| 亚洲自偷自拍三级| 十八禁国产超污无遮挡网站| 国产91精品成人一区二区三区| 亚洲精品456在线播放app | 欧美成人免费av一区二区三区| 成人毛片a级毛片在线播放| 亚洲精品久久国产高清桃花| 日韩国内少妇激情av| a级毛片免费高清观看在线播放| 乱码一卡2卡4卡精品| 18禁黄网站禁片免费观看直播| 国产美女午夜福利| 国内少妇人妻偷人精品xxx网站| 99riav亚洲国产免费| 日韩国内少妇激情av| 久久久久久大精品| av专区在线播放| 久久久久久久久久黄片| 午夜久久久久精精品| 国产不卡一卡二| 欧美色欧美亚洲另类二区| 老熟妇仑乱视频hdxx| 成人无遮挡网站| 国产精品乱码一区二三区的特点| 偷拍熟女少妇极品色| 日日摸夜夜添夜夜添小说| 国产私拍福利视频在线观看| 亚洲天堂国产精品一区在线| 国产主播在线观看一区二区| 99热这里只有精品一区| 成人国产麻豆网| 久久久国产成人精品二区| 男人舔奶头视频| av女优亚洲男人天堂| 国产乱人伦免费视频| 精品免费久久久久久久清纯| av在线亚洲专区| 日韩欧美三级三区| 亚洲成a人片在线一区二区| 亚洲国产日韩欧美精品在线观看| 午夜激情福利司机影院| 欧美丝袜亚洲另类 | 中文字幕高清在线视频| 久久亚洲精品不卡| 毛片女人毛片| 中文字幕人妻熟人妻熟丝袜美| 国产高清视频在线播放一区| 观看美女的网站| 亚洲av电影不卡..在线观看| 淫妇啪啪啪对白视频| 久久精品国产自在天天线| 午夜精品久久久久久毛片777| 国产精品99久久久久久久久| 国产精品国产三级国产av玫瑰| 国产麻豆成人av免费视频| 欧美激情久久久久久爽电影| 免费av毛片视频| 真人一进一出gif抽搐免费| 亚洲国产日韩欧美精品在线观看| 久久亚洲精品不卡| 精品人妻熟女av久视频| 日韩,欧美,国产一区二区三区 | 久久精品国产亚洲av香蕉五月| 成年人黄色毛片网站| 国产精品1区2区在线观看.| 亚洲内射少妇av| 精品久久久久久久久久久久久| 日本五十路高清| 在线观看午夜福利视频| 精品国内亚洲2022精品成人| 国产三级中文精品| 成人午夜高清在线视频| 久久精品国产鲁丝片午夜精品 | 热99re8久久精品国产| 国产精品一区二区三区四区免费观看 | 人妻夜夜爽99麻豆av| 最近中文字幕高清免费大全6 | 日韩精品青青久久久久久| 嫩草影院入口| 中文字幕av在线有码专区| 搡女人真爽免费视频火全软件 | 久久天躁狠狠躁夜夜2o2o| 欧美潮喷喷水| 长腿黑丝高跟| 可以在线观看毛片的网站| 欧美精品国产亚洲| 国产激情偷乱视频一区二区| 久久精品综合一区二区三区| 亚洲成av人片在线播放无| 亚洲无线在线观看| 国产精品人妻久久久久久| 琪琪午夜伦伦电影理论片6080| av专区在线播放| 精品久久久久久久久av| 亚洲av中文字字幕乱码综合| 欧美性猛交╳xxx乱大交人| 午夜免费男女啪啪视频观看 | 99热这里只有是精品在线观看| 国产三级中文精品| 国产69精品久久久久777片| 午夜福利18| 午夜激情福利司机影院| 神马国产精品三级电影在线观看| 国产亚洲欧美98| 久久欧美精品欧美久久欧美| 久久久国产成人精品二区| 亚洲精品日韩av片在线观看| 午夜福利成人在线免费观看| 一进一出好大好爽视频| 久久久精品大字幕| 国国产精品蜜臀av免费| 中国美白少妇内射xxxbb| 深爱激情五月婷婷| 