• <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GBDT算法的參考作物蒸散量模型在江蘇省的預(yù)測(cè)

    2020-12-09 05:31:47張薇韋群吳天傲林潔邵光成丁鳴鳴
    關(guān)鍵詞:決定系數(shù)站點(diǎn)氣象

    張薇 韋群 吳天傲 林潔 邵光成 丁鳴鳴

    摘要:選取江蘇省6個(gè)氣象站點(diǎn)1997-2016年的逐日氣象資料,建立了3種基于樹(shù)型算法的參考作物蒸散量(ET0)預(yù)測(cè)模型,包括梯度提升決策樹(shù)(Gradient boosting decision tree,GBDT)、隨機(jī)森林(Random forest,RF)和回歸樹(shù)(Regression tree)模型,以FAO-56 Penman-Monteith公式計(jì)算所得的ET0值作為標(biāo)準(zhǔn)值,對(duì)GBDT、RF、Regresssion tree模型和3種經(jīng)驗(yàn)?zāi)P停‥I-Sebail、Irmak、Hargreaves-Samani模型)的預(yù)測(cè)結(jié)果進(jìn)行比較分析。結(jié)果表明:在相同氣象因子輸入組合下,GBDT、RF模型能取得較高的模擬精度,且明顯高于Regression tree模型和經(jīng)驗(yàn)?zāi)P?,其中,氣象參?shù)組合為最高氣溫、最低氣溫和輻射的GBDT模型具有最高的模擬精度[全局評(píng)價(jià)指標(biāo)(GPI)排名第1];通過(guò)敏感性分析發(fā)現(xiàn),輻射是對(duì)江蘇省逐日ET0影響最為顯著的氣象因子,其直接通徑系數(shù)為0.512,對(duì)決定系數(shù)(R2)的貢獻(xiàn)度為0.740,顯著高于其他氣象因子;通過(guò)可移植性分析發(fā)現(xiàn),氣象因子組合為最高氣溫、最低氣溫和輻射的GBDT、RF模型在江蘇省內(nèi)6個(gè)站點(diǎn)相互交叉驗(yàn)證下仍具有較高的預(yù)測(cè)精度。因此,可以將GBDT、RF模型應(yīng)用于江蘇省氣象資料缺乏時(shí)的ET0預(yù)測(cè),為農(nóng)業(yè)灌溉提供可靠依據(jù)。

    關(guān)鍵詞:參考作物蒸散量;梯度提升決策樹(shù)(GBDT)算法;隨機(jī)森林(RF)算法;可移植性分析;敏感性分析

    中圖分類號(hào):S16文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1000-4440(2020)05-1169-12

    Abstract:Daily meteorological data from 1997 to 2016 in six meteorological stations of Jiangsu province were selected to establish three prediction models of reference crop evapotranspiration (ET0) based on tree algorithm, including gradient boosting decision tree (GBDT) model, random forest (RF) model and regression tree model. Taking ET0 value calculated by formula of FAO-56 Penman-Monteith as standard value, the prediction results of GBDT model, RF model, regression tree model and three empirical models (EI-Sebail model, Irmak model and Hargreaves-Samani model) were compared. The results showed that GBDT model and RF model could get high simulation accuracies under the combination of the same meteorological factor inputs, and the accuracies of GBDT model and RF model were significantly higher than regression tree model and empirical model. Among them, GBDT model with the meteorological parameters of maximum temperature, minimum temperature and radiation had the highest simulation accuracy (global performance indicator ranked No.1). Through sensitivity analysis, it was found that radiation was the most significant meteorological factor affecting the daily ET0 of Jiangsu province, its direct path coefficient was 0.512 and its contribution to the determination coefficient (R2) was 0.740, which were significantly higher than other meteorological factors. Through portability analysis, it was found that GBDT model and RF model with the meteorological parameters of maximum temperature, minimum temperature and radiation still had high prediction accuracies under cross-validation of six stations in Jiangsu province. Therefore, GBDT model and RF model can be applied for ET0 prediction in Jiangsu province when the meteorological data are absent and provide reliable evidence for agricultural irrigation.

    Key words:reference crop evapotranspiration;gradient boosting decision tree(GBDT) algorithm;random forest(RF) algorithm;portability analysis;sensitivity analysis

    參考作物蒸散量(ET0)是作物需水量計(jì)算、灌溉制度制定、水資源配置以及節(jié)水灌溉管理的核心參數(shù),因此,ET0的精確計(jì)算對(duì)作物的生長(zhǎng)發(fā)育以及智能化灌溉的實(shí)現(xiàn)和精準(zhǔn)農(nóng)業(yè)的發(fā)展至關(guān)重要[1]。

    目前參考作物蒸散量的計(jì)算方法大致分為實(shí)驗(yàn)測(cè)定法、經(jīng)驗(yàn)公式法和數(shù)值模擬法[2]。實(shí)驗(yàn)測(cè)定法能夠直接測(cè)算參考作物蒸散量,但由于設(shè)備昂貴、操作繁瑣和地區(qū)限制性而難以推廣[3]?;诳諝鈩?dòng)力學(xué)和能量平衡原理建立的FAO-56 Penman-Monteith (FAO56-PM)模型被公認(rèn)為計(jì)算半干旱地區(qū)和濕潤(rùn)地區(qū)ET0最為權(quán)威的方法[4]。然而,F(xiàn)AO56-PM計(jì)算ET0所需的氣象參數(shù),包括最高氣溫、最低氣溫、總輻射、相對(duì)濕度和2 m高風(fēng)速,在大多數(shù)地區(qū)不易獲取或不能夠完全獲取,使得通過(guò)FAO56-PM準(zhǔn)確計(jì)算ET0變得較為困難[5-8]。經(jīng)驗(yàn)公式法能夠基于較少的氣象參數(shù)得到相對(duì)可靠的計(jì)算結(jié)果[9-10]。Priestley和Taylor對(duì)Penman-Monteith模型進(jìn)行簡(jiǎn)化而提出了基于輻射的Priestley-Taylor模型[11],Hargreaves和Samani提出了基于溫度的Hargreaves-Samani模型[12]。Priestley-Taylor模型和Hargreaves-Samani模型具有較高的ET0估算精度,同時(shí)只需要最高氣溫、最低氣溫和天頂輻射3個(gè)氣象參數(shù),但是它們的缺點(diǎn)是區(qū)域限制性較強(qiáng)、可移植性較差[13-15]。

    近年來(lái),憑借現(xiàn)代信息技術(shù)和人工智能的發(fā)展,利用多種人工智能算法擬合分析氣象參數(shù)與ET0之間的非線性關(guān)系從而得到最優(yōu)擬合參數(shù)完成建模的數(shù)值模擬法,具有用時(shí)短、精度高、泛化能力良好的優(yōu)點(diǎn)[16-19],因此在ET0的計(jì)算和預(yù)測(cè)中得到了更為廣泛的應(yīng)用與研究。Kumar在2002年首次將人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network,ANN)引入到ET0計(jì)算中[20]。隨后基于ANN算法和基于其他算法的各種模型被迅速應(yīng)用到ET0的計(jì)算和預(yù)測(cè)中[21-22]。Tabari等利用自適應(yīng)神經(jīng)模糊推理系統(tǒng)(Adaptive neuro-fuzzy inference system,ANFIS)和支持向量機(jī)(Support vector machine,SVM)能夠精確擬合非線性關(guān)系的特點(diǎn),將它們應(yīng)用于氣象因子和ET0的映射模擬中并精確擬合了兩者的非線性關(guān)系[23]。Abdullah等引入了基于極限學(xué)習(xí)機(jī)(Extreme learning machine,ELM)的ET0預(yù)測(cè)模型,該模型不僅可以有效提高模擬計(jì)算ET0的速度和精度,同時(shí)還具有較好的泛化性能[24]。

