• <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 ?

    基于深度學(xué)習(xí)的滑坡位移時(shí)空預(yù)測(cè)

    2022-11-04 04:03:58羅袆沅蔣亞楠燕翱翔劉陳偉
    測(cè)繪學(xué)報(bào) 2022年10期
    關(guān)鍵詞:時(shí)序監(jiān)測(cè)點(diǎn)降雨

    羅袆沅,蔣亞楠,,許 強(qiáng),廖 露,燕翱翔,劉陳偉

    1. 成都理工大學(xué)地質(zhì)災(zāi)害防治與地質(zhì)環(huán)境保護(hù)國(guó)家重點(diǎn)實(shí)驗(yàn)室,四川 成都 610059; 2. 成都理工大學(xué)地球科學(xué)學(xué)院,四川 成都 610059; 3. 四川測(cè)繪地理信息局測(cè)繪技術(shù)服務(wù)中心,四川 成都 610081

    滑坡是陸地環(huán)境中普遍存在的一種地質(zhì)災(zāi)害,對(duì)人類生命財(cái)產(chǎn)乃至整個(gè)社會(huì)經(jīng)濟(jì)系統(tǒng)構(gòu)成嚴(yán)重威脅[1]。為減少人員傷亡和財(cái)產(chǎn)損失,當(dāng)前,許多國(guó)家已建立了針對(duì)典型重大滑坡的監(jiān)測(cè)預(yù)警系統(tǒng)[2]。而監(jiān)測(cè)系統(tǒng)獲取的時(shí)序位移數(shù)據(jù)集通常能夠直接反映滑坡的變形或穩(wěn)定特征[3]。因此,監(jiān)測(cè)數(shù)據(jù)集對(duì)于構(gòu)建高效的預(yù)測(cè)預(yù)報(bào)模型,實(shí)現(xiàn)滑坡災(zāi)害動(dòng)態(tài)預(yù)測(cè)預(yù)警具有重要應(yīng)用價(jià)值。

    滑坡位移預(yù)測(cè)模型除了復(fù)雜的物理模型,還包括基于監(jiān)測(cè)數(shù)據(jù)集的數(shù)理模型[4]。與物理模型相比,數(shù)理模型的建立過(guò)程更簡(jiǎn)單、精確[5]。然而,滑坡變形演化是一個(gè)非線性動(dòng)力作用過(guò)程,受地形地貌、巖土結(jié)構(gòu)、水文地質(zhì)、氣候和人類活動(dòng)等因素的影響[6],存在時(shí)空相關(guān)性。因此,數(shù)理模型中的機(jī)器學(xué)習(xí)方法因能處理非線性時(shí)序的復(fù)雜性、動(dòng)態(tài)性和非線性特征,被廣泛應(yīng)用于滑坡位移時(shí)序預(yù)測(cè)。近年來(lái),人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)[7]、支持向量機(jī)(support vector machine,SVM)[8]、極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)[9]和循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)[10-11]等機(jī)器學(xué)習(xí)方法廣泛應(yīng)用于滑坡位移預(yù)測(cè)。但是,這些預(yù)測(cè)模型只考慮了位移監(jiān)測(cè)數(shù)據(jù)的時(shí)間相關(guān)性,可實(shí)現(xiàn)單個(gè)典型監(jiān)測(cè)點(diǎn)的位移預(yù)測(cè),忽略了監(jiān)測(cè)點(diǎn)之間的空間相關(guān)性。一定程度上限制了預(yù)測(cè)精度的提高,且無(wú)法準(zhǔn)確地判斷滑坡整體變形趨勢(shì),從而導(dǎo)致潛在的威脅被忽視。

    圖神經(jīng)網(wǎng)絡(luò)(graph neural network,GNN)因能把實(shí)際問(wèn)題看作圖或網(wǎng)絡(luò)節(jié)點(diǎn)之間的連接和消息傳播問(wèn)題,并捕獲圖結(jié)構(gòu)數(shù)據(jù)中節(jié)點(diǎn)間的空間關(guān)系,而被廣泛應(yīng)用于交通、海表溫度等領(lǐng)域的時(shí)空預(yù)測(cè)[12-14]。而卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)的引入,使得非歐氏數(shù)據(jù)也能得到有效的處理[15]。因此,通過(guò)圖卷積網(wǎng)絡(luò)(graph convolutional network,GCN)[16]捕獲滑坡GNSS監(jiān)測(cè)網(wǎng)中各監(jiān)測(cè)點(diǎn)間的空間相關(guān)性,理論上是可行的。同時(shí),門控循環(huán)單元(gate recurrent unit,GRU)[17]是一種緩解梯度爆炸與彌散問(wèn)題的循環(huán)神經(jīng)網(wǎng)絡(luò),它能有效地捕獲時(shí)序數(shù)據(jù)的時(shí)間相關(guān)性,并在訓(xùn)練時(shí)間、參數(shù)更新和泛化能力方面優(yōu)于其他循環(huán)神經(jīng)網(wǎng)絡(luò),已在經(jīng)濟(jì)學(xué)、防洪減災(zāi)、能源等應(yīng)用[18]中顯現(xiàn)出明顯的優(yōu)勢(shì)。