黄色一级大片看看| 久久天躁狠狠躁夜夜2o2o| 小说图片视频综合网站| 亚洲最大成人手机在线| 22中文网久久字幕| 国产69精品久久久久777片| 亚洲国产精品sss在线观看| 蜜桃亚洲精品一区二区三区| 婷婷六月久久综合丁香| 亚洲人成网站高清观看| 国产一区二区激情短视频| 国产伦精品一区二区三区四那| 国产精品日韩av在线免费观看| 在线国产一区二区在线| 99九九线精品视频在线观看视频| 人妻制服诱惑在线中文字幕| 男女视频在线观看网站免费| 全区人妻精品视频| 能在线免费观看的黄片| 久久人人精品亚洲av| 99久国产av精品| 精品国产三级普通话版| 真实男女啪啪啪动态图| 久久久久久国产a免费观看| 日韩欧美在线乱码| 观看美女的网站| 99久久九九国产精品国产免费| 精品久久久久久久末码| 全区人妻精品视频| 可以在线观看的亚洲视频| 日韩欧美国产一区二区入口| 如何舔出高潮| 国产私拍福利视频在线观看| 观看免费一级毛片| 精品久久久久久久久av| 亚洲,欧美,日韩| 欧美在线一区亚洲| 日韩中文字幕欧美一区二区| 18禁黄网站禁片午夜丰满| 人人妻人人澡欧美一区二区| 中文字幕免费在线视频6| 日韩欧美一区二区三区在线观看| 午夜精品一区二区三区免费看| 男女边吃奶边做爰视频| 久久久久久久久久成人| 日韩av在线大香蕉| 夜夜看夜夜爽夜夜摸| 成人性生交大片免费视频hd| 精品久久久久久,| 亚洲av电影不卡..在线观看| 狂野欧美激情性xxxx在线观看| 亚洲国产日韩欧美精品在线观看| 欧美在线一区亚洲| 成年女人看的毛片在线观看| 51国产日韩欧美| 国产午夜精品久久久久久一区二区三区 | 99精品久久久久人妻精品| 午夜福利在线在线| 校园春色视频在线观看| 久久中文看片网| 国产av麻豆久久久久久久| 欧美性猛交╳xxx乱大交人| 又黄又爽又免费观看的视频| a在线观看视频网站| 我的老师免费观看完整版| 韩国av在线不卡| 少妇被粗大猛烈的视频| 真实男女啪啪啪动态图| 亚洲最大成人av| 性插视频无遮挡在线免费观看| 国产精品亚洲一级av第二区| 在线免费十八禁| 2021天堂中文幕一二区在线观| 亚洲avbb在线观看| 国产精品av视频在线免费观看| 亚洲在线自拍视频| av在线天堂中文字幕| 老熟妇乱子伦视频在线观看| 真人一进一出gif抽搐免费| 人人妻,人人澡人人爽秒播| 午夜福利成人在线免费观看| 亚洲18禁久久av| 在线国产一区二区在线| 少妇猛男粗大的猛烈进出视频 | 日本成人三级电影网站| 人妻少妇偷人精品九色| 亚洲乱码一区二区免费版| 欧美极品一区二区三区四区| 精品午夜福利在线看| 亚洲国产日韩欧美精品在线观看| 中亚洲国语对白在线视频| 国产一区二区三区视频了| 午夜激情福利司机影院| 久久精品夜夜夜夜夜久久蜜豆| 淫妇啪啪啪对白视频| 我要看日韩黄色一级片| 国产精品1区2区在线观看.