    然而,目前大多數(shù)人工智能模型結(jié)構(gòu)都比較復(fù)雜,需要進(jìn)行大量調(diào)試且計(jì)算成本較高[25]。基于樹(shù)型算法的機(jī)器學(xué)習(xí)方法具有良好的模式識(shí)別和趨勢(shì)檢測(cè)性能并且結(jié)構(gòu)相對(duì)簡(jiǎn)單,因而在作物ET0估算中越來(lái)越受歡迎[26-31]。Feng等將隨機(jī)森林(Random forest,RF)模型應(yīng)用于中國(guó)西南地區(qū)的ET0預(yù)測(cè),并與廣義回歸神經(jīng)網(wǎng)絡(luò)(Generalized regression neural network,GRNN)模型進(jìn)行了比較,結(jié)果表明,兩種模型均能很好地預(yù)測(cè)ET0且有較高的精度,而RF模型的預(yù)測(cè)效果略好于GRNN模型[32]。王升等建立了基于RF和基因表達(dá)式編程(Gene expression programming, GEP)算法的ET0模型,并與傳統(tǒng)Hargreaves模型的計(jì)算結(jié)果進(jìn)行了比較,結(jié)果表明,該模型在不同氣象參數(shù)輸入組合條件下均能較好地反映氣象因子與ET0之間的非線性關(guān)系[33]。梯度提升決策樹(shù)(Gradient boosting decision tree,GBDT)算法因結(jié)構(gòu)簡(jiǎn)單且具有較高的計(jì)算效率和較強(qiáng)的過(guò)擬合處理能力,在許多其他領(lǐng)域得到了廣泛的應(yīng)用[34-36]。然而,基于GBDT算法的模型在ET0預(yù)測(cè)上的應(yīng)用和研究還較少,因此,本研究利用江蘇省6個(gè)氣象站點(diǎn)1997-2016年的逐日氣象數(shù)據(jù),通過(guò)建立基于梯度提升決策樹(shù)(GBDT)算法、隨機(jī)森林(RF)算法以及回歸樹(shù)(Regression tree)算法的ET0模型對(duì)江蘇省ET0的預(yù)測(cè)進(jìn)行研究,對(duì)比和分析基于以上3種樹(shù)型算法的ET0預(yù)測(cè)模型的性能,獲得精度更高、更加適用于江蘇省ET0預(yù)測(cè)的模型,為該地區(qū)作物需水量計(jì)算和灌溉決策提供科學(xué)依據(jù)。

    1材料與方法

    1.1研究區(qū)域與數(shù)據(jù)來(lái)源

    江蘇省地處中國(guó)大陸東部沿海地區(qū)中部,位于長(zhǎng)江、淮河下游,經(jīng)緯度為116°18′~121°57′ E,30°45′~35°20′ N,全省地形以平原為主,土地總面積1.067×105 km2,耕地面積4.58×106 hm2。多年平均氣溫 13~16 ℃,年均降水量 800~1 200 mm,氣候溫和,雨量適中。江蘇省屬暖溫帶向亞熱帶過(guò)渡性氣候,通常以淮河、蘇北灌溉總渠一線為界。

    本研究中選取江蘇省徐州、淮安、射陽(yáng)、南京、常州和南通氣象站資料作為研究對(duì)象,其中徐州、淮安、射陽(yáng)屬于暖溫帶半濕潤(rùn)季風(fēng)氣候,南通、南京、常州屬于亞熱帶濕潤(rùn)季風(fēng)氣候(圖1)。氣象資料序列起止時(shí)間為1997年至2016年,氣象參數(shù)包括逐日最高氣溫(Tmax)、最低氣溫(Tmin)、相對(duì)濕度(RH)、2 m高風(fēng)速(U2)和輻射(Rs)的連續(xù)數(shù)據(jù)(表1)。

    為了提高模型收斂的速度和減少變量尺度范圍的影響,將所有輸入的氣象數(shù)據(jù)歸一化至0到1之間,公式如下:

    式中,xnorm為歸一化后的值,x0、xmin和xmax分別為原始數(shù)據(jù)的真實(shí)值、最小值和最大值。

    1.2研究方法

    1.2.1FAO-56 Penman-Monteith 模型由于研究區(qū)域各站點(diǎn)實(shí)測(cè)ET0資料很難獲得,因此將FAO56-PM計(jì)算所得的ET0值作為模型訓(xùn)練和測(cè)試的標(biāo)準(zhǔn)值進(jìn)行模型模擬精度的對(duì)比分析[4]。公式如下:

    式中,ET0為參考作物蒸散量(mm/d),Rn為凈輻射[MJ/( m2· d)],G為土壤熱通量[MJ/( m2· d)],Tmean為2 m高處日平均氣溫(℃),U2為2 m高處的風(fēng)速(m/s),es為飽和水汽壓(kPa),ea為實(shí)際水汽壓(kPa),es -ea為飽和水汽壓差(kPa),△為飽和水汽壓曲線的斜率,γ為濕度計(jì)常數(shù)(kPa/℃)。

    1.2.2回歸樹(shù)(Regression tree)算法分類與回歸樹(shù)(Classification and regression trees,CART)算法是應(yīng)用廣泛的決策樹(shù)方法。CART將特征空間劃分為若干單元,然后根據(jù)特征向量來(lái)決定對(duì)應(yīng)的每一個(gè)劃分單元的輸出。它使用最大均方差劃分節(jié)點(diǎn),將每個(gè)節(jié)點(diǎn)樣本的均值作為測(cè)試樣本的回歸預(yù)測(cè)值。和分類樹(shù)(Classification tree)算法通過(guò)分類進(jìn)行決策不同,回歸樹(shù)(Regression tree)算法針對(duì)的是連續(xù)性問(wèn)題,輸出結(jié)果是一個(gè)具體的值。回歸樹(shù)算法計(jì)算簡(jiǎn)單,易于理解,可解釋性強(qiáng),但有較高的方差,容易過(guò)度擬合。關(guān)于回歸樹(shù)算法的具體原理和代碼參見(jiàn)文獻(xiàn)[37]、[38]。

    1.2.3隨機(jī)森林(RF)算法隨機(jī)森林(Random forest,RF)算法是一種基于集成學(xué)習(xí)“Bagging”思想的樹(shù)型算法。隨機(jī)森林算法通過(guò)自主抽樣法(Bootstrap)從原始數(shù)據(jù)里集中有放回地抽取多個(gè)樣本,然后使用弱學(xué)習(xí)器(決策樹(shù))對(duì)抽取的樣本進(jìn)行訓(xùn)練,再把這些決策樹(shù)組合,一起投票得出最終的分類或預(yù)測(cè)結(jié)果。弱學(xué)習(xí)器間不存在強(qiáng)依賴關(guān)系,能夠并行訓(xùn)練數(shù)據(jù)。RF算法易于使用,超參數(shù)數(shù)量少,不易過(guò)擬合,因此被廣泛應(yīng)用于回歸和分類問(wèn)題中。關(guān)于RF算法的具體原理和代碼參見(jiàn)文獻(xiàn)[39]。

    1.2.4梯度提升決策樹(shù)(GBDT)算法

    梯度提升決策樹(shù)(Gradient boosting decision tree,GBDT)算法是一種基于集成學(xué)習(xí)“Boosting”思想的迭代決策樹(shù)算法。GBDT算法通過(guò)訓(xùn)練多個(gè)弱學(xué)習(xí)器(回歸樹(shù))得出基于每個(gè)樣本的殘差,再基于所有的殘差訓(xùn)練回歸樹(shù)并且根據(jù)回歸樹(shù)的權(quán)重更新得出新的模型——強(qiáng)學(xué)習(xí)器,即所有回歸樹(shù)的結(jié)論累加起來(lái)獲得最終預(yù)測(cè)結(jié)果(圖2)。和RF算法不同,GBDT算法的弱學(xué)習(xí)器間存在很強(qiáng)的依賴關(guān)系,難以并行訓(xùn)練數(shù)據(jù)。GBDT算法對(duì)數(shù)據(jù)字段缺失不敏感并且可以減少偏差,而RF算法可以減少方差。因此,在過(guò)度擬合和計(jì)算成本方面,GBDT算法優(yōu)于RF算法。GBDT算法的詳細(xì)信息和計(jì)算程序詳見(jiàn)文獻(xiàn)[40]。