    基于以上認(rèn)識(shí),本文提出一種基于深度學(xué)習(xí)的滑坡位移時(shí)空預(yù)測(cè)模型。該模型將滑坡GNSS監(jiān)測(cè)網(wǎng)看作非歐氏圖結(jié)構(gòu)數(shù)據(jù),并考慮到監(jiān)測(cè)點(diǎn)間的時(shí)空相關(guān)性,采用GCN與GRU結(jié)合的時(shí)態(tài)圖卷積網(wǎng)絡(luò)(temporal graph convolutional network,T-GCN)模型[19],從而實(shí)現(xiàn)滑坡位移的時(shí)空預(yù)測(cè)。通過(guò)白水河滑坡位移監(jiān)測(cè)數(shù)據(jù)進(jìn)行建模驗(yàn)證,并結(jié)合消融試驗(yàn)驗(yàn)證了外界影響因素屬性的增強(qiáng)能進(jìn)一步提高模型的預(yù)測(cè)性能。試驗(yàn)結(jié)果證明,與主流的時(shí)序預(yù)測(cè)方法相比,該方法預(yù)測(cè)效果具有明顯優(yōu)勢(shì),可用于滑坡位移或其他地質(zhì)災(zāi)害中同樣具有時(shí)空關(guān)聯(lián)屬性的觀測(cè)量的時(shí)空預(yù)測(cè)。

    1 基于深度學(xué)習(xí)的滑坡位移時(shí)空預(yù)測(cè)模型

    由于滑坡位移變化具有時(shí)空相關(guān)性,應(yīng)將其作為時(shí)空預(yù)測(cè)任務(wù)。本文提出了一種基于深度學(xué)習(xí)的滑坡位移時(shí)空預(yù)測(cè)模型,該模型由可捕獲監(jiān)測(cè)點(diǎn)間空間相關(guān)性的圖卷積網(wǎng)絡(luò)GCN,及獲取監(jiān)測(cè)點(diǎn)上位移數(shù)據(jù)時(shí)間相關(guān)性的門控循環(huán)單元GRU兩個(gè)模塊組成。流程如圖1所示:首先,滑坡位移監(jiān)測(cè)數(shù)據(jù)通過(guò)預(yù)處理得到時(shí)間相關(guān)和空間相關(guān)的數(shù)據(jù);其次,將外界影響因素作為滑坡監(jiān)測(cè)點(diǎn)屬性信息,結(jié)合滑坡位移時(shí)序特征建模獲得增廣特征向量,即為屬性增強(qiáng)的時(shí)間相關(guān)數(shù)據(jù);最后,利用預(yù)處理后的時(shí)空?qǐng)D結(jié)構(gòu)數(shù)據(jù),采用T-GCN模型實(shí)現(xiàn)滑坡位移的預(yù)測(cè)。

    圖1 預(yù)測(cè)方法流程Fig.1 Forecast method flowchart

    1.1 構(gòu)建圖結(jié)構(gòu)數(shù)據(jù)

    1.1.1 時(shí)空相關(guān)的屬性表達(dá)

    如圖2所示,為表征監(jiān)測(cè)點(diǎn)之間的空間相關(guān)性,定義一個(gè)加權(quán)無(wú)向全連接圖G=(V,E,W)。其中,V={v1,v2,…,vN}為圖的節(jié)點(diǎn)(GNSS位移監(jiān)測(cè)點(diǎn)),N為監(jiān)測(cè)點(diǎn)個(gè)數(shù),每對(duì)監(jiān)測(cè)點(diǎn)具有一條連接邊,連接邊E的總數(shù)為N×(N-1)/2。W∈RN×N表示監(jiān)測(cè)點(diǎn)間相關(guān)性的鄰接矩陣。

    圖2 加權(quán)全連接Fig.2 Weighted full connection

    (1)

    式中,較大的權(quán)值說(shuō)明兩監(jiān)測(cè)點(diǎn)具有較高的空間相關(guān)性。

    構(gòu)建包括所有監(jiān)測(cè)點(diǎn)的時(shí)序形變信息的特征矩陣X∈RN×P來(lái)表征滑坡位移的時(shí)間相關(guān)性,P為時(shí)序長(zhǎng)度。X∈RN×t為所有監(jiān)測(cè)點(diǎn)t時(shí)刻的相對(duì)位移。若n個(gè)歷史時(shí)序數(shù)據(jù)的輸入為[Xt-n,…,Xt-1,Xt],則未來(lái)T個(gè)時(shí)刻的預(yù)測(cè)值為[Xt+1,…,Xt+T]。

