• <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 ?

    深度學(xué)習(xí)在水文預(yù)測(cè)領(lǐng)域的應(yīng)用進(jìn)展與思考

    2021-08-10 06:50:31陳愛(ài)青
    科技創(chuàng)新導(dǎo)報(bào) 2021年12期
    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)大數(shù)據(jù)

    陳愛(ài)青

    摘? 要:合理的水文預(yù)測(cè)模型是水文水資源決策管理的基礎(chǔ),如何充分挖掘既有水文數(shù)據(jù)中的信息成為當(dāng)前水文預(yù)測(cè)領(lǐng)域的一大挑戰(zhàn),深度學(xué)習(xí)方法的快速發(fā)展為水文預(yù)測(cè)提供了新的思路。針對(duì)國(guó)內(nèi)外近期提出的水文預(yù)測(cè)深度學(xué)習(xí)模型進(jìn)行歸納總結(jié),從數(shù)據(jù)來(lái)源、方法模型、驗(yàn)證討論等方面探討了深度學(xué)習(xí)在水文預(yù)測(cè)領(lǐng)域的應(yīng)用進(jìn)展,并進(jìn)一步給出了數(shù)據(jù)獲取、模型遷移、實(shí)時(shí)預(yù)警等方面的思考。結(jié)果表明:充足的水文數(shù)據(jù)是精準(zhǔn)預(yù)測(cè)的前提,合理的模型構(gòu)建策略是考慮各種不確定因素的關(guān)鍵手段,模型的適用性和實(shí)時(shí)預(yù)警是未來(lái)進(jìn)一步研究的方向。

    關(guān)鍵詞:水文預(yù)測(cè)? 深度學(xué)習(xí)? 大數(shù)據(jù)? 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)? 卷積神經(jīng)網(wǎng)絡(luò)

    中圖分類號(hào):P338 ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:A? ? ? ? ? ? 文章編號(hào):1674-098X(2021)04(c)-0252-05

    Application Progress and Thinking of Deep Learning in the Field of Hydrological Prediction

    CHEN Aiqing

    (Shanghai Branch of Changjiang Survey Planning Design Research Co., Ltd., Shanghai, 200439? China)

    Abstract: A reasonable hydrological prediction model is the foundation of hydrological and water resources decision-making and management. How to fully mining the information in existing hydrological data has become a major challenge in the current hydrological prediction field. The rapid development of deep learning methods provides new ideas for hydrological prediction. In view of the recent domestic and foreign hydrological prediction deep learning models, this paper discusses the application progress of deep learning in the field of hydrological prediction from the aspects of data sources, proposed models, verification and discussion, and further provides some suggestions on data acquisition, model migration, and real-time early warning. The results show that sufficient hydrological data is a prerequisite for accurate prediction, a reasonable model building strategy is a key means to consider various uncertain factors, and the applicability of the model and real-time early warning are the directions for further research in the future.

    Key Words: Hydrological prediction model; Deep learning; Big data; LSTM; CNN

    水文模型是水文水資源管理、防汛減災(zāi)的基礎(chǔ)手段,傳統(tǒng)的概念性模型、物理模型和統(tǒng)計(jì)學(xué)模型已經(jīng)在徑流、降水量預(yù)測(cè)等領(lǐng)域取得了長(zhǎng)足進(jìn)展,但隨著傳感手段的不斷發(fā)展,海量水文數(shù)據(jù)的積累導(dǎo)致傳統(tǒng)方法難以充分挖掘現(xiàn)有水文數(shù)據(jù)中的有效信息,近年來(lái)深度學(xué)習(xí)方法以其處理高維度、多特征海量數(shù)據(jù)方面取得了顯著成果,已經(jīng)被廣泛應(yīng)用于水文預(yù)測(cè)? ? ? 領(lǐng)域。

    作為機(jī)器學(xué)習(xí)的一種,深度學(xué)習(xí)概念是Hinton 于2006年在《Science》發(fā)表的“深度信念網(wǎng)絡(luò)(Deep belief network,DBN)”,他將多層感知機(jī)(多層神經(jīng)網(wǎng)絡(luò))的學(xué)習(xí)方法稱為“深度學(xué)習(xí)”。簡(jiǎn)單來(lái)說(shuō),深度神經(jīng)網(wǎng)絡(luò)可以理解為具有2個(gè)或2個(gè)以上隱藏層的多層人工神經(jīng)網(wǎng)絡(luò),深度學(xué)習(xí)是相對(duì)于淺層學(xué)習(xí)而言的,深度學(xué)習(xí)通過(guò)更深的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)實(shí)現(xiàn)更好的特征表示。從具體的算法模型角度來(lái)看,長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(Long-short term memeory,LSTM)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)為代表的模型架構(gòu)在時(shí)間序列處理和圖像識(shí)別領(lǐng)域取得了巨大成功。本文將從徑流預(yù)測(cè)、降雨量預(yù)測(cè)、地下水位分布及河湖冰川等方面介紹深度學(xué)習(xí)模型的應(yīng)用進(jìn)展,并探討深度學(xué)習(xí)水文預(yù)測(cè)方面數(shù)據(jù)獲取、模型遷移和實(shí)時(shí)預(yù)警方面的思考。