    1.2.5經(jīng)驗(yàn)?zāi)P瓦x取EI-Sebail(E-S)、 Irmak(IR)和Hargreaves-Samani(H-S)等3種常用ET0計(jì)算經(jīng)驗(yàn)?zāi)P团c基于集成學(xué)習(xí)的模型進(jìn)行對(duì)比分析,具體模型和計(jì)算公式見(jiàn)表2。為確保以上經(jīng)驗(yàn)?zāi)P湍軌蚋玫赜?jì)算研究區(qū)域的逐日參考作物蒸散量,以上經(jīng)驗(yàn)?zāi)P途訤AO56-PM計(jì)算值為標(biāo)準(zhǔn)值,通過(guò)多元線性回歸進(jìn)行本地化處理,處理方法如下:

    式中,ETPM0為FAO56-PM公式計(jì)算的ET0值,ETempirical0為經(jīng)驗(yàn)公式計(jì)算的ET0值,a、b為回歸系數(shù)。

    1.2.6輸入組合與10折交叉驗(yàn)證本研究考慮了4種氣象因子輸入組合(表3),以評(píng)估模型在氣象參數(shù)缺失和在不同組合下對(duì)ET0預(yù)測(cè)的影響。同時(shí)使用 10 折交叉驗(yàn)證方法,將初始數(shù)據(jù)集分割成10個(gè)子樣本,每次將其中1個(gè)子樣本單獨(dú)保留用于驗(yàn)證,其他9個(gè)子樣本用于訓(xùn)練,以最終10 折交叉驗(yàn)證所得的平均誤差指標(biāo)作為模型最終表現(xiàn),從而更好地驗(yàn)證模型精度,提高模型的穩(wěn)定性和減少隨機(jī)性。此外,以不同于10折交叉驗(yàn)證階段的數(shù)據(jù)比例,即以1997-2011年的氣象數(shù)據(jù)作為訓(xùn)練集,2012-2016年的氣象數(shù)據(jù)作為測(cè)試集,對(duì)模型日尺度上的精度進(jìn)行評(píng)估。

    1.2.7結(jié)果評(píng)價(jià)

    選用均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)、可釋方差分(EVS)、納什系數(shù)(NSE)、決定系數(shù)(R2)作為評(píng)價(jià)模型模擬精度的指標(biāo),并將其統(tǒng)一到全局評(píng)價(jià)指標(biāo)GPI (Global performance indicator)中,作為描述模型綜合表現(xiàn)的評(píng)價(jià)指標(biāo)。公式如下:

    式中,ETMi為其他模型模擬的第i個(gè)日值,ETPMi為FAO56-PM模型計(jì)算的第i個(gè)標(biāo)準(zhǔn)日值,N為測(cè)試集樣本數(shù)量,ET0,mean為標(biāo)準(zhǔn)日值的總平均值,ETM,mean為其他模型計(jì)算的總平均值,Ti為上述5個(gè)評(píng)價(jià)指標(biāo)歸一化后的值,Ti,median為對(duì)應(yīng)參數(shù)的中位數(shù)。當(dāng)Ti為RSME和MEA時(shí),αi等于-1,其他情況等于1。RMSE和MAE越接近于0,說(shuō)明模型偏差越小,模型精度越高;EVS、NSE和R2越接近1,說(shuō)明吻合度越高,模型質(zhì)量越好,可信度越高;GPI越高,說(shuō)明模型的總體預(yù)測(cè)表現(xiàn)越佳。

    2結(jié)果與分析

    2.1基于參考作物蒸散量日值模型比較

    對(duì)比基于ET0日值的3種樹(shù)型算法模型和3種經(jīng)驗(yàn)?zāi)P椭g的模擬精度(表4)發(fā)現(xiàn),在氣象因子缺失的情況下,采用輸入組合為T(mén)max、Tmin和Rs的GBDT2、RF2、T2、IR模型在6個(gè)站點(diǎn)表現(xiàn)均較好。其中GBDT2模型表現(xiàn)最佳,GPI排名在6個(gè)站點(diǎn)均為第1;RF2模型表現(xiàn)次之,GPI排名均為第2,具有相對(duì)高的模擬精度。GBDT2和RF2模型在各站點(diǎn)的RMSE基本小于0.5 mm/d(除徐州站點(diǎn)RF3的RMSE=0.506 7 mm/d外),MAE均小于0.3 mm/d,EVS、NSE和R2均大于0.9。同時(shí),T2、IR模型也取得了較高的模擬精度。T2模型的RMSE在 0.48 mm/d至0.67 mm/d之間,MAE在 0.35 mm/d至 0.48 mm/d之間,EVS、NSE和R2在0.84至 0.89之間;經(jīng)驗(yàn)?zāi)P虸R的RMSE在 0.46 mm/d至 0.66 mm/d之間,MAE在 0.36 mm/d至 0.51 mm/d之間,EVS、NSE和R2在0.85至0.90之間。

    輸入組合為T(mén)max、Tmin、RH、Ra時(shí),GBDT1、RF1模型均取得了相對(duì)較高的模擬精度,而RF1模型的GPI排名略高于GBDT1模型。其中,GBDT1模型的RMSE在0.48 mm/d至 0.58 mm/d之間,MAE在0.30 mm/d至0.36 mm/d之間,EVS、NSE和R2在0.86 至 0.89之間;RF1模型的RMSE在 0.47 mm/d至 0.57 mm/d之間,MAE在 0.29 mm/d至 0.35 mm/d之間,EVS、NSE和R2在0.86 至 0.90之間;T1模型的RMSE在 062 mm/d至 0.78 mm/d之間,MAE在 0.39 mm/d至 0.47 mm/d之間,EVS、NSE和R2在0.72 至 0.83之間。經(jīng)驗(yàn)?zāi)P虴-S的GPI排名在6個(gè)站點(diǎn)均為第15名,在所有模型中排最低,其RMSE在 0.88 mm/d至1.01 mm/d之間,MAE在 0.67 mm/d至 0.75 mm/d之間,EVS、NSE和R2在0.56至0.65之間。

    輸入組合為T(mén)max、Tmin、Ra時(shí),GBDT4模型的RMSE在0.65 mm/d至0.72 mm/d之間,MAE在0.43 mm/d至0.50 mm/d之間,EVS、NSE和R2在0.76至0.83之間;RF4模型的RMSE在0.65 mm/d至0.73 mm/d之間,MAE在0.43 mm/d至 0.50 mm/d之間,EVS、NSE和R2在0.76至 0.83之間;T4模型的RMSE在0.80 mm/d至0.93 mm/d,MAE在0.56 mm/d至0.64 mm/d之間,EVS、NSE和R2在0.64 至0.70之間;經(jīng)驗(yàn)?zāi)P虷-S在6個(gè)站點(diǎn)的RMSE在0.68 mm/d至0.75 mm/d之間,MAE在0.53 mm/d至0.56 mm/d之間,EVS、NSE和R2在0.73至0.81之間。可見(jiàn),GBDT4、RF4模型的模擬精度明顯高于T4模型和經(jīng)驗(yàn)?zāi)P虷-S。

    輸入組合為T(mén)max、Tmin、U2時(shí),GBDT3、RF3、T3模型均表現(xiàn)欠佳,模擬精度較低。其中,GBDT3模型的RMSE略大于0.7 mm/d,在0.70 mm/d至0.74 mm/d之間,MAE在0.48 mm/d至0.52 mm/d之間,EVS、NSE和R2在0.72至0.82之間;RF3模型的RMSE在0.71 mm/d至0.93 mm/d之間,MAE在0.49 mm/d至0.67 mm/d之間,EVS、NSE和R2在0.64至0.82之間;T3模型的RMSE在0.89 mm/d至 0.97 mm/d之間,MAE在0.63 mm/d至0.70 mm/d之間,EVS、NSE和R2在0.55至0.68之間。

