• <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
    亚洲av二区三区四区| 在现免费观看毛片| 亚州av有码| 在线免费观看的www视频| 99久久精品热视频| 少妇被粗大猛烈的视频| 免费看a级黄色片| 午夜福利在线在线| 日本色播在线视频| 神马国产精品三级电影在线观看| 久久精品国产自在天天线| 草草在线视频免费看| 男人舔女人下体高潮全视频| 亚洲精华国产精华液的使用体验| 日韩欧美 国产精品| 国产一区亚洲一区在线观看| 大香蕉97超碰在线| 大又大粗又爽又黄少妇毛片口| 夫妻性生交免费视频一级片| 亚洲自拍偷在线| 狂野欧美激情性xxxx在线观看| 亚洲国产色片| 联通29元200g的流量卡| 国产爱豆传媒在线观看| 九色成人免费人妻av| 亚洲aⅴ乱码一区二区在线播放| 久久精品国产亚洲网站| 亚洲无线观看免费| av播播在线观看一区| 中文字幕熟女人妻在线| 免费在线观看成人毛片| 高清视频免费观看一区二区 | 国产老妇女一区| 97人妻精品一区二区三区麻豆| 狂野欧美激情性xxxx在线观看| 国产麻豆成人av免费视频| 乱码一卡2卡4卡精品| 成人亚洲精品av一区二区| 中文亚洲av片在线观看爽| 91精品国产九色| 欧美成人午夜免费资源| 亚洲av熟女| 综合色丁香网| av卡一久久| 免费看a级黄色片| 伦精品一区二区三区| 亚洲在线自拍视频| 中文在线观看免费www的网站| 国产 一区 欧美 日韩| 夜夜爽夜夜爽视频| 免费一级毛片在线播放高清视频| 日韩一区二区视频免费看| 搞女人的毛片| 久久久久国产网址| 白带黄色成豆腐渣| 精品国产露脸久久av麻豆 | 天堂影院成人在线观看| 日韩成人伦理影院| av.在线天堂| 国产伦一二天堂av在线观看| 草草在线视频免费看| 欧美日本亚洲视频在线播放| 三级男女做爰猛烈吃奶摸视频| 亚洲国产精品合色在线| 国产不卡一卡二| 国产熟女欧美一区二区| 国产成人一区二区在线| 亚洲在线自拍视频| 99久久精品一区二区三区| 中文资源天堂在线| 欧美+日韩+精品| 成年版毛片免费区| 国产精品久久久久久久电影| 免费看a级黄色片| 菩萨蛮人人尽说江南好唐韦庄 | 国产精品女同一区二区软件| 一级毛片我不卡| 国产人妻一区二区三区在| 免费在线观看成人毛片| 99热这里只有是精品在线观看| 一区二区三区免费毛片| 国产麻豆成人av免费视频| 韩国高清视频一区二区三区| 亚洲欧美中文字幕日韩二区| 国产免费视频播放在线视频 | 97在线视频观看| 听说在线观看完整版免费高清| 亚洲av电影在线观看一区二区三区 | 国产精品嫩草影院av在线观看| 久久久久性生活片| 久久精品国产鲁丝片午夜精品| 国产成人午夜福利电影在线观看| av天堂中文字幕网| 中文欧美无线码| 长腿黑丝高跟| 国产精品一及| videossex国产| 亚洲av.av天堂| 深夜a级毛片| 丰满人妻一区二区三区视频av| av又黄又爽大尺度在线免费看 | 国内少妇人妻偷人精品xxx网站| 国产免费一级a男人的天堂| 2021天堂中文幕一二区在线观| 精品久久久久久久久亚洲| 国产精品久久久久久精品电影| 国产精品,欧美在线| 国产成人免费观看mmmm| 我的老师免费观看完整版| 日产精品乱码卡一卡2卡三| 丰满人妻一区二区三区视频av| 最近中文字幕高清免费大全6| 午夜精品在线福利| 国产精品久久久久久久久免| 亚洲在线自拍视频| 亚洲国产精品合色在线| 国产精品福利在线免费观看| 国产成人一区二区在线| 久久鲁丝午夜福利片| 