    1.1.2 考慮外界影響因素的屬性擴(kuò)展

    滑坡的變形破壞離不開(kāi)自身地質(zhì)結(jié)構(gòu)、地形地貌等內(nèi)在條件的驅(qū)動(dòng),以及外在人類活動(dòng)、氣候、徑流等條件的加持,原本穩(wěn)定的滑坡也會(huì)突發(fā)強(qiáng)烈變形。而影響庫(kù)岸滑坡穩(wěn)定性的外在因素主要是降雨和庫(kù)水位變化[21]。通常,庫(kù)岸滑坡復(fù)活后,庫(kù)水位的周期調(diào)度及降雨的聯(lián)合作用容易引起斜坡內(nèi)地下水位的波動(dòng),加速滑坡的變形失穩(wěn)[22]。文獻(xiàn)[23]將影響交通條件的外部因素視為交通流量預(yù)測(cè)的屬性增強(qiáng),并作為屬性矩陣與特征矩陣推導(dǎo)出增廣矩陣,提高了模型預(yù)測(cè)精度。同理,本文采用降雨和庫(kù)水位作為屬性增強(qiáng),以獲取滑坡位移增廣矩陣,進(jìn)一步提高滑坡位移預(yù)測(cè)精度。

    (2)

    式中,k為2,即表示降雨和庫(kù)水位兩個(gè)屬性,St∈RN×(P+k*(m+1))。

    綜上所述,滑坡位移預(yù)測(cè)問(wèn)題可被看作是基于全連接圖和特征矩陣來(lái)學(xué)習(xí)映射函數(shù)f(式3),從而獲取未來(lái)時(shí)段T的滑坡位移信息

    f(G,X|D)=[Xt+1,Xt+2,…,Xt+T]

    (3)

    1.2 預(yù)測(cè)方法原理

    1.2.1 圖卷積神經(jīng)網(wǎng)絡(luò)

    在滑坡位移時(shí)空預(yù)測(cè)中,實(shí)現(xiàn)監(jiān)測(cè)網(wǎng)中監(jiān)測(cè)點(diǎn)間的空間相關(guān)性表達(dá)至關(guān)重要。GNSS監(jiān)測(cè)網(wǎng)為典型的非歐氏圖結(jié)構(gòu),GCN可有效捕獲非歐幾里得結(jié)構(gòu)中的空間相關(guān)性,在考慮到相鄰節(jié)點(diǎn)影響的同時(shí),能夠獲取圖結(jié)構(gòu)中每個(gè)節(jié)點(diǎn)的特征[25]。如圖3(a)所示,為捕獲拓?fù)浣Y(jié)構(gòu)的依賴性,GCN以鄰接矩陣A和特征矩陣X為輸入,其傳播過(guò)程為

    (4)

    圖3 兩種深度學(xué)習(xí)模型的結(jié)構(gòu)Fig.3 Architectures of two deep learning models

    1.2.2 門控循環(huán)單元

    GRU是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變體,常用于分析時(shí)序數(shù)據(jù),其優(yōu)勢(shì)在于可以自適應(yīng)地捕捉不同時(shí)間尺度的依賴關(guān)系。GRU通過(guò)門控單元來(lái)調(diào)節(jié)單元內(nèi)部的信息流,不單獨(dú)設(shè)置存儲(chǔ)單元,結(jié)構(gòu)更加簡(jiǎn)單,并在訓(xùn)練時(shí)間和更新優(yōu)化上相比長(zhǎng)短期記憶模型(long short-term memory,LSTM)更高效[17,26]。

    如圖3(b)所示,GRU由重置門和更新門組成,若當(dāng)前時(shí)間特征矩陣為xt,ht-1表示上一時(shí)刻t-1的隱藏狀態(tài)。重置門rt用于決定輸入狀態(tài)與歷史信息的結(jié)合程度,即候選隱藏狀態(tài)ct,更新門ut用于控制歷史信息的忽略程度,并結(jié)合候選隱藏狀態(tài)ct推導(dǎo)出最終隱藏狀態(tài)ht。其中,σ和tanh為激活函數(shù)。

    1.2.3 時(shí)態(tài)圖卷積網(wǎng)絡(luò)

    (5)

    若當(dāng)前時(shí)刻為t,St為此時(shí)刻所提取的屬性增強(qiáng)矩陣,將其輸入多層GCN以生成具有滑坡空間相關(guān)的時(shí)序變化特征。然后,使用這些特征序列作為GRU的輸入,以構(gòu)建時(shí)間依賴關(guān)系,并推導(dǎo)出隱藏滑坡位移狀態(tài)。推導(dǎo)過(guò)程為

    ut=σ(Wu·[gc(St,A),ht-1]+bu)

    (6)

    rt=σ(Wr·[gc(St,A),ht-1]+br)

    (7)

    ct=tanh(Wc·[gc(St,A),(rt*ht-1)]+bc)

    (8)

    ht=ut*ht-1+(1-ut)*ct

    (9)

    式中,gc(·)表示圖卷積過(guò)程;σ(·)和tanh(·)為激活函數(shù);參數(shù)W和b分別為權(quán)值和偏差;[·]表示向量相連;*為矩陣的卷積。