    表5顯示,4種不同氣象因子輸入組合下的GBDT模型中,GBDT2模型(輸入組合為T(mén)max、Tmin和Rs)表現(xiàn)最佳,具有最高的模擬精度,其GPI在6個(gè)站點(diǎn)均排在第1位,GBDT1模型(輸入組合為T(mén)max、Tmin、RH、Ra)的GPI在6個(gè)站點(diǎn)均排在第2位,GBDT4模型(輸入組合為T(mén)max、Tmin、Ra)的GPI排在第3位,而GBDT3模型(輸入組合為T(mén)max、Tmin、U2)的GPI排名最低。同樣地,對(duì)比4種不同氣象因子輸入組合下RF模型的模擬精度,在6個(gè)站點(diǎn)中,RF2模型(輸入組合為T(mén)max、Tmin和Rs)表現(xiàn)最佳,其GPI在6個(gè)站點(diǎn)均排于第1位,RF1模型(輸入組合為T(mén)max、Tmin、RH、Ra)的GPI排于第2位,RF4模型(輸入組合為T(mén)max、Tmin、Ra)的GPI排名位于第3位,RF3模型(輸入組合為T(mén)max、Tmin、U2)的GPI排名最低。對(duì)比4種不同氣象因子輸入組合下Regression Tree模型的模擬精度,在6個(gè)站點(diǎn)中,T2模型(輸入組合為T(mén)max、Tmin和Rs) 同樣地表現(xiàn)最佳,GPI排名第1,T1模型(輸入組合為T(mén)max、Tmin、RH、Ra)的GPI排在第2位,T4模型(輸入組合為T(mén)max、Tmin、Ra)的GPI排在第3位,T3模型(輸入組合為T(mén)max、Tmin、U2)的GPI排名最低。3種經(jīng)驗(yàn)?zāi)P椭?,IR模型(輸入組合為T(mén)max、Tmin、Rs)的GPI排名最高,H-S模型(輸入組合為T(mén)max、Tmin、Ra)的GPI排名第2,E-S模型(輸入組合為T(mén)max、Tmin、RH、Ra)排名最低。因此可知,采用輸入組合為T(mén)max、Tmin和Rs 的模型模擬精度最高,采用輸入組合為T(mén)max、Tmin、RH、Ra的模型模擬精度次之,采用輸入組合為T(mén)max、Tmin、Ra的模型模擬精度較差,而輸入組合為T(mén)max、Tmin、U2的模型模擬精度最差。

    由于各模型在6個(gè)氣象站點(diǎn)的表現(xiàn)非常類似,本研究?jī)H以江蘇省省會(huì)南京市的模擬結(jié)果為例進(jìn)行詳細(xì)分析。圖3是在不同氣象因子輸入組合下GBDT、RF、Regression Tree模型以及經(jīng)驗(yàn)?zāi)P停‥-S、IR和H-S)在南京站點(diǎn)預(yù)測(cè)的ET0值與以FAO56-PM值為參考標(biāo)準(zhǔn)值的散點(diǎn)圖。圖3顯示,采用輸入組合為T(mén)max、Tmin和Rs的GBDT2、RF2、T2模型以及IR模型離散度最小,與FAO56-PM值的相關(guān)性最好。

    可以看出,GBDT、RF模型在各個(gè)站點(diǎn)的相同氣象因子輸入組合下都能達(dá)到較高的模擬精度,兩種模型的模擬精度非常接近,但GBDT模型總體表現(xiàn)比RF模型更好。Regression Tree模型和3種經(jīng)驗(yàn)?zāi)P偷哪M精度相對(duì)較低且變動(dòng)較大。并且,氣象因子輸入組合為T(mén)max、Tmin、Rs時(shí)各模型的模擬表現(xiàn)均高于其他氣象因子輸入組合。因此,在氣象資料缺乏的情況下,可以選用氣象因子輸入組合為T(mén)max、Tmin和Rs的GBDT2模型作為江蘇省ET0的預(yù)測(cè)模型。

    2.2ET0對(duì)氣象因子的敏感性分析

    以南京站為例,使用SPSS對(duì)Tmax、Tmin、U2、RH和Rs進(jìn)行ET0的通徑分析(表6)。由表6可知,輻射(Rs)對(duì)ET0的直接通徑系數(shù)為0.512,對(duì)決定系數(shù)(R2)的貢獻(xiàn)度達(dá)到0.740,顯著高于其他各氣象因子,因此輻射Rs是對(duì)江蘇省逐日ET0影響最為顯著的氣象因子。此結(jié)論與本研究基于ET0日值模型比較中,采用氣象因子輸入組合為T(mén)max、Tmin、Rs的模型模擬精度高于采用其他氣象因子輸入組合的模型的結(jié)論相一致。最高氣溫(Tmax)對(duì)ET0的直接通徑系數(shù)為0.286,對(duì)決定系數(shù)(R2)的貢獻(xiàn)達(dá)到0.150,說(shuō)明最高氣溫(Tmax)也對(duì)逐日ET0具有較大的影響。最低氣溫(Tmin)對(duì)ET0直接通徑系數(shù)和對(duì)決定系數(shù)(R2)的貢獻(xiàn)度分別為0.265和0.004,對(duì)逐日ET0的影響最小。相對(duì)濕度(RH)對(duì)ET0的直接通徑系數(shù)和對(duì)決定系數(shù)(R2)的貢獻(xiàn)度分別為 -0.301和0.038,而風(fēng)速(U2)對(duì)ET0的直接通徑系數(shù)和對(duì)決定系數(shù)(R2)的貢獻(xiàn)度分別為0.142和0.019,這與本研究中基于相對(duì)濕度(RH)的模型模擬精度高于基于風(fēng)速(U2)的模型模擬精度結(jié)果相一致,表明在江蘇省相對(duì)濕度(RH)比風(fēng)速(U2)對(duì)ET0的影響更大,此結(jié)論與西北地區(qū)[41]和川中丘陵區(qū)[42]風(fēng)速是ET0變化主導(dǎo)因子的結(jié)論有明顯差異。

    2.3GBDT2、RF2模型在各站點(diǎn)間的可移植性分析

    本研究中GBDT2、RF2模型(輸入組合為T(mén)max、Tmin和Rs)能在較少參數(shù)輸入下取得較高的ET0預(yù)測(cè)精度。為檢驗(yàn)GBDT2、RF2模型在江蘇省的普適性和泛用程度,通過(guò)不同站點(diǎn)之間數(shù)據(jù)的交叉驗(yàn)證對(duì)GBDT2、RF2進(jìn)行可移植性分析。結(jié)果(表7、表8)表明,除了在以徐州為訓(xùn)練站和射陽(yáng)為驗(yàn)證站的組合中,RF2模型的決定系數(shù)(R2)為0.891 7,略小于0.9,其余不同站點(diǎn)組合的GBDT2模型和RF2模型的R2均大于0.9,模型預(yù)測(cè)精度均達(dá)到較高水平。與不同站點(diǎn)組合前的預(yù)測(cè)精度相比,不同站點(diǎn)組合后GBDT2模型的下降比例在5.17% 至 8.26%之間,RF2模型的下降比例在5.51% 至 9.90%之間,預(yù)測(cè)精度下降相對(duì)較小。由此可知GBDT2模型和RF2模型在江蘇省各站點(diǎn)之間的可移植性較強(qiáng),因此當(dāng)缺乏氣象資料時(shí),可利用GBDT2模型或RF2模型使用臨近氣象站點(diǎn)的數(shù)據(jù)預(yù)測(cè)ET0。

    RMSE、MAE、EVS、NSE和R2分別表示均方根誤差、平均絕對(duì)誤差、可釋方差分、納什系數(shù)和決定系數(shù),GPI排名表示綜合排名。RMSE和MAE越接近于0,說(shuō)明模型模擬偏差越小,模型模擬精度越高;EVS、NSE和R2越接近1,說(shuō)明吻合度越高,模型模擬質(zhì)量越好,可信度越高。Tmax、Tmin、RH、U2和Rs分別表示最高氣溫、最低氣溫、相對(duì)濕度、2 m高風(fēng)速和輻射。GBDT1、GBDT2、GBDT3、GBDT4、RF1、RF2、RF3、RF4、T1、T2、T3、T4、E-S、IR、H-S分別表示不同氣象因子輸入組合的ET0模型。