    1? 深度學(xué)習(xí)在水文預(yù)測(cè)領(lǐng)域的應(yīng)用進(jìn)展

    1.1 基于深度學(xué)習(xí)的徑流預(yù)測(cè)模型

    徑流預(yù)測(cè)模型需要充分考慮時(shí)間效應(yīng)的影響,所提出的模型要能夠響應(yīng)環(huán)境變化等因素。Fu等人[1]利用LSTM,對(duì)徑流量在未來(lái)一段時(shí)間內(nèi)的變化趨勢(shì)進(jìn)行了預(yù)測(cè)。所采用的數(shù)據(jù)集是馬來(lái)西亞西北部的Kelantan 河,采用了1964—2004年50年的觀測(cè)數(shù)據(jù)進(jìn)行研究,共14976個(gè)樣本。通過(guò)設(shè)置不同歷史數(shù)據(jù)(2000~6000d)作為訓(xùn)練集,預(yù)測(cè)未來(lái)100~600d的徑流量,相比于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò),采用LSTM的深度學(xué)習(xí)模型精度更高。Kao等人[2]利用基于LSTM的編碼器-解碼器結(jié)構(gòu),對(duì)中國(guó)臺(tái)灣地區(qū)石門(mén)地區(qū)的洪水發(fā)生進(jìn)行了預(yù)測(cè),該研究收集了23個(gè)臺(tái)風(fēng)事件中的12216個(gè)水文數(shù)據(jù),數(shù)據(jù)采樣間隔為1h,模型采用了每小時(shí)的入庫(kù)流量和降雨數(shù)據(jù),時(shí)間步長(zhǎng)考慮為8h,來(lái)預(yù)測(cè)未來(lái)1h~6h的入庫(kù)流量,對(duì)比前饋神經(jīng)網(wǎng)絡(luò)模型,所提出的LSTM模型能夠更好地捕捉洪水發(fā)生的時(shí)間關(guān)聯(lián)性。Ren等人[3]針對(duì)級(jí)聯(lián)渠道水位的實(shí)時(shí)預(yù)測(cè)問(wèn)題,提出了基于多層感知機(jī)和LSTM的深度學(xué)習(xí)預(yù)測(cè)模型,并通過(guò)時(shí)空窗口實(shí)現(xiàn)了水位數(shù)據(jù)的數(shù)據(jù)增強(qiáng),在南水北調(diào)工程近5年的19704渠道水位數(shù)據(jù)中,可以實(shí)現(xiàn)未來(lái)2、4、6h的精準(zhǔn)預(yù)測(cè),精度可達(dá)90%。上述研究所采用數(shù)據(jù)量的時(shí)間跨度大,所蘊(yùn)含的信息十分豐富,基于LSTM的模型架構(gòu)能夠很好地捕捉歷史趨勢(shì)對(duì)當(dāng)前和未來(lái)徑流變化的影響。

    為解決含噪聲徑流數(shù)據(jù)的準(zhǔn)確預(yù)測(cè)問(wèn)題,F(xiàn)eng 等[4]提出了基于變分模態(tài)分解(variational mode decomposition,VMD)結(jié)合支持向量機(jī)的預(yù)測(cè)模型,并通過(guò)粒子群優(yōu)化算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化,VMD將原始徑流時(shí)間序列分解為不同分量,然后用支持向量機(jī)對(duì)每個(gè)分量進(jìn)行預(yù)測(cè),在長(zhǎng)江三峽和丹江口水庫(kù)的預(yù)測(cè)分析中,所提出的模型比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型和極限學(xué)習(xí)機(jī)方法精度要高。李文武等人[5]提出了變分模態(tài)分解、相空間重構(gòu)和深度門(mén)控網(wǎng)絡(luò)相結(jié)合的徑流組合預(yù)測(cè)模型,在白山水庫(kù)的數(shù)據(jù)集測(cè)試表明,分解-預(yù)測(cè)-重構(gòu)的策略能有效分解非平穩(wěn)性的徑流序列,充分學(xué)習(xí)內(nèi)嵌的水文規(guī)律?;诜纸獾乃悸纺軌蛉コ龜?shù)據(jù)的噪聲,在一定程度上也能提高預(yù)測(cè)精度,但在水文數(shù)據(jù)模態(tài)分解的過(guò)程中不可避免地使用了未來(lái)的信息,該方法僅能作為回歸模型來(lái)使用,無(wú)法實(shí)現(xiàn)在徑流時(shí)間序列預(yù)測(cè)問(wèn)題。

    針對(duì)洪水等極端水文數(shù)據(jù)獲取難題,Kabir等[6]提出了用于河流洪水泛濫的快速預(yù)測(cè)CNN模型,以二維數(shù)值(LISFLOOD-FP)仿真結(jié)果作為輸入,來(lái)預(yù)測(cè)洪水水深,以2005年1月和2015年12月英國(guó)卡萊爾的洪水案例作為數(shù)據(jù)集,制作了24個(gè)“合成”水文圖(三個(gè)上游邊界位置各8個(gè)),并具有不同的峰值和持續(xù)時(shí)間,以表示不同大小的洪水情況,所提出的CNN模型比SVR模型精度高且能捕捉防洪建設(shè)等地形變化對(duì)洪水動(dòng)態(tài)的影響。Irrgang等[7]利用CNN來(lái)對(duì)陸地水儲(chǔ)量進(jìn)行預(yù)測(cè),首先通過(guò)地表流量模型計(jì)算南美地區(qū)2003—2018年的月均地表儲(chǔ)水量作為輸出,利用重力回溯及氣候?qū)嶒?yàn)衛(wèi)星的觀測(cè)數(shù)據(jù)作為輸入,訓(xùn)練CNN模型來(lái)模擬衛(wèi)星觀測(cè)輸入與數(shù)值仿真模型之間的關(guān)系,在損失函數(shù)中考慮到通過(guò)地面測(cè)高得到的亞馬遜流域地表水存儲(chǔ)異常數(shù)據(jù),所得到的模型能夠?qū)?019年南美地區(qū)的月均地表儲(chǔ)水量進(jìn)行較好的預(yù)測(cè)。Nalley等[8]針對(duì)河川徑流數(shù)據(jù)不足的問(wèn)題,采用了基于小波變換結(jié)合現(xiàn)有數(shù)據(jù)插值手段的數(shù)據(jù)增強(qiáng)算法,實(shí)現(xiàn)了加拿大67對(duì)水文站徑流數(shù)據(jù)的有效提升。