    綜上所述,時(shí)空預(yù)測(cè)模型的整體框架圖4所示,主要分為數(shù)據(jù)預(yù)處理、加強(qiáng)屬性特征、T-GCN建模和預(yù)測(cè)4個(gè)部分。

    圖4 預(yù)測(cè)模型框架Fig.4 Prediction model framework

    1.3 模型評(píng)價(jià)指標(biāo)

    本文基于3個(gè)指標(biāo)來(lái)評(píng)估模型的性能:①平均絕對(duì)誤差(mean absolute error,MAE);②平均絕對(duì)比例誤差(mean absolute scaled error,MASE);③均方根誤差(root mean square error,RMSE)。

    MAE為絕對(duì)誤差的平均值,其值越小意味著預(yù)測(cè)模型的性能越好

    (10)

    MASE是對(duì)時(shí)間序列預(yù)測(cè)準(zhǔn)確性的一種度量[27]。對(duì)于時(shí)間序列數(shù)據(jù),通常使用最近觀測(cè)值的方法定義一個(gè)比例偏差值

    (11)

    同理,RMSE值越小,預(yù)測(cè)誤差越小,模型的性能也越好

    (12)

    2 白水河滑坡試驗(yàn)與結(jié)果分析

    2.1 試驗(yàn)區(qū)與試驗(yàn)數(shù)據(jù)

    白水河滑坡隸屬湖北省宜昌市秭歸縣,距三峽大壩56 km,為三峽庫(kù)區(qū)中典型的松散堆積層滑坡。滑坡總體坡度約為30°,平均厚度約為30 m,體積約為1260×104 m3;滑面為殘坡積層與基巖接觸帶,厚約0.9~3.1 m,基巖巖性為中厚層砂巖夾薄層泥巖,產(chǎn)狀15°∠36°,巖層中節(jié)理裂隙發(fā)育;滑體物質(zhì)主要由第四系殘坡積碎石土組成,碎石含量20%~40%[28]。根據(jù)白水河滑坡的變形特征、觀測(cè)通視情況,確定監(jiān)測(cè)內(nèi)容以地表位移監(jiān)測(cè)為主。白水河滑坡點(diǎn)監(jiān)測(cè)點(diǎn)分布如圖5所示,監(jiān)測(cè)初期在3個(gè)縱向剖面上共布置7個(gè)GNSS監(jiān)測(cè)點(diǎn)(ZG91、ZG92、ZG93、ZG94、ZG118、ZG119和ZG120)。2005年5月之后,在預(yù)警區(qū)內(nèi)增設(shè)了4個(gè)GNSS監(jiān)測(cè)點(diǎn)(XD-01、XD-02、XD-03和XD-04)。顧及監(jiān)測(cè)數(shù)據(jù)的長(zhǎng)時(shí)序特征,本文僅采用初期布設(shè)的7個(gè)GNSS監(jiān)測(cè)點(diǎn)的位移監(jiān)測(cè)數(shù)據(jù),構(gòu)建高斯相似度函數(shù)表征空間相關(guān)性。所用時(shí)序數(shù)據(jù)范圍為2003年7月—2013年3月,滑坡GNSS月相對(duì)位移監(jiān)測(cè)數(shù)據(jù),三峽庫(kù)區(qū)的同步庫(kù)水位及當(dāng)?shù)亟涤炅繑?shù)據(jù)(圖6)。

    圖5 白水河滑坡監(jiān)測(cè)點(diǎn)分布Fig.5 Baishuihe landslide monitoring points distribution

    數(shù)據(jù)的空間相關(guān)性,通過(guò)高斯相似度函數(shù)連接7個(gè)監(jiān)測(cè)點(diǎn),并構(gòu)建7×7的加權(quán)鄰接矩陣Aw。矩陣中的值表示兩監(jiān)測(cè)點(diǎn)之間的相似性。對(duì)于時(shí)間相關(guān)數(shù)據(jù),通過(guò)GNSS監(jiān)測(cè)的時(shí)序形變數(shù)據(jù)構(gòu)建7×117的特征矩陣X。每一行表示一個(gè)監(jiān)測(cè)點(diǎn),對(duì)應(yīng)列為該點(diǎn)的時(shí)序形變值。對(duì)于外界影響因素?cái)?shù)據(jù),結(jié)合特征矩陣、降雨量和庫(kù)水位數(shù)據(jù)構(gòu)建7×117×3的屬性增強(qiáng)矩陣S。此外,采用x=(x-min)/(max-min)將數(shù)據(jù)歸一化到[0,1]之間,并將2003年7月—2011年8月的數(shù)據(jù)用于模型訓(xùn)練,2011年9月—2013年3月的數(shù)據(jù)用于模型測(cè)試。

    圖6 滑坡相對(duì)位移-降雨量-庫(kù)水位關(guān)系Fig.6 Relationship between landslide relative displacement rainfall reservoir water level