    3結(jié)論

    通過(guò)對(duì)GBDT、RF和Regression Tree模型以及經(jīng)驗(yàn)?zāi)P停‥-S、IR、H-S)的模擬結(jié)果對(duì)比分析發(fā)現(xiàn),在4種氣象因子輸入組合中GBDT、RF模型的預(yù)測(cè)精度非常接近,而GBDT模型總體表現(xiàn)略優(yōu)于RF模型,同時(shí)GBDT、RF模型的預(yù)測(cè)精度均明顯高于同種氣象因子輸入組合的Regression Tree模型和經(jīng)驗(yàn)?zāi)P停℉-S、IR和E-S)。其中,氣象因子輸入組合為T(mén)max、Tmin和Rs的GBDT2模型在所有站點(diǎn)的預(yù)測(cè)精度最高,可作為江蘇省在氣象資料缺乏時(shí)獲得ET0的最佳預(yù)測(cè)模型。

    敏感性分析結(jié)果表明輻射Rs對(duì)ET0的直接通徑系數(shù)為0.512,對(duì)決定系數(shù)(R2)的貢獻(xiàn)度為0.740,顯著高于其他氣象因子,因此輻射Rs是對(duì)江蘇省逐日ET0影響最為顯著的氣象因子。其次是最高氣溫(Tmax)和相對(duì)濕度(RH),風(fēng)速(U2)對(duì)ET0的影響較小,最低氣溫(Tmin)對(duì)ET0的影響最小。

    GBDT2、RF2模型的可移植性分析結(jié)果表明,江蘇省各氣象站點(diǎn)間相互預(yù)測(cè)ET0時(shí)精度較高,除RF2模型在徐州-射陽(yáng)站點(diǎn)組合的決定系數(shù)(R2)略小于0.9(R2=0.891 7)外,其余站點(diǎn)組合的決定系數(shù)(R2)均大于0.9??梢?jiàn)GBDT2、RF2模型可移植性和泛化能力強(qiáng)。因此在站點(diǎn)氣象資料缺失情況下可使用臨近站點(diǎn)的氣象資料建立GBDT2模型或RF2模型進(jìn)行ET0預(yù)測(cè)。

    參考文獻(xiàn):

    [1]徐俊增,彭世彰,丁加麗,等. 基于蒸滲儀實(shí)測(cè)數(shù)據(jù)的日參考作物蒸發(fā)騰發(fā)量計(jì)算方法評(píng)價(jià)[J]. 水利學(xué)報(bào), 2010, 41(12):1497-1505.

    [2]馮禹,崔寧博,龔道枝,等. 基于極限學(xué)習(xí)機(jī)的參考作物蒸散量預(yù)測(cè)模型[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(S1):153-160.

    [3]李晨,崔寧博,馮禹,等. 四川省不同區(qū)域參考作物蒸散量計(jì)算方法的適用性評(píng)價(jià)[J].農(nóng)業(yè)工程學(xué)報(bào),2016,32(4):127-134,316.

    [4]ALLEN R G, PEREIRA L S, RAES D, et al. Crop evapotranspiration:Guidelines for computing crop water requirements[M]. Rome:FAO Irrigation and Drainage Paper 56,1998:1-15.

    [5]FAN J L, YUE W J, WU L F, et al. Evaluation of SVM, ELM and four tree-based ensemble models for predicting daily reference evapotranspiration using limited meteorological data in different climates of China[J]. Agricultural and Forest Meteorology, 2018,263: 225-241.

    [6]WU L F, FAN J L. Comparison of neuron-based, kernel-based, tree-based and curve-based machine learning models for predicting daily reference evapotranspiration [J]. PLoS One,2019,14(5): e0217520.

    [7]KISI O. Applicability of Mamdani and Sugeno fuzzy genetic approaches for modeling reference evapotranspiration[J]. Journal of Hydrology, 2013, 504: 160-170.

    [8]SHIH S F, SNYDER G H. Leaf area index and evapotranspiration of taro[J]. Agronomy Journal, 1985, 77(4):554-556.

    [9]彭世彰,徐俊增. 參考作物蒸發(fā)蒸騰量計(jì)算方法的應(yīng)用比較[J]. 灌溉排水學(xué)報(bào), 2004,23(6):5-9.

    [10]IRMAK S, IRMAK A, ALLEN R G, et al. Solar and net radiation-based equations to estimate reference evapotranspiration in humid climates[J]. Journal of Irrigation and Drainage Engineering, 2003, 129(5): 336-347.

    [11]PRIESTLEY C H B, TAYLO R J. On the assessment of surface heat flux and evaporation using large-scale parameters[J]. Mon Weather Rev, 1972,100:81-92.

    [12]HARGREAVES G H, SAMANI Z A. Reference crop evapotranspiration from temperature[J]. Appl Eng Agric, 1985,1:96-99.

    [13]KISI O. Pan evaporation modeling using least square support vector machine, multivariate adaptive regression splines and M5 model tree[J]. J Hydrol,2015,528: 312-320.

    [14]WANG L, KISI O, Zounemat-Kermani M, et al. Pan evaporation modeling using six different heuristic computing methods in different climates of China[J]. J Hydrol, 2017,544: 407-427.

    [15]JOVIC S, NEDELJKOVIC B, GOLUBOVIC Z, et al. Evolutionary algorithm for reference evapotranspiration analysis[J]. Comput Electron Agric,2018,150: 1-4.

    [16]LANDERAS G, ORTIZ-BARREDO A, LO′PEZ J J. Comparison of artificial neural network models and empirical and semi-empirical equations for daily reference evapotranspiration estimation in the Basque Country (Northern Spain) [J]. Agric Water Manag,2008,95: 553-565.

    [17]FENG Y, CUI N B, ZHAO L, et al. Comparison of ELM, GANN, WNN and empirical models for estimating reference evapotranspiration in humid region of Southwest China[J]. Journal of Hydrology, 2016, 536: 376-383.

    [18]MOUSAVI R, SABZIPARVAR A A, MAROFI S, et al. Calibration of the Angstrm-Prescott solar radiation model for accurate estimation of reference evapotranspiration in the absence of observed solar radiation[J]. Theoretical and Applied Climatology, 2015, 119(1/2):43-54.

    [19]LADLANI I, HOUICHI L, DJEMILI L, et al. Estimation of daily reference evapotranspiration (ET0) in the North of Algeria using adaptive neuro-fuzzy inference system (ANFIS) and multiple linear regression (MLR) models: A comparative study[J]. Arabian Journal for Science and Engineering, 2014, 39(8):5959-5969.

    [20]KUMAR M, RAGHUWANSHI N S, SINGH R, et al. Estimating evapotranspiration using artificial neural networks[J]. Journal of Irrigation and Drainage Engineering, 2002, 128(4): 224-233.

    [21]張皓杰,崔寧博,徐穎,等. 基于ELM的西北旱區(qū)參考作物蒸散量預(yù)報(bào)模型[J]. 排灌機(jī)械工程學(xué)報(bào), 2018, 36 (8):140-145.

    [22]TRAORE S, WANG Y M, KERH T. Artificial neural network for modeling reference evapotranspiration complex process in Sudano-Sahelian zone[J]. Agricultural Water Management, 2010, 97(5): 707-714.

    [23]TABARI H, KISI O, EZANI A, et al. SVM, ANFIS, regression and climate based models for reference evapotranspiration modeling using limited climatic data in a semi-arid highland environment[J]. Journal of Hydrology, 2012, 777: 78-89.

    [24]ABDULLAH S S, MALEK M A, ABDULLAH N S, et al. Extreme learning machines: A new approach for prediction of reference evapotranspiration[J]. Journal of Hydrology, 2015, 527:184-195.

    [25]HASSAN M A, KHALIL A, KASEB S, et al. Potential of four different machine-learning algorithms in modeling daily global solar radiation[J]. Renewable Energy, 2017, 111:52-62.

    [26]FAN J, WANG X, WU L, et al. Comparison of support vector machine and extreme gradient boosting for predicting daily global solar radiation using temperature and precipitation in humid subtropical climates: A case study in China[J]. Energy Conversion & Management, 2018, 164:102-111.

    [27]于玲,吳鐵軍. 集成學(xué)習(xí):Boosting算法綜述[J]. 模式識(shí)別與人工智能, 2004, 17(1):52-59.