美女被艹到高潮喷水动态| 观看免费一级毛片| 午夜福利成人在线免费观看| 高清在线视频一区二区三区 | 能在线免费观看的黄片| 欧美+日韩+精品| 精品久久久久久久久久久久久| 色哟哟·www| 舔av片在线| 嫩草影院精品99| 亚洲国产最新在线播放| 日韩一区二区三区影片| 欧美高清性xxxxhd video| 亚洲精华国产精华液的使用体验| 一级黄色大片毛片| 欧美又色又爽又黄视频| 久久99热这里只有精品18| 久久精品综合一区二区三区| 一区二区三区免费毛片| 99热全是精品| 国产在视频线在精品| 91狼人影院| 夫妻性生交免费视频一级片| 蜜桃亚洲精品一区二区三区| 一级毛片久久久久久久久女| 精品无人区乱码1区二区| 国产在线一区二区三区精 | 精品熟女少妇av免费看| 村上凉子中文字幕在线| 亚洲欧洲日产国产| 最近手机中文字幕大全| 干丝袜人妻中文字幕| 伦精品一区二区三区| 国产亚洲5aaaaa淫片| 日本爱情动作片www.在线观看| 国产精品久久久久久久久免| 亚洲欧美日韩东京热| 搡女人真爽免费视频火全软件| 一级毛片久久久久久久久女| 国产麻豆成人av免费视频| 亚洲三级黄色毛片| 成人毛片60女人毛片免费| 久久99热这里只有精品18| 国产精品久久久久久av不卡| 99热这里只有精品一区| 三级男女做爰猛烈吃奶摸视频| 国产精品,欧美在线| 能在线免费看毛片的网站| 九九爱精品视频在线观看| 少妇高潮的动态图| 久久99精品国语久久久| 校园人妻丝袜中文字幕| 人妻系列 视频| 免费一级毛片在线播放高清视频| 色网站视频免费| 久久婷婷人人爽人人干人人爱| 午夜亚洲福利在线播放| 成人av在线播放网站| 蜜桃亚洲精品一区二区三区| 真实男女啪啪啪动态图| 白带黄色成豆腐渣| 在线观看一区二区三区| 视频中文字幕在线观看| 狂野欧美白嫩少妇大欣赏| 国产色婷婷99| 国产极品精品免费视频能看的| 亚洲欧美成人综合另类久久久 | kizo精华| 亚洲精品日韩在线中文字幕| 色哟哟·www| 成人性生交大片免费视频hd| 亚洲三级黄色毛片| 纵有疾风起免费观看全集完整版 | 亚洲18禁久久av| 久久99热6这里只有精品| 亚洲成人av在线免费| 亚洲国产欧美人成| 真实男女啪啪啪动态图| 久久久久精品久久久久真实原创| 久久久久网色| 国语自产精品视频在线第100页| 中文精品一卡2卡3卡4更新| 欧美3d第一页| 纵有疾风起免费观看全集完整版 | 亚洲va在线va天堂va国产| 日韩在线高清观看一区二区三区| 亚洲av福利一区| 国产v大片淫在线免费观看| 国产午夜福利久久久久久| 综合色丁香网| 秋霞伦理黄片| 亚洲欧洲国产日韩| 青春草国产在线视频| 免费av不卡在线播放| 综合色av麻豆| 直男gayav资源| 男女啪啪激烈高潮av片| 午夜免费激情av| 在线播放无遮挡| 精品一区二区免费观看| 国产精品伦人一区二区| 午夜福利高清视频| 卡戴珊不雅视频在线播放| 亚洲av中文字字幕乱码综合| 亚洲怡红院男人天堂| 国产黄色视频一区二区在线观看 | 99在线视频只有这里精品首页| 熟妇人妻久久中文字幕3abv| 校园人妻丝袜中文字幕| 特大巨黑吊av在线直播| 男的添女的下面高潮视频| 欧美激情在线99| a级一级毛片免费在线观看| 搡女人真爽免费视频火全软件| 大香蕉97超碰在线| 黄色一级大片看看| 欧美一区二区亚洲| 成人综合一区亚洲| 国产精品,欧美在线| 国产单亲对白刺激| 欧美精品一区二区大全| 春色校园在线视频观看| 欧美人与善性xxx| 又粗又硬又长又爽又黄的视频| 