| 精品一区二区三区视频在线| 亚洲美女黄片视频| 精品99又大又爽又粗少妇毛片 | 搡老熟女国产l中国老女人| 天天躁日日操中文字幕| 国产爱豆传媒在线观看| 成人亚洲精品av一区二区| 国产精品免费一区二区三区在线| 日韩欧美在线乱码| 亚洲精华国产精华精| 国产精品综合久久久久久久免费| 一级av片app| 他把我摸到了高潮在线观看| 成人精品一区二区免费| 69av精品久久久久久| 精品一区二区三区人妻视频| 成年免费大片在线观看| 国产91精品成人一区二区三区| 人人妻人人看人人澡| 免费人成视频x8x8入口观看| 欧美一区二区精品小视频在线| 干丝袜人妻中文字幕| 他把我摸到了高潮在线观看| 午夜日韩欧美国产| 午夜福利在线观看吧| ponron亚洲| 成熟少妇高潮喷水视频| 变态另类丝袜制服| 国产毛片a区久久久久| 久久九九热精品免费| 亚洲美女黄片视频| av在线老鸭窝| 欧美日韩乱码在线| 永久网站在线| 蜜桃亚洲精品一区二区三区| 亚洲国产欧洲综合997久久,| 天天一区二区日本电影三级| 1024手机看黄色片| 日韩中字成人| 国产欧美日韩精品一区二区| 免费人成视频x8x8入口观看| 在线观看av片永久免费下载| 日韩欧美在线二视频| 国产一区二区亚洲精品在线观看| 国产乱人伦免费视频| 熟女人妻精品中文字幕| 国产精品av视频在线免费观看| 天堂av国产一区二区熟女人妻| 免费人成视频x8x8入口观看| 大型黄色视频在线免费观看| 国内久久婷婷六月综合欲色啪| 国产一区二区亚洲精品在线观看| 国产精品98久久久久久宅男小说| 可以在线观看的亚洲视频| 久久精品夜夜夜夜夜久久蜜豆| 日日摸夜夜添夜夜添小说| 免费搜索国产男女视频| 又粗又爽又猛毛片免费看| 直男gayav资源| 综合色av麻豆| 熟女电影av网| 啦啦啦啦在线视频资源| 国产精品人妻久久久影院| 久久精品国产亚洲av涩爱 | 日韩欧美精品免费久久| 2021天堂中文幕一二区在线观| 九色国产91popny在线| 免费观看人在逋| 精品一区二区三区人妻视频| 欧美日韩亚洲国产一区二区在线观看| 久久久久久国产a免费观看| 黄色日韩在线| 精品无人区乱码1区二区| 91麻豆精品激情在线观看国产| 亚洲精华国产精华液的使用体验 | 欧美在线一区亚洲| 又粗又爽又猛毛片免费看| 在线播放国产精品三级| 俄罗斯特黄特色一大片| 永久网站在线| 中文字幕免费在线视频6| 亚洲av日韩精品久久久久久密| 一级黄色大片毛片| 国产69精品久久久久777片| 亚洲18禁久久av| 欧美激情久久久久久爽电影| 狂野欧美白嫩少妇大欣赏| 久久久久久伊人网av| 久久久久久久久久成人| 国产淫片久久久久久久久| 男女下面进入的视频免费午夜| 免费一级毛片在线播放高清视频| 久久天躁狠狠躁夜夜2o2o| 欧美日本亚洲视频在线播放| 午夜精品一区二区三区免费看| 欧美zozozo另类| 男女啪啪激烈高潮av片| 老女人水多毛片| 欧美成人性av电影在线观看| 成人毛片a级毛片在线播放| 国内久久婷婷六月综合欲色啪| 深爱激情五月婷婷| 国产免费一级a男人的天堂| 亚洲美女搞黄在线观看 | 成年免费大片在线观看| 国产亚洲91精品色在线| 色综合色国产| 97超级碰碰碰精品色视频在线观看| 国产成年人精品一区二区| 日韩精品中文字幕看吧| 很黄的视频免费| 国产精品国产三级国产av玫瑰| 亚洲国产精品合色在线| x7x7x7水蜜桃| 久久久久久久久久黄片| 99久久九九国产精品国产免费| 在线看三级毛片| 免费高清视频大片| 国产黄片美女视频| 欧美丝袜亚洲另类 | 两性午夜刺激爽爽歪歪视频在线观看| 久99久视频精品免费| 色吧在线观看| 成人国产综合亚洲| 在线看三级毛片| 长腿黑丝高跟| 小说图片视频综合网站| 99久国产av精品| 日韩强制内射视频| 三级国产精品欧美在线观看| 亚洲第一电影网av|