    [28]HASTIE T, TIBSHIRANI R, FRIEDMAN J. Ensemble Learning[M]//HASTIE T, TIBSHIRANI R, FRIEDMAN J. The Elements of Statistical Learning. Springer Series in Statistics. New York, NY: Springer, 2009: 605-624.

    [29]BAUER E, KOHAVI R. An Empirical comparison of voting classification algorithms: Bagging, Boosting, and Variants[J]. Machine Learning, 1999, 36(1/2):105-139.

    [30]DIETTERICH T G. An experimental comparison of three methods for constructing ensembles of decision trees: Bagging, Boosting, and Randomization[J]. Machine Learning, 2000, 40(2):139-157.

    [31]MANIKUMARI N, MURUGAPPAN A, VINODHINI G. Time series forecasting of daily reference evapotranspiration by neural network ensemble learning for irrigation system[J]. IOP Conference Series: Earth and Environmental Science, 2017, 80:012069.

    [32]FENG Y, CUI N, GONG D, et al. Evaluation of random forests and generalized regression neural networks for daily reference evapotranspiration modelling[J]. Agric Water Manage,2017, 193:163-173.

    [33]王升,付智勇,陳洪松,等.基于隨機(jī)森林算法的參考作物蒸發(fā)蒸騰量模擬計(jì)算[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2017,48(3):302-309.

    [34]韓啟迪,張小桐,申維.基于梯度提升決策樹(shù)(GBDT)算法的巖性識(shí)別技術(shù)[J].礦物巖石地球化學(xué)通報(bào),2018,37(6):1173-1180.

    [35]鄭凱文,楊超.基于迭代決策樹(shù)(GBDT)短期負(fù)荷預(yù)測(cè)研究[J].貴州電力技術(shù),2017,20(2):82-84,90.

    [36]蔡文學(xué),羅永豪,張冠湘,等.基于GBDT與Logistic回歸融合的個(gè)人信貸風(fēng)險(xiǎn)評(píng)估模型及實(shí)證分析[J].管理現(xiàn)代化,2017,37(2):1-4.

    [37]GORDON R B A D. Classification and regression trees[J]. Biometrics, 1984, 40(3):874.

    [38]EVERITT B S. Classification and regression trees[M]//GOLDBERG J, FISCHER M. Encyclopedia of Statistics in Behavioral Science. Hoboken, NJ, USA:John Wiley& Sons, Ltd., 2005.

    [39]BREIMAN L. Random Forests[J]. Machine Learning, 2001, 45(1):5-32.

    [40]FRIEDMAN J H. Stochastic gradient boosting[J].Computational Statistics and Data Analysis,2002,38(4):367-378.

    [41]汪彪,曾新民,劉正奇,等. 中國(guó)西北地區(qū)參考作物蒸散量的估算與變化特征[J]. 干旱氣象, 2016, 34(2):243-251.

    [42]馮禹,崔寧博,魏新平,等. 川中丘陵區(qū)參考作物蒸散量時(shí)空變化特征與成因分析[J].農(nóng)業(yè)工程學(xué)報(bào), 2014,30(14):78-86,339.

    (責(zé)任編輯:張震林)