    1.2 基于深度學(xué)習(xí)的降水量預(yù)測(cè)模型

    降水是徑流變化的重要影響因素,由于氣候變化的偶然性,降水量的非平穩(wěn)時(shí)間特征明顯。為解決極端天氣災(zāi)害引起的洪水和干旱問(wèn)題,Ali等[9]通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解對(duì)降水量進(jìn)行了分解,然后利用隨機(jī)森林和嶺回歸等方法對(duì)降水量分解后的每個(gè)分量進(jìn)行預(yù)測(cè),在巴基斯坦巴爾蒂斯坦省的案例中得到驗(yàn)證,所提出的模型精度可達(dá)0.95以上,比傳統(tǒng)的隨機(jī)森林和嶺回歸方法精度提高1倍左右,有效解決了非平穩(wěn)降雨量時(shí)間序列的預(yù)測(cè)難題。Zhang等提出了基于動(dòng)態(tài)深度前饋神經(jīng)網(wǎng)絡(luò)的區(qū)域短期降雨量模型,利用主成分分析來(lái)將13類氣象、高程、水文數(shù)據(jù)進(jìn)行降維,然后通過(guò)算法對(duì)深度前饋神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)進(jìn)行優(yōu)化,在對(duì)某地短期降雨量進(jìn)行預(yù)測(cè)時(shí),Zhang等人的策略是在該地點(diǎn)(中心點(diǎn))周圍區(qū)域的觀測(cè)數(shù)據(jù)建立多個(gè)預(yù)測(cè)模型,同時(shí)預(yù)測(cè)該地點(diǎn)短期降雨量,然后通過(guò)兩地直接的距離作為權(quán)重來(lái)衡量各個(gè)預(yù)測(cè)模型所得降雨量對(duì)中心點(diǎn)的貢獻(xiàn),對(duì)比中國(guó)和日本官方預(yù)報(bào)采用的物理模型、傳統(tǒng)的MLP和DBN、ARIMA模型、傳統(tǒng)的機(jī)器學(xué)習(xí)模型(支持向量機(jī)等),所提出的模型精度最高,該方法一定程度上考慮了降雨量空間分布的特征。

    為了更好地實(shí)現(xiàn)衛(wèi)星觀測(cè)數(shù)據(jù)和地面雨量站觀測(cè)數(shù)據(jù)的有效融合,Wu等[10]提出了融合CNN和LSTM的深度學(xué)習(xí)模型來(lái)實(shí)現(xiàn)衛(wèi)星和雨量站降水?dāng)?shù)據(jù)融合,CNN和LSMT分別提取空間相關(guān)性和時(shí)間依賴性來(lái)融合 TRMM 3B42 V7 降水?dāng)?shù)據(jù),熱紅外數(shù)據(jù)以及雨量站數(shù)據(jù),在中國(guó)796個(gè)雨量站數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明:所提出的融合模型優(yōu)于其他單一組成的深度神經(jīng)網(wǎng)絡(luò)模型(CNN,LSTM,MLP),對(duì)于TRMM數(shù)據(jù)的空間降水精度均方根誤差可以降低17%。

    降雨會(huì)誘發(fā)滑坡等地質(zhì)災(zāi)害,Orland等[11]利用基于LSTM的深度學(xué)習(xí)模型,建立了滑坡水文響應(yīng)的預(yù)測(cè)模型,模型采用監(jiān)測(cè)到的土壤水分壓力、孔隙壓力和降雨量監(jiān)測(cè)數(shù)據(jù)作為輸入,對(duì)俄勒岡州艾略特國(guó)家森林實(shí)測(cè)的土壤介質(zhì)吸力對(duì)降雨響應(yīng)的時(shí)間和幅度進(jìn)行了高精度預(yù)測(cè),可以實(shí)現(xiàn)36h時(shí)間間隔不同深度介質(zhì)吸力預(yù)測(cè),模型的計(jì)算效率和精度對(duì)比傳統(tǒng)經(jīng)驗(yàn)?zāi)P秃臀锢砟P途茌^好地滿足滑坡預(yù)警的需求。

    1.3 基于深度學(xué)習(xí)的地下水分布預(yù)測(cè)模型

    地下水分布受降水、徑流、地質(zhì)構(gòu)造等因素的影響,空間特異性十分明顯,Panahi等[12]提出了基于CNN的地下水位空間分布模型,以韓國(guó)南部丹陽(yáng)地區(qū)140個(gè)地下水?dāng)?shù)據(jù)集進(jìn)行研究,模型用匯水面積、徑流、坡度等15個(gè)參量作為輸入,用地下水賦存潛力作為輸出,對(duì)比SVR模型,CNN模型的空間建模精度要高12.6%。Jeong等[13]針對(duì)地下水位實(shí)測(cè)數(shù)據(jù)中包含大量異常值和噪聲情況下的預(yù)測(cè)問(wèn)題,在LSTM神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上提出了一種新的損失函數(shù)——具備非對(duì)稱加權(quán)的最小裁剪正方形方法,并結(jié)合惠塔克濾波,實(shí)現(xiàn)了韓國(guó)江津城段和浦項(xiàng)郡段地下水位的高魯棒性預(yù)測(cè),模型采用了2010—2016約2500d的地下水位數(shù)據(jù)進(jìn)行研究。如何考慮時(shí)間-空間影響下的地下水分布問(wèn)題,值得通過(guò)LSTM-CNN耦合分析模型進(jìn)一步探討。

    1.4 基于深度學(xué)習(xí)的河湖冰川預(yù)測(cè)模型

    為解決冰川數(shù)據(jù)重建問(wèn)題,Bolibar等[14]利用深度學(xué)習(xí)手段實(shí)現(xiàn)了法國(guó)阿爾卑斯地區(qū)冰川物質(zhì)平衡序列的重建,時(shí)間跨度從1967—2015年,重建模型采用的數(shù)據(jù)來(lái)自于物質(zhì)平衡數(shù)據(jù)的直接觀測(cè),遙感年數(shù)據(jù)估算、氣象再分析和地形數(shù)據(jù),并與32個(gè)冰川實(shí)測(cè)數(shù)據(jù)進(jìn)行對(duì)比,重建的精度可達(dá)75%。Wang等[15]針對(duì)海洋溶解氧濃度的預(yù)測(cè)問(wèn)題,提出了基于決策樹(shù)理念的深度神經(jīng)網(wǎng)絡(luò)模型,解決了既有深度神經(jīng)網(wǎng)絡(luò)模型超參數(shù)調(diào)節(jié)難題,在World Ocean Database 2013(WOD13) 數(shù)據(jù)集上的仿真結(jié)果表明,所提出的樹(shù)調(diào)優(yōu)深度神經(jīng)網(wǎng)絡(luò)比Humbird, KD等人提出的深度聯(lián)合互饋神經(jīng)網(wǎng)絡(luò)(deep jointly informed neural network (DJINN),均方誤差降低了17.6%。Zhang等[16]在海洋表面溫度的預(yù)測(cè)中,利用LSTM模型解決異常溫度預(yù)測(cè)和模型在線更新的難題,通過(guò)增加不同年份測(cè)得的海水表面溫度,模型更新策略能夠?qū)崿F(xiàn)更好的預(yù)測(cè)精度,這表明深度學(xué)習(xí)模型可以充分挖掘歷史數(shù)據(jù)中隱含的信息進(jìn)行預(yù)測(cè)。