    2.2 空間相關(guān)性和影響因素分析

    2.2.1 空間相關(guān)性

    引入灰色關(guān)聯(lián)度評(píng)估監(jiān)測(cè)點(diǎn)之間的空間關(guān)聯(lián)性,若灰色關(guān)聯(lián)度>0.6,可認(rèn)為兩者密切相關(guān)[24]。以預(yù)警區(qū)內(nèi)相鄰的兩點(diǎn)ZG93和ZG118為例,其灰色相關(guān)度計(jì)算結(jié)果為0.74,如圖7所示,兩者位移變化趨勢(shì)基本一致,表明兩者之間具有很強(qiáng)的空間相關(guān)性。而由圖6和表1可知,預(yù)警區(qū)外的監(jiān)測(cè)點(diǎn)位移變化趨勢(shì)較小,大都在20 mm內(nèi)上下波動(dòng),且變化趨勢(shì)也基本一致。同時(shí),預(yù)警區(qū)外監(jiān)測(cè)點(diǎn)之間灰色關(guān)聯(lián)度均在0.6以上,且距離越近,灰色關(guān)聯(lián)度越大。因此,預(yù)警區(qū)外的監(jiān)測(cè)點(diǎn)之間同樣具有強(qiáng)空間相關(guān)性。結(jié)合圖8分析,由于受距離的影響,ZG92和ZG93在局部變化趨勢(shì)上具有相似性,且灰色關(guān)聯(lián)度為0.54,故預(yù)警區(qū)內(nèi)外的監(jiān)測(cè)點(diǎn)同樣具有相關(guān)性。綜上所述,整個(gè)監(jiān)測(cè)網(wǎng)中監(jiān)測(cè)點(diǎn)間具有不同強(qiáng)度的空間相關(guān)性,并證實(shí)了滑坡位移預(yù)測(cè)需要考慮到監(jiān)測(cè)點(diǎn)間的空間關(guān)系,這是不可忽略的重要因素。

    圖7 預(yù)警區(qū)內(nèi)監(jiān)測(cè)點(diǎn)相對(duì)位移Fig.7 Relative displacement of monitoring points in early warning area

    圖8 預(yù)警區(qū)內(nèi)外監(jiān)測(cè)點(diǎn)相對(duì)位移Fig.8 Relative displacement of monitoring points inside and outside the early warning area

    表1 灰色關(guān)聯(lián)度分析

    2.2.2 影響因素

    作為三峽庫(kù)區(qū)內(nèi)典型的庫(kù)岸滑坡,影響白水河滑坡穩(wěn)定性的主要外在因素為降雨和庫(kù)水位。如圖9所示,強(qiáng)降雨的出現(xiàn)和庫(kù)水位的快速下降往往伴隨著滑坡位移的突變。然而,滑坡位移的突變總是滯后于兩者變化。其中,降雨入滲促使坡體基質(zhì)吸力趨于零、斜坡容重增加,導(dǎo)致坡體抗剪強(qiáng)度下降、下滑力增大[21],從而影響滑坡穩(wěn)定性。而庫(kù)水位的變動(dòng)改變了坡體內(nèi)的滲流場(chǎng)分布和巖土體的應(yīng)力狀態(tài)。且?guī)焖陆翟娇欤谄麦w內(nèi)外形成的水力梯度越大,沿坡體向外的滲流力極大地影響了滑坡體的穩(wěn)定性。綜上分析可得,滑坡位移的變化受降雨和庫(kù)水位的影響,且具有強(qiáng)相關(guān)性。

    圖9 滑坡相對(duì)位移與影響因素關(guān)系Fig.9 Relationship between relative displacement of landslide and influencing factors

    2.3 模型訓(xùn)練及參數(shù)設(shè)定

    樣本劃分方式如圖10所示,訓(xùn)練樣本從左至右滑動(dòng)抽取。在本文試驗(yàn)中,每次抽取6個(gè)樣本,前5個(gè)作為樣本輸入,第6個(gè)作為標(biāo)簽,測(cè)試集采用同樣方式處理。為提高訓(xùn)練速度,采用批方式傳遞數(shù)據(jù)給模型,通常批大小為32[13]。試驗(yàn)中采用ReLU作為圖卷積的激活函數(shù),適應(yīng)性動(dòng)量估計(jì)(adaptive moment estimation,ADAM)[29]算法作為優(yōu)化器,訓(xùn)練過(guò)程中的損失函數(shù)定義為

    (13)

    學(xué)習(xí)率為控制輸出誤差反向傳播至網(wǎng)絡(luò)的權(quán)值參數(shù),默認(rèn)初始值為0.001,并通過(guò)ADAM優(yōu)化器進(jìn)行自適應(yīng)動(dòng)態(tài)調(diào)整。然而,隱藏神經(jīng)元(門控循環(huán)單元)個(gè)數(shù),以及模型的訓(xùn)練次數(shù)是影響預(yù)測(cè)精度的關(guān)鍵,本文通過(guò)多組試驗(yàn)確定。