    猜你喜歡
    決定系數(shù)站點(diǎn)氣象
    氣象
    氣象樹(shù)
    《內(nèi)蒙古氣象》征稿簡(jiǎn)則
    基于Python語(yǔ)言路徑分析矩陣算法運(yùn)演
    不同規(guī)格香港牡蠣殼形態(tài)性狀對(duì)重量性狀的影響
    2種貝齡合浦珠母貝數(shù)量性狀的相關(guān)與通徑分析
    基于Web站點(diǎn)的SQL注入分析與防范
    電子制作(2019年14期)2019-08-20 05:43:42
    2017~2018年冬季西北地區(qū)某站點(diǎn)流感流行特征分析
    基于顏色讀數(shù)識(shí)別物質(zhì)濃度的數(shù)學(xué)模型研究
    大國(guó)氣象
    五月玫瑰六月丁香| 熟女电影av网| 美女脱内裤让男人舔精品视频| 午夜日本视频在线| 啦啦啦在线观看免费高清www| 午夜免费鲁丝| 蜜桃国产av成人99| 午夜免费观看性视频| 性高湖久久久久久久久免费观看| 亚洲av欧美aⅴ国产| 亚洲av男天堂| 国产免费视频播放在线视频| 纯流量卡能插随身wifi吗| 国产精品人妻久久久久久| 交换朋友夫妻互换小说| 国产精品免费大片| 国产精品嫩草影院av在线观看| 久久精品国产a三级三级三级| 欧美激情国产日韩精品一区| 午夜日本视频在线| 国产综合精华液| 51国产日韩欧美| 国产色婷婷99| 久久久久久久久久久久大奶| 午夜激情久久久久久久| 人妻少妇偷人精品九色| 国产淫语在线视频| 日韩一本色道免费dvd| 欧美精品国产亚洲| 黄色视频在线播放观看不卡| 18+在线观看网站| 成人毛片a级毛片在线播放| 爱豆传媒免费全集在线观看| 精品一区二区三区视频在线| 秋霞伦理黄片| 2022亚洲国产成人精品| 天堂8中文在线网| 人妻系列 视频| 人妻 亚洲 视频| 国产免费一级a男人的天堂| 亚洲美女黄色视频免费看| www.色视频.com| 国产1区2区3区精品| 蜜桃国产av成人99| 亚洲人成77777在线视频| 日韩伦理黄色片| 久久精品久久精品一区二区三区| 亚洲av综合色区一区| 久久亚洲国产成人精品v| 日韩av在线免费看完整版不卡| 亚洲综合色网址| 又黄又粗又硬又大视频| 国产亚洲精品第一综合不卡 | 黄色毛片三级朝国网站| 自线自在国产av| 人妻一区二区av| 免费人妻精品一区二区三区视频| 伦理电影免费视频| 国产一级毛片在线| 亚洲精品美女久久av网站| 制服诱惑二区| 嫩草影院入口| 免费黄频网站在线观看国产| 欧美精品人与动牲交sv欧美| 两个人看的免费小视频| 99热全是精品| 久久鲁丝午夜福利片| 日本色播在线视频| 大片免费播放器 马上看| 九九爱精品视频在线观看| 九草在线视频观看| 七月丁香在线播放| 国产 精品1| 日韩欧美一区视频在线观看| 免费人妻精品一区二区三区视频| 国产精品久久久久久av不卡| 在线观看一区二区三区激情| 天天操日日干夜夜撸| 自拍欧美九色日韩亚洲蝌蚪91| 日本欧美国产在线视频| 少妇的逼水好多| 这个男人来自地球电影免费观看 | 日韩不卡一区二区三区视频在线| 久久久精品94久久精品| 51国产日韩欧美| 精品亚洲成国产av| 久久鲁丝午夜福利片| 亚洲欧美成人综合另类久久久| 卡戴珊不雅视频在线播放| 狠狠精品人妻久久久久久综合| 五月开心婷婷网| 视频区图区小说| 美女内射精品一级片tv| 极品少妇高潮喷水抽搐| 全区人妻精品视频| 欧美少妇被猛烈插入视频| 亚洲欧美日韩另类电影网站| 欧美+日韩+精品| 亚洲天堂av无毛| 亚洲精品av麻豆狂野| 男人舔女人的私密视频| 成年美女黄网站色视频大全免费| 亚洲精品国产色婷婷电影| 人妻系列 视频| 免费看光身美女| 日韩中字成人| 18禁在线无遮挡免费观看视频| 日日啪夜夜爽| 交换朋友夫妻互换小说| 一区二区三区四区激情视频| 一个人免费看片子| 视频在线观看一区二区三区| 久久97久久精品| 欧美成人午夜免费资源| 国产成人精品久久久久久| 日韩av免费高清视频| 最近2019中文字幕mv第一页| 九草在线视频观看| 欧美精品国产亚洲| 国产69精品久久久久777片| 免费看光身美女| 亚洲国产av影院在线观看| 国语对白做爰xxxⅹ性视频网站| 一个人免费看片子| 日本与韩国留学比较| 久久青草综合色| 国产深夜福利视频在线观看| 亚洲精品自拍成人| 色视频在线一区二区三区| 国产欧美日韩一区二区三区在线| 欧美xxⅹ黑人| www.熟女人妻精品国产 | 久久精品国产自在天天线| 丰满少妇做爰视频| 国产精品国产av在线观看| 国产精品成人在线| 一级毛片我不卡| 久久国产精品男人的天堂亚洲 | 中文字幕制服av| 看十八女毛片水多多多| 免费久久久久久久精品成人欧美视频 | 一区二区三区乱码不卡18| 一个人免费看片子| 国产精品一国产av| av电影中文网址| 久久久精品免费免费高清| 日本av免费视频播放| 日日摸夜夜添夜夜爱| av在线app专区| 久久久久久久久久久久大奶| 亚洲婷婷狠狠爱综合网| a级片在线免费高清观看视频| 哪个播放器可以免费观看大片| 亚洲婷婷狠狠爱综合网| 宅男免费午夜| 26uuu在线亚洲综合色| 欧美日韩国产mv在线观看视频| 日本欧美视频一区| 哪个播放器可以免费观看大片| 最后的刺客免费高清国语| 久久狼人影院| 欧美bdsm另类| 熟女人妻精品中文字幕| 女性生殖器流出的白浆| 国国产精品蜜臀av免费| 亚洲精品456在线播放app| 老司机影院毛片| 午夜激情久久久久久久| 高清毛片免费看| 亚洲国产精品一区二区三区在线| 黑人欧美特级aaaaaa片| 亚洲国产毛片av蜜桃av| 亚洲色图 男人天堂 中文字幕 | 十八禁网站网址无遮挡| 九色成人免费人妻av| 天堂俺去俺来也www色官网| 五月开心婷婷网| 午夜激情久久久久久久| 日韩不卡一区二区三区视频在线| 大香蕉97超碰在线| 美女中出高潮动态图| 亚洲色图 男人天堂 中文字幕 | 日本黄色日本黄色录像| 国产国拍精品亚洲av在线观看| 黄网站色视频无遮挡免费观看| 日本黄色日本黄色录像| 免费av中文字幕在线| 丝袜在线中文字幕| 成人毛片a级毛片在线播放| 久久青草综合色| 免费少妇av软件| 欧美亚洲 丝袜 人妻 在线| 在线观看免费高清a一片| 久久精品国产亚洲av天美| 22中文网久久字幕| 丰满少妇做爰视频| 看免费成人av毛片| 欧美另类一区| 老女人水多毛片| 在线观看免费日韩欧美大片| 2021少妇久久久久久久久久久| kizo精华| 大片电影免费在线观看免费| 久久人人97超碰香蕉20202| 国产成人精品久久久久久| 人人妻人人添人人爽欧美一区卜| 男人添女人高潮全过程视频| 亚洲av成人精品一二三区| 国产精品久久久久久精品电影小说| 欧美日本中文国产一区发布| 97在线视频观看| 亚洲精品国产av蜜桃| 欧美精品人与动牲交sv欧美| 最近手机中文字幕大全| 黄色配什么色好看| 国产视频首页在线观看| av在线app专区| 久久99精品国语久久久| 中文乱码字字幕精品一区二区三区| 十八禁网站网址无遮挡| 国产精品欧美亚洲77777| 国产深夜福利视频在线观看| 成人黄色视频免费在线看| 欧美人与性动交α欧美软件 | 国产精品久久久久久av不卡| 亚洲成av片中文字幕在线观看 | 美女xxoo啪啪120秒动态图| 高清在线视频一区二区三区| 国产精品一国产av| 亚洲欧美中文字幕日韩二区| 欧美日本中文国产一区发布| 成人漫画全彩无遮挡| 男女午夜视频在线观看 | 女人被躁到高潮嗷嗷叫费观| 亚洲一区二区三区欧美精品| 亚洲四区av| 99re6热这里在线精品视频| 久久久久视频综合| 丝瓜视频免费看黄片| 最新的欧美精品一区二区| 亚洲国产最新在线播放| av有码第一页| 国产精品女同一区二区软件| 亚洲人成网站在线观看播放| 一本色道久久久久久精品综合| 久热久热在线精品观看| 亚洲av国产av综合av卡| 欧美日韩av久久| 成人免费观看视频高清| 看免费av毛片| 宅男免费午夜| www.