    在某些特定的應(yīng)用場(chǎng)景,機(jī)器學(xué)習(xí)模型并不一定表現(xiàn)得更好。Zhu等[17]綜合對(duì)比了傳統(tǒng)物理模型和機(jī)器學(xué)習(xí)模型在湖水表面溫度的預(yù)測(cè)研究,通過(guò)對(duì)波蘭8個(gè)湖30年的表面日觀測(cè)溫度時(shí)間序列進(jìn)行預(yù)測(cè),對(duì)比多層感知機(jī)模型、基于小波變換的多層感知機(jī)、時(shí)間-溫度物理模型和非線性回歸模型,結(jié)果發(fā)現(xiàn)傳統(tǒng)的時(shí)間-溫度物理模型表現(xiàn)最好,非線性回歸模型表現(xiàn)最差,說(shuō)明在海量時(shí)間序列預(yù)測(cè)方面,單純的多層感知機(jī)模型并不能夠很好地解決時(shí)間關(guān)聯(lián)性問(wèn)題。

    2? 深度學(xué)習(xí)在水文預(yù)測(cè)領(lǐng)域的展望

    從近年來(lái)深度學(xué)習(xí)在徑流、降雨量和地下水等預(yù)測(cè)的研究進(jìn)展來(lái)看,現(xiàn)有的深度學(xué)習(xí)模型能夠解決部分場(chǎng)景下的水文預(yù)測(cè)問(wèn)題,但充足的訓(xùn)練數(shù)據(jù)是模型取得良好預(yù)測(cè)結(jié)果的前提,徑流預(yù)測(cè)動(dòng)輒需要跨度十幾年甚至幾十年的數(shù)據(jù)作為支撐,因此發(fā)展便捷高效的數(shù)據(jù)獲取手段是關(guān)鍵。水文數(shù)據(jù)體現(xiàn)強(qiáng)烈的時(shí)空特異性,空天地相結(jié)合的數(shù)據(jù)獲取方式是未來(lái)趨勢(shì),如何通過(guò)深度學(xué)習(xí)來(lái)融合不同尺度上的時(shí)空數(shù)據(jù)值得進(jìn)一步探討。以光纖傳感為代表的分布式感知方法因其經(jīng)濟(jì)可靠,在地質(zhì)災(zāi)害監(jiān)測(cè)等領(lǐng)域得到了廣泛應(yīng)用,如何將光纖傳感應(yīng)用到水文監(jiān)測(cè)領(lǐng)域,并通過(guò)深度學(xué)習(xí)挖掘光纖傳感數(shù)據(jù),需要進(jìn)一步解決光纖表征參量與水文特征參量的關(guān)系。

    現(xiàn)有的水文預(yù)報(bào)深度學(xué)習(xí)模型,以特定的場(chǎng)景為對(duì)象進(jìn)行研究,無(wú)法實(shí)現(xiàn)模型的遷移。在新場(chǎng)景面臨較少訓(xùn)練數(shù)據(jù)情況下,如何將已訓(xùn)練好的模型通過(guò)遷移學(xué)習(xí)直接應(yīng)用于新的場(chǎng)景,是值得進(jìn)一步探討的方向。遷移過(guò)程中可以考慮地理信息的相似性和差異性來(lái)實(shí)現(xiàn)源模型(已訓(xùn)練好的模型)到目標(biāo)模型(新場(chǎng)景需要的模型)遷移。

    從既有的深度學(xué)習(xí)水文預(yù)測(cè)模型來(lái)看,均以線下分析應(yīng)用為主,對(duì)于水位實(shí)時(shí)預(yù)報(bào)的能力沒(méi)有進(jìn)一步闡述。而面臨極端天氣等引發(fā)的防汛減災(zāi)實(shí)時(shí)預(yù)警需求,拓展深度學(xué)習(xí)快速預(yù)警能力需要在軟件和硬件方面進(jìn)一步研究。在軟件方面,所采用的算法能夠處理實(shí)時(shí)在線數(shù)據(jù)流;在硬件方面,傳感器的實(shí)時(shí)感知、傳輸與信息發(fā)布,仍需要進(jìn)一步設(shè)計(jì)。

    3? 結(jié)語(yǔ)

    本文探討了深度學(xué)習(xí)在水文預(yù)報(bào)領(lǐng)域的相關(guān)研究進(jìn)展,闡述了基于LSTM和CNN等方法的深度學(xué)習(xí)模型在徑流預(yù)測(cè)、降雨量預(yù)報(bào)、地下水分布、河湖冰川預(yù)報(bào)方面的應(yīng)用進(jìn)展,結(jié)果表明深度學(xué)習(xí)模型能夠挖掘海量水文數(shù)據(jù)中蘊(yùn)含的信息,實(shí)現(xiàn)高精度的水文預(yù)報(bào)。從大數(shù)據(jù)獲取、模型遷移、實(shí)時(shí)預(yù)警等方面進(jìn)一步探討了深度學(xué)習(xí)水文預(yù)報(bào)模型發(fā)展的相關(guān)方向,為提高防汛減災(zāi)能力提供技術(shù)保障。

    參考文獻(xiàn)

    [1] FU M, FAN T, DING. Zet al. Deep learning data-intelligence model based on adjusted forecasting window scale: application in daily streamflow simulation[J]. IEEE Access, 2020(8):32632–32651.

    [2] KAO I F, ZHOU Y, CHANG LC,et al. Exploring a Long Short-Term Memory based Encoder-Decoder framework for multi-step-ahead flood forecasting[J]. Journal of Hydrology, 2020(583):124631.

    [3] REN T, LIU X, NIU J, et al. Real-time water level prediction of cascaded channels based on multilayer perception and recurrent neural network[J]. Journal of Hydrology, 2020(585):124783.