    首先,設(shè)定隱藏神經(jīng)元個(gè)數(shù)設(shè)置為64,分析訓(xùn)練次數(shù)對(duì)模型性能的影響,設(shè)置訓(xùn)練次數(shù)為[100,250,500,1000,1500,2000]并進(jìn)行了測(cè)試。如圖11所示,隨著訓(xùn)練次數(shù)的增加,評(píng)價(jià)指標(biāo)趨于穩(wěn)定,轉(zhuǎn)折點(diǎn)為1000次,同時(shí)模型預(yù)測(cè)性能達(dá)到最優(yōu)。然后,設(shè)定訓(xùn)練次數(shù)為1000次,測(cè)試隱藏神經(jīng)元個(gè)數(shù)對(duì)模型性能的影響,從[8,16,32,64,100,128]中選擇最優(yōu)的隱藏神經(jīng)元個(gè)數(shù)。如圖12所示,隨著神經(jīng)元個(gè)數(shù)的增加,模型變得穩(wěn)定,且在個(gè)數(shù)為64時(shí)最優(yōu)。因此,本文試驗(yàn)的訓(xùn)練次數(shù)設(shè)定為1000次,隱藏神經(jīng)元個(gè)數(shù)設(shè)定為64個(gè)。

    圖10 樣本劃分Fig.10 Sample division

    圖11 不同訓(xùn)練次數(shù)的選擇對(duì)預(yù)測(cè)性能的影響Fig.11 The influence of the selection of epochs on the prediction performance

    圖12 不同隱藏神經(jīng)元個(gè)數(shù)的選擇對(duì)預(yù)測(cè)性能的影響Fig.12 The influence of the selection of units on the prediction performance

    2.4 預(yù)測(cè)結(jié)果分析

    試驗(yàn)設(shè)計(jì)時(shí)考慮了以下兩個(gè)方面:與其他時(shí)間序列預(yù)測(cè)模型的精度比較,以及引入不同類型外界影響因素時(shí)對(duì)模型性能的影響。計(jì)算機(jī)配置:Intel Core i5-9400F CPU和32G RAM的臺(tái)式電腦;程序語(yǔ)言:TensorFlow2.1、Python3.6、Matlab2020a。

    2.4.1 對(duì)比分析

    為驗(yàn)證本文方法相較于時(shí)間序列預(yù)測(cè)方法的優(yōu)勢(shì),采用自回歸移動(dòng)模型(auto regressive integrated moving average,ARIMA)[30]、多元線性回歸(multiple linear regression,MLR)[31]等傳統(tǒng)時(shí)間序列預(yù)測(cè)方法,以及支持向量回歸機(jī)(support vector regression,SVR)[8]、長(zhǎng)短期記憶模型LSTM[32-33]等主流機(jī)器學(xué)習(xí)方法進(jìn)行對(duì)比分析,結(jié)合建模時(shí)間與評(píng)價(jià)指標(biāo)判斷模型性能優(yōu)勢(shì)。不同于本文的預(yù)測(cè)模型,上述方法只能對(duì)單個(gè)滑坡監(jiān)測(cè)點(diǎn)進(jìn)行建模預(yù)測(cè)。因此,使用GNSS監(jiān)測(cè)的時(shí)序形變數(shù)據(jù)構(gòu)建的7×117的特征矩陣X,分7次建模預(yù)測(cè),得到最終7個(gè)監(jiān)測(cè)點(diǎn)的位移預(yù)測(cè)值。此外,增加了無(wú)屬性增強(qiáng)的時(shí)態(tài)圖卷積網(wǎng)絡(luò)T-GCN的深度學(xué)習(xí)方法進(jìn)行對(duì)比分析,以驗(yàn)證屬性增強(qiáng)可提高模型預(yù)測(cè)的性能。

    白水河滑坡的7個(gè)監(jiān)測(cè)點(diǎn)結(jié)果,如圖13所示,每個(gè)監(jiān)測(cè)點(diǎn)的預(yù)測(cè)值與實(shí)際值變化趨勢(shì)一致,非預(yù)警區(qū)內(nèi)監(jiān)測(cè)點(diǎn)的誤差均控制在10 mm之內(nèi),而預(yù)警區(qū)內(nèi)監(jiān)測(cè)點(diǎn)主要在突變處出現(xiàn)較大的誤差,最大誤差為16.66 mm。

    注:紫色豎線為絕對(duì)誤差值。圖13 滑坡位移整體預(yù)測(cè)對(duì)比Fig.13 Comparison diagram of overall prediction of landslide displacement

    結(jié)合表2,本文模型整體預(yù)測(cè)的3個(gè)預(yù)測(cè)指標(biāo)大小為:MAE在4 mm以內(nèi),MASE為0.477,RMSE為4.429 mm,均為最優(yōu)表現(xiàn)。為更好地展現(xiàn)預(yù)測(cè)結(jié)果的局部細(xì)節(jié),以監(jiān)測(cè)點(diǎn)ZG93(圖14、圖15)為例,本文模型與實(shí)際值具有很高的吻合度,特別是在轉(zhuǎn)折點(diǎn)和峰值處都優(yōu)于其他方法。結(jié)合整體預(yù)測(cè)評(píng)價(jià)指標(biāo)的優(yōu)勢(shì),對(duì)比分析如下。