熟女人妻精品国产 | 中文字幕最新亚洲高清| 久久精品aⅴ一区二区三区四区 | 久久午夜综合久久蜜桃| tube8黄色片| 日韩伦理黄色片| 99热全是精品| 国产免费福利视频在线观看| 卡戴珊不雅视频在线播放| 亚洲精品一二三| 最近最新中文字幕免费大全7| 久久久精品区二区三区| 国产成人精品久久久久久| 少妇猛男粗大的猛烈进出视频| 人妻 亚洲 视频| 日韩大片免费观看网站| 久久久久久久大尺度免费视频| 亚洲av国产av综合av卡| 2021少妇久久久久久久久久久| 精品酒店卫生间| 激情五月婷婷亚洲| 丁香六月天网| 久久精品国产自在天天线| 一边摸一边做爽爽视频免费| 日本免费在线观看一区| 日本av手机在线免费观看| 免费人成在线观看视频色| 亚洲美女视频黄频| 国产乱来视频区| 寂寞人妻少妇视频99o| 国产免费视频播放在线视频| 熟女av电影| 色哟哟·www| 国产色爽女视频免费观看| 免费播放大片免费观看视频在线观看| 麻豆精品久久久久久蜜桃| 亚洲欧美一区二区三区黑人 | 乱人伦中国视频| 成人手机av| 欧美日韩av久久| 肉色欧美久久久久久久蜜桃| 卡戴珊不雅视频在线播放| 亚洲,欧美,日韩| 精品久久国产蜜桃| 精品人妻一区二区三区麻豆| 最黄视频免费看| 人妻系列 视频| 国产永久视频网站| 婷婷色综合www| 波野结衣二区三区在线| 在线观看国产h片| 精品一区二区三卡| 亚洲伊人久久精品综合| 国产精品久久久久久久久免| 欧美日韩成人在线一区二区| 精品一区二区三区视频在线| 香蕉丝袜av| 卡戴珊不雅视频在线播放| 99re6热这里在线精品视频| 亚洲精品国产色婷婷电影| 国产淫语在线视频| 国产欧美另类精品又又久久亚洲欧美| 亚洲国产精品国产精品| 免费观看a级毛片全部| a 毛片基地| 免费女性裸体啪啪无遮挡网站| 好男人视频免费观看在线| 91精品三级在线观看| 制服人妻中文乱码| 亚洲丝袜综合中文字幕| 亚洲国产欧美在线一区| 高清在线视频一区二区三区| 精品国产乱码久久久久久小说| 热re99久久精品国产66热6| 国产黄色免费在线视频| a 毛片基地| 成人毛片60女人毛片免费| av电影中文网址| 亚洲人成77777在线视频| 日日摸夜夜添夜夜爱| 国产在线视频一区二区| 在线观看美女被高潮喷水网站| 成人午夜精彩视频在线观看| 高清av免费在线| 国产xxxxx性猛交| 一级毛片 在线播放| 亚洲伊人色综图| 搡女人真爽免费视频火全软件| 亚洲精品456在线播放app| 日本与韩国留学比较| 麻豆乱淫一区二区| 久久免费观看电影| 性色av一级| 亚洲一区二区三区欧美精品| 水蜜桃什么品种好| 国产熟女欧美一区二区| av卡一久久| 免费大片黄手机在线观看| 免费大片18禁| 亚洲精品一二三| 欧美精品av麻豆av| 久久毛片免费看一区二区三区| 高清av免费在线| 亚洲国产看品久久| 久久人人爽人人爽人人片va| 国产免费又黄又爽又色| 一本—道久久a久久精品蜜桃钙片| 久热久热在线精品观看| 亚洲熟女精品中文字幕| 国产亚洲一区二区精品| 丝袜人妻中文字幕| 最近的中文字幕免费完整| 精品福利永久在线观看| 热99国产精品久久久久久7| 午夜福利在线观看免费完整高清在| 亚洲国产最新在线播放| 99国产综合亚洲精品| 18禁在线无遮挡免费观看视频| 人人妻人人澡人人爽人人夜夜| 免费观看无遮挡的男女| 国产一区二区三区综合在线观看 | 美女脱内裤让男人舔精品视频| 亚洲国产最新在线播放| 美女脱内裤让男人舔精品视频| 人妻人人澡人人爽人人| 久久久久久久久久人人人人人人| 咕卡用的链子| 最近中文字幕2019免费版| 国语对白做爰xxxⅹ性视频网站| 国产熟女欧美一区二区| 国产精品久久久久成人av| 熟女电影av网| 亚洲四区av| 亚洲一码二码三码区别大吗| 久久久久精品性色| 纵有疾风起免费观看全集完整版| 男人爽女人下面视频在线观看| 大话2 男鬼变身卡| 色婷婷久久久亚洲欧美| 国产免费福利视频在线观看| 精品一区二区三区视频在线| a级毛片在线看网站| 国产成人aa在线观看| 日韩人妻精品一区2区三区| 国产精品99久久99久久久不卡 | 精品熟女少妇av免费看| 99久久精品国产国产毛片| 日本黄大片高清| 热99国产精品久久久久久7| 人成视频在线观看免费观看| 亚洲国产色片| 交换朋友夫妻互换小说| 最近的中文字幕免费完整| 2022亚洲国产成人精品| 国产无遮挡羞羞视频在线观看| 两性夫妻黄色片 | av在线观看视频网站免费| 韩国av在线不卡| av在线观看视频网站免费| 亚洲av综合色区一区| 看非洲黑人一级黄片| 国产爽快片一区二区三区| 搡女人真爽免费视频火全软件| 极品少妇高潮喷水抽搐| 国产精品人妻久久久影院| 日韩视频在线欧美| 有码 亚洲区| 欧美变态另类bdsm刘玥| 中国国产av一级| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 成人18禁高潮啪啪吃奶动态图| 高清视频免费观看一区二区| 色视频在线一区二区三区| 少妇高潮的动态图| 美女福利国产在线| 色网站视频免费| 欧美国产精品va在线观看不卡| 母亲3免费完整高清在线观看 | 日日啪夜夜爽| 精品午夜福利在线看| 国产乱人偷精品视频| 国产 一区精品| av不卡在线播放| 精品国产一区二区三区久久久樱花| 狂野欧美激情性xxxx在线观看| 少妇精品久久久久久久| 成人国产麻豆网| 亚洲欧美一区二区三区国产| 国产精品一区二区在线观看99| 久久久久人妻精品一区果冻| 高清在线视频一区二区三区| 中文欧美无线码| 人妻少妇偷人精品九色| 看十八女毛片水多多多| 一边亲一边摸免费视频| 另类精品久久| 日韩av不卡免费在线播放| 美国免费a级毛片| 大香蕉久久网| 国产亚洲最大av| 精品亚洲成a人片在线观看| 亚洲av中文av极速乱| 亚洲国产最新在线播放| 精品酒店卫生间| 青春草亚洲视频在线观看| 另类亚洲欧美激情| 日韩大片免费观看网站| 国产日韩欧美在线精品| 中文字幕制服av| 日韩不卡一区二区三区视频在线| 国产亚洲av片在线观看秒播厂| 国产激情久久老熟女| 97超碰精品成人国产| 久久久久久久精品精品| 成人亚洲欧美一区二区av| 亚洲国产色片| 日本色播在线视频| 国产高清三级在线| 国产日韩一区二区三区精品不卡| 亚洲中文av在线| 一本久久精品| 最新的欧美精品一区二区| 三上悠亚av全集在线观看| 一本色道久久久久久精品综合| av视频免费观看在线观看| 亚洲情色 制服丝袜| 岛国毛片在线播放| 高清欧美精品videossex| 美女大奶头黄色视频| 亚洲精品456在线播放app| 国产成人免费观看mmmm| 久久久欧美国产精品| 日日摸夜夜添夜夜爱| 午夜福利在线观看免费完整高清在| 秋霞在线观看毛片| 草草在线视频免费看| 美女中出高潮动态图| 青青草视频在线视频观看| 黑丝袜美女国产一区| 国产精品99久久99久久久不卡 | 国产永久视频网站| 在线亚洲精品国产二区图片欧美| 国产男人的电影天堂91| 91精品三级在线观看| 亚洲综合精品二区| 午夜日本视频在线| 久久精品国产a三级三级三级| 国产男女内射视频| 捣出白浆h1v1| 女性被躁到高潮视频| 香蕉国产在线看| 十八禁高潮呻吟视频| 免费av中文字幕在线| 黄色配什么色好看| 美女国产高潮福利片在线看| 日本午夜av视频| 天天影视国产精品| 亚洲情色 制服丝袜| 99视频精品全部免费 在线| 在线免费观看不下载黄p国产| 又大又黄又爽视频免费| 久久这里有精品视频免费| 久久久久久久精品精品| 日本黄大片高清| 成人二区视频| 777米奇影视久久| 国产伦理片在线播放av一区| av电影中文网址| 一区二区三区精品91| 久久精品国产亚洲av天美| 97在线视频观看| 亚洲精品美女久久久久99蜜臀 | 久久综合国产亚洲精品| 热99久久久久精品小说推荐| 夫妻午夜视频| 国产又色又爽无遮挡免| 国产亚洲最大av| a级片在线免费高清观看视频| 亚洲国产精品一区三区| 久久久久久久久久成人| 色视频在线一区二区三区| 亚洲精品美女久久久久99蜜臀 | 国产欧美日韩一区二区三区在线| 国产欧美日韩综合在线一区二区| 内地一区二区视频在线| 精品国产一区二区久久| 乱人伦中国视频| 亚洲成国产人片在线观看| 巨乳人妻的诱惑在线观看| 精品久久国产蜜桃| 日韩在线高清观看一区二区三区| 免费av中文字幕在线| 欧美激情 高清一区二区三区| 青青草视频在线视频观看| 精品人妻熟女毛片av久久网站| 黄色毛片三级朝国网站| 久久女婷五月综合色啪小说| 国产在视频线精品| 男女免费视频国产| av女优亚洲男人天堂| 国产黄色免费在线视频| 国产成人欧美| 大码成人一级视频| 十八禁网站网址无遮挡| 久久久久精品性色| 亚洲欧洲国产日韩| 人妻 亚洲 视频| 9191精品国产免费久久| 丝袜人妻中文字幕| tube8黄色片| 久久青草综合色| 成人毛片a级毛片在线播放| 久久久久久人妻| 亚洲欧洲精品一区二区精品久久久 | 国产精品熟女久久久久浪| 欧美人与性动交α欧美精品济南到 | 国产在线一区二区三区精| 成人影院久久| 精品国产露脸久久av麻豆| 超碰97精品在线观看| 高清av免费在线| 人人妻人人澡人人爽人人夜夜| 人妻系列 视频| 久久久久视频综合| 黄色一级大片看看| 97精品久久久久久久久久精品| 亚洲av男天堂| 精品人妻熟女毛片av久久网站| 人妻少妇偷人精品九色| 亚洲国产精品专区欧美| 久久久久久久久久成人| 亚洲欧美中文字幕日韩二区| 精品一区二区免费观看| 熟女av电影| 五月天丁香电影| 99热国产这里只有精品6| 久久久欧美国产精品| 中文字幕精品免费在线观看视频 | 天天影视国产精品| 在线观看免费高清a一片| 日产精品乱码卡一卡2卡三| 亚洲欧美色中文字幕在线| 免费观看无遮挡的男女| 18在线观看网站| 日本欧美视频一区| 亚洲成人手机| 国产精品无大码| 日韩一区二区视频免费看| 最后的刺客免费高清国语| 日本色播在线视频| 欧美变态另类bdsm刘玥| 中文字幕精品免费在线观看视频 | 欧美97在线视频| 99久久综合免费| 亚洲美女黄色视频免费看| 成年女人在线观看亚洲视频| 午夜91福利影院| 中文欧美无线码| 精品人妻在线不人妻| 又黄又粗又硬又大视频| 国产极品粉嫩免费观看在线| a级片在线免费高清观看视频| 国产片特级美女逼逼视频| 色婷婷av一区二区三区视频|