    [4] FENG Z kai, NIU W jing, TANG Z yang,et al. Monthly runoff time series prediction by variational mode decomposition and support vector machine based on quantum-behaved particle swarm optimization[J]. Journal of Hydrology, 2020(583): 124627.

    [5] 李文武, 石強(qiáng), 王凱, 等. 基于變分模態(tài)分解和深度門(mén)控網(wǎng)絡(luò)的徑流預(yù)測(cè)[J]. 水力發(fā)電學(xué)報(bào), 2020, 39(3): 34–44.

    [6] KABIR S, PATIDAR S, XIA X,et al. A deep convolutional neural network model for rapid prediction of fluvial flood inundation[J]. Journal of Hydrology, 2020(590): 125481.

    [7] IRRGANG C, SAYNISCH-WAGNER J, DILL R,et al. Self-Validating deep learning for recovering terrestrial water storage from gravity and altimetry measurements[J]. Geophysical Research Letters, 2020, 47(17).

    [8] NALLEY D, ADAMOWSKI J, KHALIL B,et al. A comparison of conventional and wavelet transform based methods for streamflow record extension[J]. Journal of Hydrology, 2020(582):124503.

    [9] ALI M, PRASAD R, XIANG Y,et al. Complete ensemble empirical mode decomposition hybridized with random forest and kernel ridge regression model for monthly rainfall forecasts[J]. Journal of Hydrology, 2020(584):124647.

    [10] WU H, YANG Q, LIU J, et al. A spatiotemporal deep fusion model for merging satellite and gauge precipitation in China[J]. Journal of Hydrology, 2020, 584(2006): 124664.

    [11] ORLAND E, ROERING J J, THOMAS M A,et al. Deep Learning as a tool to forecast hydrologic response for landslide-prone hillslopes[J]. Geophysical Research Letters, 2020, 47(16).

    [12] PANAHI M, SADHASIVAM N, POURGHASEMI H R,et al. Spatial prediction of groundwater potential mapping based on convolutional neural network (CNN) and support vector regression (SVR)[J]. Journal of Hydrology, 2020(588):125033.

    [13] JEONG J, PARK E, CHEN H,et al. Estimation of groundwater level based on the robust training of recurrent neural networks using corrupted data[J]. Journal of Hydrology, 2020(582):124512.

    [14] BOLIBAR J, RABATEL A, GOUTTEVIN I,et al. A deep learning reconstruction of mass balance series for all glaciers in the French Alps: 1967-2015[J]. Earth System Science Data, 2020, 12(3): 1973–1983.

    [15] WANG L, JIANG Y, QI H. Marine dissolved oxygen prediction with tree tuned deep neural network[J]. IEEE Access, 2020(8):182431–182440.

    [16] ZHANG Q, WANG H, DONG J,et al. Prediction of sea surface temperature using long short-term memory[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(10): 1745–1749.

    [17] ZHU S, PTAK M, YASEEN Z M,et al. Forecasting surface water temperature in lakes: A comparison of approaches[J]. Journal of Hydrology, 2020, 585: 124809.