干丝袜人妻中文字幕| 我的老师免费观看完整版| av在线播放精品| 国产亚洲av片在线观看秒播厂 | 菩萨蛮人人尽说江南好唐韦庄 | 日韩欧美 国产精品| 男女视频在线观看网站免费| 久久精品国产亚洲av涩爱| 国产av不卡久久| 99热这里只有精品一区| 97人妻精品一区二区三区麻豆| 国产人妻一区二区三区在| 人人妻人人澡人人爽人人夜夜 | 日韩av在线大香蕉| 久久久久久久久中文| 亚洲精品乱久久久久久| 国产久久久一区二区三区| 国产亚洲5aaaaa淫片| 在现免费观看毛片| 高清午夜精品一区二区三区| 免费搜索国产男女视频| 日韩成人伦理影院| 国产一区二区在线av高清观看| 久久久久久久久久久丰满| av在线观看视频网站免费| 亚洲欧美清纯卡通| 夫妻性生交免费视频一级片| 卡戴珊不雅视频在线播放| 欧美日本视频| 欧美一区二区国产精品久久精品| 啦啦啦韩国在线观看视频| 亚洲av成人精品一二三区| 久久人人爽人人片av| 全区人妻精品视频| 一区二区三区四区激情视频| 国产午夜精品一二区理论片| 国国产精品蜜臀av免费| 青春草视频在线免费观看| 国产精品久久久久久精品电影| 蜜桃亚洲精品一区二区三区| 国产精品无大码| 国产真实乱freesex| 国产老妇女一区| 狠狠狠狠99中文字幕| a级一级毛片免费在线观看| 97超视频在线观看视频| 国产91av在线免费观看| 亚洲成人中文字幕在线播放| 美女高潮的动态| 在线观看av片永久免费下载| 久久久国产成人免费| 在线a可以看的网站| 国产黄片视频在线免费观看| 亚洲性久久影院| 久久久久久国产a免费观看| 国产色爽女视频免费观看| 男人舔女人下体高潮全视频| 中文字幕制服av| 汤姆久久久久久久影院中文字幕 | 久久99热6这里只有精品| ponron亚洲| 国语对白做爰xxxⅹ性视频网站| 少妇高潮的动态图| 亚洲国产精品成人综合色| 秋霞伦理黄片| 国产精品日韩av在线免费观看| 一级爰片在线观看| 国产精品,欧美在线| 九九爱精品视频在线观看| 美女大奶头视频| 99热6这里只有精品| 国产免费一级a男人的天堂| 久久久久九九精品影院| 亚洲成人av在线免费| 丝袜美腿在线中文| 伦理电影大哥的女人| 一个人免费在线观看电影| 看片在线看免费视频| 亚洲av福利一区| 久久人妻av系列| 搡女人真爽免费视频火全软件| 久热久热在线精品观看| 精品久久久久久久久亚洲| 成人鲁丝片一二三区免费| 汤姆久久久久久久影院中文字幕 | 欧美成人精品欧美一级黄| 欧美日本亚洲视频在线播放| 久久精品久久久久久久性| 男女啪啪激烈高潮av片| 国产中年淑女户外野战色| 国内少妇人妻偷人精品xxx网站| 国产精品熟女久久久久浪| 国产老妇女一区| 亚洲五月天丁香| 成人高潮视频无遮挡免费网站| 青青草视频在线视频观看| 91精品一卡2卡3卡4卡| 男女边吃奶边做爰视频| 联通29元200g的流量卡| 国产精品三级大全| a级一级毛片免费在线观看| 九色成人免费人妻av| 日韩视频在线欧美| 国产av不卡久久| 夜夜爽夜夜爽视频| 中文精品一卡2卡3卡4更新| 又黄又爽又刺激的免费视频.