    表2 不同預(yù)測(cè)模型的試驗(yàn)結(jié)果對(duì)比

    圖14 傳統(tǒng)預(yù)測(cè)方法對(duì)比結(jié)果 Fig.14 Comparison results of traditional prediction methods

    圖15 機(jī)器學(xué)習(xí)方法對(duì)比結(jié)果Fig.15 Comparison results of machine learning methods

    (1) 與基于數(shù)理統(tǒng)計(jì)的傳統(tǒng)預(yù)測(cè)模型(MLR、ARIMA)相比,本文模型RMSE明顯低于兩者,分別減少了約64%和55.9%。傳統(tǒng)預(yù)測(cè)方法與實(shí)際值波動(dòng)趨勢(shì)基本一致,但相對(duì)誤差較大。說(shuō)明傳統(tǒng)預(yù)測(cè)方法可以捕捉滑坡位移的時(shí)序變化趨勢(shì),但無(wú)法顧及變化的量值大小。

    (2) 與傳統(tǒng)的機(jī)器學(xué)習(xí)SVR模型相比,本文模型RMSE降低了約57.9%。而相對(duì)于只關(guān)注時(shí)間相關(guān)性的LSTM模型,本文模型因顧及到時(shí)空相關(guān)性在各項(xiàng)指標(biāo)上均有更好的表現(xiàn),RMSE減少了約47.3%。SVR在轉(zhuǎn)折點(diǎn)處的預(yù)測(cè)誤差相對(duì)減小,而LSTM在整體上表現(xiàn)較好。但是本文模型無(wú)論是在整體趨勢(shì)上,還是在轉(zhuǎn)折點(diǎn)和峰值處,都具有最好的表現(xiàn)。

    (3) 從引入外界影響因素的角度來(lái)看,相比未屬性增強(qiáng)的T-GCN模型,本文模型RMSE降低了約28.4%,各項(xiàng)指標(biāo)均更優(yōu),并更能顧及轉(zhuǎn)折點(diǎn)處量值大小。

    (4) 由于MLR、ARIMA、SVR和LSTM均需對(duì)單個(gè)監(jiān)測(cè)點(diǎn)進(jìn)行獨(dú)立建模預(yù)測(cè),因此這些預(yù)測(cè)模型在建模時(shí)間上均遠(yuǎn)遠(yuǎn)超過(guò)本文方法。其中,ARIMA需要對(duì)每個(gè)監(jiān)測(cè)點(diǎn)求取最優(yōu)參數(shù),所需時(shí)間成本大大增加。而T-GCN由于未考慮屬性增強(qiáng)模型,處理數(shù)據(jù)量小,因此在建模時(shí)間上小于本文模型。

    綜上所述,基于深度學(xué)習(xí)的滑坡位移時(shí)空預(yù)測(cè)模型精度較高,時(shí)間成本較低,是一種更滿足生產(chǎn)需求的高效預(yù)測(cè)方法。

    2.4.2 消融試驗(yàn)分析

    為證實(shí)滑坡主要的外界影響因素(降雨和庫(kù)水位)具有提高屬性增強(qiáng)模型預(yù)測(cè)性能的能力,在上述基礎(chǔ)設(shè)置的前提下進(jìn)行消融試驗(yàn):分別為只添加降雨屬性增強(qiáng)、只添加庫(kù)水位屬性增強(qiáng)以及兩者均添加的屬性增強(qiáng)。由整體預(yù)測(cè)結(jié)果評(píng)價(jià)指標(biāo)(表3)可知,無(wú)論是添加降雨屬性增強(qiáng)還是庫(kù)水位屬性增強(qiáng),兩者均相較于未屬性增強(qiáng)的T-GCN模型在各項(xiàng)指標(biāo)上顯著提升。而同時(shí)添加降雨和庫(kù)水位屬性增強(qiáng)時(shí),本文模型各項(xiàng)指標(biāo)表現(xiàn)最好。從細(xì)節(jié)角度來(lái)看(圖16),庫(kù)水位因素的添加提高了模型對(duì)峰值和轉(zhuǎn)折點(diǎn)的感知能力,其預(yù)測(cè)結(jié)果在峰值和轉(zhuǎn)折點(diǎn)比降雨屬性增強(qiáng)更接近實(shí)際值。而降雨因素的添加提高了模型對(duì)變化趨勢(shì)的預(yù)測(cè)能力,其預(yù)測(cè)結(jié)果比庫(kù)水位屬性增強(qiáng)在趨勢(shì)上更接近實(shí)際情況。然而,同時(shí)兼具庫(kù)水位和降雨屬性的預(yù)測(cè)結(jié)果與真實(shí)值之間的誤差更小,趨勢(shì)更接近。

    表3 不同設(shè)置的消融試驗(yàn)