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)大數(shù)據(jù)
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    基于大數(shù)據(jù)背景下的智慧城市建設(shè)研究
    科技視界(2016年20期)2016-09-29 10:53:22
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹(shù)葉識(shí)別的算法的研究
    久久婷婷人人爽人人干人人爱 | 不卡av一区二区三区| 午夜老司机福利片| 久久久国产精品麻豆| 成人av一区二区三区在线看| 亚洲va日本ⅴa欧美va伊人久久| 制服人妻中文乱码| 日韩一卡2卡3卡4卡2021年| 国产成人精品久久二区二区91| 色综合亚洲欧美另类图片| 亚洲成人久久性| 超碰成人久久| 50天的宝宝边吃奶边哭怎么回事| av片东京热男人的天堂| 久久人妻熟女aⅴ| 国产精品免费一区二区三区在线| 此物有八面人人有两片| 久久精品91蜜桃| 咕卡用的链子| 国产日韩一区二区三区精品不卡| 国产亚洲欧美98| 久久天躁狠狠躁夜夜2o2o| 亚洲av电影在线进入| 精品国产美女av久久久久小说| 亚洲自拍偷在线| 一二三四在线观看免费中文在| 不卡av一区二区三区| 午夜免费鲁丝| 国产精品 欧美亚洲| 国产色视频综合| 日韩av在线大香蕉| 婷婷六月久久综合丁香| 伊人久久大香线蕉亚洲五| www日本在线高清视频| 亚洲情色 制服丝袜| 成人国语在线视频| 狠狠狠狠99中文字幕| 亚洲aⅴ乱码一区二区在线播放 | 制服人妻中文乱码| 热99re8久久精品国产| 麻豆av在线久日| 国产精品av久久久久免费| 欧美黑人精品巨大| 久久久久亚洲av毛片大全| 少妇熟女aⅴ在线视频| 在线观看舔阴道视频| 欧美国产日韩亚洲一区| 午夜福利成人在线免费观看| 欧美丝袜亚洲另类 | 无人区码免费观看不卡| 久久久久九九精品影院| 色综合站精品国产| 久久精品国产亚洲av香蕉五月| 午夜福利18| 精品国产亚洲在线| 亚洲中文字幕一区二区三区有码在线看 | 欧美日本亚洲视频在线播放| 精品少妇一区二区三区视频日本电影| av免费在线观看网站| 亚洲 国产 在线| 美女午夜性视频免费| 在线观看www视频免费| 黄色a级毛片大全视频| 国产熟女xx| 黄色丝袜av网址大全| 国产亚洲欧美98| 青草久久国产| 亚洲精品国产精品久久久不卡| 亚洲成人精品中文字幕电影| 日本黄色视频三级网站网址| 搡老熟女国产l中国老女人| 精品第一国产精品| 国产麻豆69| 午夜免费激情av| 69精品国产乱码久久久| 老司机午夜福利在线观看视频| 人人澡人人妻人| 亚洲一区二区三区不卡视频| 激情视频va一区二区三区| 丁香欧美五月| 国产三级黄色录像| 一夜夜www| 国产精品美女特级片免费视频播放器 | 色播亚洲综合网| 日本一区二区免费在线视频| 法律面前人人平等表现在哪些方面| 国产99久久九九免费精品| 国语自产精品视频在线第100页| 亚洲 国产 在线| 久久精品国产清高在天天线| 国内毛片毛片毛片毛片毛片| 在线观看免费日韩欧美大片| e午夜精品久久久久久久| 欧美中文综合在线视频| 夜夜夜夜夜久久久久| 黄色片一级片一级黄色片| 久久伊人香网站| 欧美最黄视频在线播放免费| 黄色丝袜av网址大全| 国产97色在线日韩免费| 久久这里只有精品19| 一区在线观看完整版| 又大又爽又粗| 亚洲精华国产精华精| 狠狠狠狠99中文字幕| 制服丝袜大香蕉在线| 国产精品自产拍在线观看55亚洲| 国产一区二区在线av高清观看| 一二三四社区在线视频社区8| 欧美黑人精品巨大| 一区福利在线观看| 啦啦啦免费观看视频1| 色在线成人网| 国产野战对白在线观看| 嫩草影视91久久| 午夜福利高清视频| 国产99白浆流出| 亚洲熟女毛片儿| 成年版毛片免费区| 不卡av一区二区三区| 国产亚洲精品av在线| 亚洲精品av麻豆狂野| 欧美最黄视频在线播放免费| 夜夜躁狠狠躁天天躁| 最近最新中文字幕大全电影3 | 国产黄a三级三级三级人| 久久亚洲精品不卡| 国产一区在线观看成人免费| 一区二区三区高清视频在线| 日韩免费av在线播放| 亚洲成人精品中文字幕电影| 9热在线视频观看99| 亚洲国产欧美网| 欧美性长视频在线观看| 又紧又爽又黄一区二区| 欧美亚洲日本最大视频资源| 国产又爽黄色视频| 亚洲九九香蕉| 成年人黄色毛片网站| 十分钟在线观看高清视频www| 91麻豆av在线| 亚洲av成人一区二区三| 纯流量卡能插随身wifi吗| 美女午夜性视频免费| 国产精品九九99| 亚洲人成电影观看| 首页视频小说图片口味搜索| 大码成人一级视频| 伦理电影免费视频| 50天的宝宝边吃奶边哭怎么回事| 岛国在线观看网站| 老司机在亚洲福利影院| 神马国产精品三级电影在线观看 | 法律面前人人平等表现在哪些方面| 久久久国产成人精品二区| 欧美日韩亚洲国产一区二区在线观看| 国产高清videossex| 免费在线观看日本一区| 亚洲专区国产一区二区| 啦啦啦免费观看视频1| 日韩有码中文字幕| 伦理电影免费视频| 激情视频va一区二区三区| 国产91精品成人一区二区三区| 国产精品 国内视频| 欧洲精品卡2卡3卡4卡5卡区| 天天一区二区日本电影三级 | 久久人妻熟女aⅴ| 亚洲人成电影免费在线| 精品一区二区三区av网在线观看| 久久精品亚洲熟妇少妇任你| 国产精品综合久久久久久久免费 | 国产精品九九99| 午夜福利在线观看吧| 欧美日韩亚洲国产一区二区在线观看| 黄片播放在线免费| 欧美 亚洲 国产 日韩一| 纯流量卡能插随身wifi吗| 日韩欧美一区二区三区在线观看| 国产一区二区三区在线臀色熟女| 一个人观看的视频www高清免费观看 | 成人三级黄色视频| 女生性感内裤真人,穿戴方法视频| 久久九九热精品免费| e午夜精品久久久久久久| 中文字幕最新亚洲高清| 美国免费a级毛片| 欧美日韩精品网址| 伊人久久大香线蕉亚洲五| av视频免费观看在线观看| 亚洲精品美女久久av网站| 