| 国产成人91sexporn| 欧美高清性xxxxhd video| 色噜噜av男人的天堂激情| 亚洲av不卡在线观看| 91av网一区二区| 久久精品久久久久久久性| 国产精品国产三级专区第一集| 精品人妻熟女av久视频| 日韩av不卡免费在线播放| 熟女人妻精品中文字幕| 日韩一本色道免费dvd| 能在线免费观看的黄片| 波多野结衣高清无吗| 三级毛片av免费| 国产爱豆传媒在线观看| 国产精品久久久久久精品电影小说 | 中国国产av一级| 少妇的逼水好多| 久久久久久国产a免费观看| 免费一级毛片在线播放高清视频| 国产精品爽爽va在线观看网站| 日韩一区二区视频免费看| 九色成人免费人妻av| 成人欧美大片| 中文字幕熟女人妻在线| 欧美激情国产日韩精品一区| 嫩草影院新地址| 国产精品乱码一区二三区的特点| 91精品伊人久久大香线蕉| 一个人看的www免费观看视频| 欧美zozozo另类| 精品酒店卫生间| 卡戴珊不雅视频在线播放| 三级经典国产精品| 一区二区三区免费毛片| 成年女人看的毛片在线观看| 亚洲欧美中文字幕日韩二区| 久久久午夜欧美精品| 午夜激情欧美在线| 国产精品无大码| 晚上一个人看的免费电影| 久久精品国产自在天天线| 亚洲久久久久久中文字幕| 国产精品av视频在线免费观看| 高清毛片免费看| 婷婷六月久久综合丁香| 久久久a久久爽久久v久久| 国产私拍福利视频在线观看| 久久久精品大字幕| 国产一区二区在线av高清观看| 国产在线男女| 欧美性感艳星| 日韩,欧美,国产一区二区三区 | www.av在线官网国产| 最近中文字幕高清免费大全6| 欧美激情久久久久久爽电影| 精品久久久久久久末码| 你懂的网址亚洲精品在线观看 | 自拍偷自拍亚洲精品老妇| 婷婷色av中文字幕| 日本与韩国留学比较| 99久国产av精品| 国产一区二区在线观看日韩| videos熟女内射| 亚洲一级一片aⅴ在线观看| 欧美一级a爱片免费观看看| 国产精品三级大全| 伦精品一区二区三区| 亚洲欧美日韩卡通动漫| 九九在线视频观看精品| 麻豆成人午夜福利视频| 麻豆久久精品国产亚洲av| 国产精品久久久久久精品电影小说 | 亚洲五月天丁香| 最近中文字幕2019免费版| 午夜免费激情av| 日本免费在线观看一区| 日韩亚洲欧美综合| 亚洲av中文av极速乱| 麻豆av噜噜一区二区三区| 美女大奶头视频| 久热久热在线精品观看| 亚洲精品,欧美精品| 国产精品熟女久久久久浪| 亚洲av一区综合| 午夜精品国产一区二区电影 | 久久久精品欧美日韩精品| 亚洲在线观看片| 成人国产麻豆网| 婷婷色av中文字幕| 男人舔奶头视频| 亚洲国产精品成人久久小说| 成人亚洲欧美一区二区av| 91久久精品国产一区二区成人| 亚洲无线观看免费| 久久久精品94久久精品| 亚洲丝袜综合中文字幕| 美女黄网站色视频| 久久久久久久久久久丰满| 色噜噜av男人的天堂激情| 91精品国产九色| 深夜a级毛片| 韩国av在线不卡| 人妻夜夜爽99麻豆av| 午夜老司机福利剧场| 亚洲欧美日韩东京热| 中文天堂在线官网| av卡一久久| www.av在线官网国产| 亚洲av一区综合| 搞女人的毛片| 一级毛片我不卡| 成人毛片a级毛片在线播放| 久久人人爽人人片av| 精品久久久久久久久亚洲| 中文在线观看免费www的网站| 少妇的逼好多水| 欧美日韩国产亚洲二区| 丝袜美腿在线中文| 麻豆久久精品国产亚洲av| 久99久视频精品免费| 国产精品综合久久久久久久免费| 精品欧美国产一区二区三| 国产又黄又爽又无遮挡在线| 18禁动态无遮挡网站| 亚洲精品日韩av片在线观看| 人妻系列 视频| 久久欧美精品欧美久久欧美| 久久久色成人| 国产女主播在线喷水免费视频网站 | 日本午夜av视频| 岛国在线免费视频观看| 亚洲成av人片在线播放无| 长腿黑丝高跟| 国产精品麻豆人妻色哟哟久久 | 日日撸夜夜添| 亚洲一区高清亚洲精品| 日韩人妻高清精品专区| av在线播放精品| 久久久久久久久久成人| 草草在线视频免费看| 日韩亚洲欧美综合| 三级国产精品欧美在线观看| 亚洲国产色片| 精品一区二区三区人妻视频| 最后的刺客免费高清国语| 欧美激情久久久久久爽电影| 18禁在线播放成人免费| 午夜视频国产福利| 亚洲av免费在线观看| av专区在线播放| 国国产精品蜜臀av免费| 久久这里有精品视频免费| 又粗又硬又长又爽又黄的视频| av黄色大香蕉| 成人国产麻豆网| 国产在视频线在精品| 我的女老师完整版在线观看| 真实男女啪啪啪动态图| 精品久久久久久久久av| 看片在线看免费视频| 麻豆国产97在线/欧美| 国产精品野战在线观看| 天堂√8在线中文| 联通29元200g的流量卡| 99久久中文字幕三级久久日本| 夜夜爽夜夜爽视频| 国产欧美另类精品又又久久亚洲欧美| 午夜福利成人在线免费观看| 少妇被粗大猛烈的视频| 精品99又大又爽又粗少妇毛片| 亚洲av男天堂| 久久久精品大字幕| 精华霜和精华液先用哪个| 日本三级黄在线观看| av又黄又爽大尺度在线免费看 | 亚洲av日韩在线播放| 午夜福利视频1000在线观看| 老司机影院毛片| 精品欧美国产一区二区三| 又粗又爽又猛毛片免费看| 欧美xxxx性猛交bbbb| 久久久午夜欧美精品| 少妇人妻精品综合一区二区| 久久久午夜欧美精品| 老司机福利观看| 26uuu在线亚洲综合色| 国产精品久久电影中文字幕| 97超视频在线观看视频| av在线老鸭窝| 国产高清视频在线观看网站| 国产探花在线观看一区二区| 精品久久久久久久久av| 97超碰精品成人国产| 97在线视频观看| 国产免费男女视频| 久久午夜福利片| 熟妇人妻久久中文字幕3abv| 亚洲av一区综合| 亚洲在久久综合| 亚洲综合色惰| 成人综合一区亚洲| 欧美性猛交╳xxx乱大交人| 亚洲成av人片在线播放无| 我要搜黄色片| 麻豆成人av视频| 天美传媒精品一区二区| 国语自产精品视频在线第100页| 一级毛片久久久久久久久女| 伦精品一区二区三区| 91在线精品国自产拍蜜月| 日韩国内少妇激情av| 久久99热这里只频精品6学生 | 精品久久久久久久久亚洲| 亚洲国产精品久久男人天堂| 在线观看一区二区三区| 亚洲在线自拍视频| 蜜桃久久精品国产亚洲av| 国产黄色小视频在线观看| 国产精品不卡视频一区二区| 国产精品日韩av在线免费观看| 国产精品人妻久久久久久| 观看美女的网站| 人人妻人人澡人人爽人人夜夜 | 亚洲精品色激情综合| 青春草视频在线免费观看| 欧美一区二区国产精品久久精品| 91精品一卡2卡3卡4卡| 狠狠狠狠99中文字幕| 国产高清不卡午夜福利| 久久久色成人| 亚洲精品日韩在线中文字幕| 国产精品伦人一区二区| 精品一区二区免费观看| 联通29元200g的流量卡| 一级二级三级毛片免费看| 日韩,欧美,国产一区二区三区 | 老司机影院毛片| 麻豆成人午夜福利视频| 日日啪夜夜撸| 精品久久久久久久久久久久久| 一级毛片久久久久久久久女| 永久免费av网站大全| 亚洲久久久久久中文字幕| 激情 狠狠 欧美| 大话2 男鬼变身卡| 亚洲国产精品久久男人天堂| 18禁在线播放成人免费| 午夜福利网站1000一区二区三区| av线在线观看网站| 超碰av人人做人人爽久久| 日韩欧美 国产精品| 高清在线视频一区二区三区 | 亚洲人成网站在线观看播放| 亚洲综合精品二区| 黄片wwwwww| 91精品一卡2卡3卡4卡| 日韩亚洲欧美综合| 九九久久精品国产亚洲av麻豆| 欧美日本视频| 精品一区二区三区视频在线| 久久久成人免费电影| 久久精品国产亚洲av涩爱| 欧美xxxx性猛交bbbb| 国产欧美另类精品又又久久亚洲欧美|