午夜福利在线观看吧| 久久午夜亚洲精品久久| 18美女黄网站色大片免费观看| 亚洲av第一区精品v没综合| 十八禁人妻一区二区| 日韩一卡2卡3卡4卡2021年| 自拍欧美九色日韩亚洲蝌蚪91| 91精品国产国语对白视频| 天天一区二区日本电影三级 | 久久中文字幕一级| 91国产中文字幕| 久久伊人香网站| 真人做人爱边吃奶动态| 久久香蕉精品热| 国产不卡一卡二| av有码第一页| www.www免费av| 欧美中文日本在线观看视频| 久久精品国产综合久久久| 精品国产亚洲在线| 国产精品久久久久久精品电影 | 99热只有精品国产| 男女下面插进去视频免费观看| 在线观看日韩欧美| 正在播放国产对白刺激| 国产免费男女视频| 美女国产高潮福利片在线看| 日本五十路高清| 黄片小视频在线播放| 国产高清有码在线观看视频 | 99国产精品99久久久久| 亚洲欧美激情在线| 成人av一区二区三区在线看| 一a级毛片在线观看| 一级a爱片免费观看的视频| 日韩欧美三级三区| 久久久久久久久久久久大奶| 麻豆国产av国片精品| 99精品在免费线老司机午夜| 亚洲 国产 在线| 老汉色av国产亚洲站长工具| 免费人成视频x8x8入口观看| 十分钟在线观看高清视频www| 黄色a级毛片大全视频| 美国免费a级毛片| 亚洲色图av天堂| 村上凉子中文字幕在线| 亚洲熟妇中文字幕五十中出| 老鸭窝网址在线观看| 亚洲成a人片在线一区二区| 国产精品一区二区在线不卡| 女性被躁到高潮视频| 自线自在国产av| 欧美午夜高清在线| 亚洲aⅴ乱码一区二区在线播放 | 曰老女人黄片| 久久香蕉精品热| 欧美黑人精品巨大| 国产精品二区激情视频| 高清黄色对白视频在线免费看| 禁无遮挡网站| 久久伊人香网站| 亚洲中文日韩欧美视频| 一级a爱视频在线免费观看| 国产一级毛片七仙女欲春2 | 欧美一区二区精品小视频在线| 免费少妇av软件| 国产av精品麻豆| 可以在线观看的亚洲视频| 黄片播放在线免费| 国产精品免费视频内射| 久久久国产欧美日韩av| 啦啦啦 在线观看视频| 十八禁人妻一区二区| 熟女少妇亚洲综合色aaa.| 国产伦一二天堂av在线观看| 国产午夜精品久久久久久| 免费看美女性在线毛片视频| 一级作爱视频免费观看| 黄色丝袜av网址大全| 老司机在亚洲福利影院| 丁香欧美五月| 亚洲欧美一区二区三区黑人| 午夜久久久在线观看| 国产精品亚洲美女久久久| 一区二区三区激情视频| 亚洲国产精品sss在线观看| 亚洲中文av在线| 欧美人与性动交α欧美精品济南到| 91大片在线观看| 国产精品1区2区在线观看.| 亚洲国产精品999在线| 欧美激情 高清一区二区三区| 国产成人精品久久二区二区91| 日本撒尿小便嘘嘘汇集6| 精品国内亚洲2022精品成人| 欧美成人午夜精品| 男人舔女人下体高潮全视频| 欧美激情高清一区二区三区| 最新在线观看一区二区三区| 成人欧美大片| 欧美亚洲日本最大视频资源| 日韩欧美一区二区三区在线观看| 在线天堂中文资源库| 国产精品 国内视频| 十分钟在线观看高清视频www| 可以在线观看毛片的网站| 久热爱精品视频在线9| av欧美777| 午夜亚洲福利在线播放| 日本vs欧美在线观看视频| 精品久久久久久久人妻蜜臀av | 一区福利在线观看| 中文字幕另类日韩欧美亚洲嫩草| 黄色片一级片一级黄色片| 欧美最黄视频在线播放免费| 亚洲电影在线观看av| 久久精品影院6| 午夜免费激情av| 精品午夜福利视频在线观看一区| 欧美 亚洲 国产 日韩一| 一二三四在线观看免费中文在| 少妇 在线观看| 亚洲成人精品中文字幕电影| 日本精品一区二区三区蜜桃| 91av网站免费观看| 波多野结衣一区麻豆| 看免费av毛片| 老司机靠b影院| 久久中文看片网| 国产精华一区二区三区| 午夜久久久久精精品| 激情视频va一区二区三区| 十八禁网站免费在线| 久久午夜亚洲精品久久| 可以在线观看毛片的网站| 久久婷婷成人综合色麻豆| 岛国视频午夜一区免费看| 男人的好看免费观看在线视频 | 亚洲国产精品sss在线观看| 天天添夜夜摸| 欧美色欧美亚洲另类二区 | 亚洲中文av在线| aaaaa片日本免费| 91老司机精品| 欧美激情久久久久久爽电影 | 操出白浆在线播放| 中文字幕高清在线视频| 男人舔女人的私密视频| 日韩三级视频一区二区三区| 别揉我奶头~嗯~啊~动态视频| 亚洲国产欧美网| 亚洲第一av免费看| 亚洲一码二码三码区别大吗| 日韩欧美在线二视频| 国产精品一区二区精品视频观看| 精品一品国产午夜福利视频| 久久精品成人免费网站| 窝窝影院91人妻| 欧美av亚洲av综合av国产av| a级毛片在线看网站| 亚洲avbb在线观看| 亚洲国产高清在线一区二区三 | 国产高清视频在线播放一区| 90打野战视频偷拍视频| 老司机午夜福利在线观看视频| 麻豆成人av在线观看| 亚洲熟妇中文字幕五十中出| 制服诱惑二区| 亚洲中文日韩欧美视频| 男女下面进入的视频免费午夜 | 国产高清激情床上av| 免费搜索国产男女视频| 日韩大尺度精品在线看网址 | 久久九九热精品免费| 亚洲色图综合在线观看| 国产99白浆流出| 国产成人精品在线电影| 欧美中文日本在线观看视频| av免费在线观看网站| 日韩欧美一区二区三区在线观看| 成年人黄色毛片网站| 窝窝影院91人妻| 亚洲伊人色综图| 香蕉丝袜av| 亚洲国产中文字幕在线视频| 国产精品一区二区精品视频观看| 国产欧美日韩精品亚洲av| 国产国语露脸激情在线看| 曰老女人黄片| 日本精品一区二区三区蜜桃| 在线观看免费日韩欧美大片| 日日摸夜夜添夜夜添小说| 午夜免费成人在线视频| 精品久久久久久久毛片微露脸| aaaaa片日本免费| 欧美绝顶高潮抽搐喷水| 国产私拍福利视频在线观看| 黄色女人牲交| 亚洲欧美一区二区三区黑人| √禁漫天堂资源中文www| 亚洲色图av天堂| 日韩欧美三级三区| x7x7x7水蜜桃| 亚洲色图av天堂| 啦啦啦 在线观看视频| 久久久久久亚洲精品国产蜜桃av| 一边摸一边抽搐一进一出视频| 欧美黄色片欧美黄色片| 国产国语露脸激情在线看| 少妇熟女aⅴ在线视频| 亚洲视频免费观看视频| 国产熟女午夜一区二区三区| 岛国在线观看网站| 岛国视频午夜一区免费看| 一进一出抽搐动态| 一边摸一边抽搐一进一出视频| 国产精品免费一区二区三区在线| 99精品久久久久人妻精品| 美国免费a级毛片| 在线观看免费视频网站a站| 18美女黄网站色大片免费观看| 黄色a级毛片大全视频| 亚洲少妇的诱惑av| 啪啪无遮挡十八禁网站| 男男h啪啪无遮挡| 国产亚洲精品第一综合不卡| 电影成人av| 一级毛片女人18水好多| 男女午夜视频在线观看| 久久精品aⅴ一区二区三区四区| 69av精品久久久久久| 亚洲天堂国产精品一区在线| 99久久久亚洲精品蜜臀av| 久久中文字幕人妻熟女| 中文字幕色久视频| 欧美精品亚洲一区二区| 亚洲成人国产一区在线观看| 国产欧美日韩一区二区精品| 日韩国内少妇激情av| 99re在线观看精品视频| 男女下面插进去视频免费观看| 日本三级黄在线观看| 亚洲 欧美 日韩 在线 免费| 亚洲精品美女久久av网站| 两人在一起打扑克的视频| 成人国产综合亚洲| 一级a爱片免费观看的视频| 亚洲国产精品成人综合色| 啦啦啦韩国在线观看视频| 无遮挡黄片免费观看| 男人操女人黄网站| 欧美绝顶高潮抽搐喷水| 中文字幕人妻丝袜一区二区| 18禁黄网站禁片午夜丰满| 亚洲全国av大片| 精品一品国产午夜福利视频| 国产亚洲av嫩草精品影院| 热re99久久国产66热| 国产主播在线观看一区二区| 日本一区二区免费在线视频| 777久久人妻少妇嫩草av网站| 国产精品一区二区三区四区久久 | 日韩精品免费视频一区二区三区| 亚洲五月婷婷丁香| 欧美乱色亚洲激情| 深夜精品福利| 精品欧美一区二区三区在线| 亚洲一区二区三区色噜噜| 一夜夜www| 看免费av毛片| 美女午夜性视频免费| 99精品久久久久人妻精品| 不卡av一区二区三区| 久久久水蜜桃国产精品网| 成人亚洲精品av一区二区| 亚洲精品中文字幕在线视频| 免费搜索国产男女视频| 国产伦一二天堂av在线观看| 亚洲熟妇中文字幕五十中出| 欧美日韩亚洲国产一区二区在线观看| 一进一出抽搐gif免费好疼| 久久久久久久精品吃奶| 免费在线观看日本一区| 久久国产乱子伦精品免费另类| 中亚洲国语对白在线视频| 中文字幕av电影在线播放| av欧美777| 欧美日韩福利视频一区二区| 97人妻天天添夜夜摸| 亚洲精品美女久久av网站| 狂野欧美激情性xxxx| 精品国产亚洲在线| 99国产综合亚洲精品| 正在播放国产对白刺激| www.自偷自拍.com| 亚洲五月天丁香| 国产精品电影一区二区三区| av欧美777| 美女 人体艺术 gogo| 成人特级黄色片久久久久久久| 日韩欧美免费精品| 国产精品野战在线观看| 国产精品免费一区二区三区在线| √禁漫天堂资源中文www| 97人妻精品一区二区三区麻豆 | 国产精品久久久av美女十八| 99精品久久久久人妻精品| 亚洲精品一卡2卡三卡4卡5卡| 久久人妻福利社区极品人妻图片| 黄色毛片三级朝国网站| 国产精品久久久人人做人人爽| 很黄的视频免费| 亚洲国产欧美日韩在线播放| 母亲3免费完整高清在线观看| 脱女人内裤的视频| 国产精品香港三级国产av潘金莲| 欧美黄色淫秽网站| 国产欧美日韩一区二区三区在线| 日韩av在线大香蕉| 男男h啪啪无遮挡| 国产精品免费一区二区三区在线| 大码成人一级视频| 久久欧美精品欧美久久欧美| 黄片大片在线免费观看| 免费在线观看视频国产中文字幕亚洲| АⅤ资源中文在线天堂| 欧洲精品卡2卡3卡4卡5卡区| 亚洲精品在线观看二区| 久久久久国内视频| 国产1区2区3区精品| 久热这里只有精品99| 精品欧美一区二区三区在线| 婷婷精品国产亚洲av在线| 久久午夜亚洲精品久久| 国产欧美日韩精品亚洲av| 97超级碰碰碰精品色视频在线观看| 亚洲中文字幕日韩| 人成视频在线观看免费观看| 亚洲av片天天在线观看| 色综合站精品国产| 久久人人爽av亚洲精品天堂| 久久精品国产清高在天天线| www.熟女人妻精品国产| 99re在线观看精品视频| 欧美一级毛片孕妇| 久久欧美精品欧美久久欧美| 后天国语完整版免费观看| 中文亚洲av片在线观看爽| 人成视频在线观看免费观看| 欧美乱色亚洲激情| 国产一区二区三区在线臀色熟女| 精品久久久久久久久久免费视频| 国产在线观看jvid| 无人区码免费观看不卡| 精品一区二区三区视频在线观看免费| 久久亚洲真实| 又黄又爽又免费观看的视频| 欧美激情高清一区二区三区| 丝袜美足系列| 长腿黑丝高跟| 制服人妻中文乱码| 午夜福利一区二区在线看| 欧美黄色淫秽网站| 亚洲专区中文字幕在线| 精品欧美国产一区二区三| 久久香蕉精品热| 一边摸一边抽搐一进一小说| 又黄又粗又硬又大视频| 久久中文字幕人妻熟女| 一级毛片女人18水好多| 宅男免费午夜| 亚洲第一电影网av| 日本欧美视频一区| e午夜精品久久久久久久| 亚洲av成人不卡在线观看播放网| 青草久久国产| 久热爱精品视频在线9| 大型av网站在线播放| 欧美性长视频在线观看| 极品教师在线免费播放| 日日爽夜夜爽网站| 亚洲精品美女久久久久99蜜臀| 在线播放国产精品三级| 男人舔女人下体高潮全视频| 久久精品国产99精品国产亚洲性色 | 免费在线观看日本一区| 在线永久观看黄色视频| 欧美另类亚洲清纯唯美| 一区福利在线观看| 婷婷丁香在线五月| 国产亚洲精品第一综合不卡| 人人妻人人澡人人看| 午夜视频精品福利| 别揉我奶头~嗯~啊~动态视频| 久久精品91蜜桃| a级毛片在线看网站| 在线观看66精品国产| 电影成人av| 国产乱人伦免费视频| 满18在线观看网站| 9热在线视频观看99| 日本 欧美在线| 精品福利观看| 老鸭窝网址在线观看| 在线观看66精品国产| 国产精品 国内视频| 欧美成人午夜精品| 久久九九热精品免费| 999久久久精品免费观看国产| a在线观看视频网站| 精品国产亚洲在线| 如日韩欧美国产精品一区二区三区| 亚洲精品国产区一区二| 亚洲成av人片免费观看| 身体一侧抽搐| 亚洲人成电影免费在线| 999久久久国产精品视频| 国产麻豆69| 国产野战对白在线观看| 美女扒开内裤让男人捅视频| 欧美黄色片欧美黄色片| 亚洲色图综合在线观看| 俄罗斯特黄特色一大片|