    圖16 消融試驗(yàn)結(jié)果Fig.16 Results of ablation experiments

    由以上分析結(jié)果可知,無(wú)論單獨(dú)添加降雨因素或者庫(kù)水位因素,兩者的位移預(yù)測(cè)能力基本相當(dāng),說(shuō)明降雨和庫(kù)水位對(duì)滑坡位移的影響幾乎一致,均方根誤差分別降低了0.29%和0.11%。同時(shí)添加兩種因素比添加單一類型因素的模型表現(xiàn)更好,從而也證實(shí)了降雨和庫(kù)水位聯(lián)合作用于滑坡變形[19-20]。因此,采用外界影響因素有助于增強(qiáng)滑坡位移預(yù)測(cè)模型能力。

    3 結(jié) 論

    本文通過(guò)考慮滑坡位移監(jiān)測(cè)系統(tǒng)中所有監(jiān)測(cè)點(diǎn)之間的空間和時(shí)間相關(guān)性,并綜合了外界因素對(duì)滑坡位移的影響,提出了一種基于深度學(xué)習(xí)的滑坡位移時(shí)空預(yù)測(cè)模型。試驗(yàn)結(jié)果表明。

    (1) 相比傳統(tǒng)的回歸預(yù)測(cè)方法和經(jīng)典的機(jī)器學(xué)習(xí)方法,本文所提時(shí)空預(yù)測(cè)方法結(jié)果的均方根誤差為4.429 mm,至少降低了47.3%,并在預(yù)測(cè)精度與時(shí)效方面更具優(yōu)勢(shì)。

    (2) 與針對(duì)單個(gè)監(jiān)測(cè)點(diǎn)的滑坡位移預(yù)測(cè)模型相比,基于全局的滑坡位移預(yù)測(cè)方法兼顧了時(shí)間和空間上的相關(guān)性,在縮短了預(yù)測(cè)時(shí)間的基礎(chǔ)上提高了整體預(yù)測(cè)精度,進(jìn)而更好地揭示整個(gè)監(jiān)測(cè)系統(tǒng)的位移變化情況,為滑坡預(yù)警預(yù)報(bào)提供更準(zhǔn)確的數(shù)據(jù)支持。

    (3) 考慮到外界影響因素對(duì)滑坡變形趨勢(shì)的影響,相比直接采用位移特征屬性的預(yù)測(cè)方法,時(shí)空預(yù)測(cè)方法通過(guò)屬性增強(qiáng)提高了模型的預(yù)測(cè)性能,均方根誤差減少了28.4%。

    但是滑坡區(qū)域內(nèi)的監(jiān)測(cè)點(diǎn)受剖面和所在滑坡體位置的限制,所有監(jiān)測(cè)點(diǎn)之間不只有空間度量關(guān)系,可能含有空間拓?fù)潢P(guān)系,需要更進(jìn)一步試驗(yàn)和論證。除此之外,本文采用降雨和庫(kù)水位兩個(gè)因素,未考慮到兩者的周期性的此消彼長(zhǎng)變化特征對(duì)滑坡變形的影響,如何提取有效的周期特征,以實(shí)現(xiàn)更具解釋力的滑坡預(yù)測(cè)結(jié)果也將是后續(xù)的研究重點(diǎn)。

    猜你喜歡
    時(shí)序監(jiān)測(cè)點(diǎn)降雨
    時(shí)序坐標(biāo)
    天津南港LNG接收站沉降監(jiān)測(cè)點(diǎn)位布設(shè)
    煤氣與熱力(2022年4期)2022-05-23 12:44:56
    撫河流域綜合治理監(jiān)測(cè)布局優(yōu)化
    基于Sentinel-2時(shí)序NDVI的麥冬識(shí)別研究
    全站儀極坐標(biāo)法監(jiān)測(cè)點(diǎn)穩(wěn)定性分析方法研究
    滄州市2016年“7.19~7.22”與“8.24~8.25”降雨對(duì)比研究
    一種毫米波放大器時(shí)序直流電源的設(shè)計(jì)
    電子制作(2016年15期)2017-01-15 13:39:08
    我省舉辦家畜血吸蟲(chóng)病監(jiān)測(cè)點(diǎn)培訓(xùn)班
    紅黏土降雨入滲的定量分析
    南方降雨不斷主因厄爾尼諾
    亚洲欧美一区二区三区黑人| 成人无遮挡网站| 老司机深夜福利视频在线观看| 国产成人av教育| 长腿黑丝高跟| 婷婷精品国产亚洲av在线| 亚洲va日本ⅴa欧美va伊人久久| 法律面前人人平等表现在哪些方面| 天美传媒精品一区二区| 免费电影在线观看免费观看| 最好的美女福利视频网| 欧美日韩瑟瑟在线播放| 精品人妻一区二区三区麻豆 | 亚洲美女黄片视频| 在线十欧美十亚洲十日本专区| 黄色丝袜av网址大全| 亚洲人成电影免费在线| 国内毛片毛片毛片毛片毛片| 美女黄网站色视频| 99国产极品粉嫩在线观看| 国产亚洲精品久久久久久毛片| 一个人免费在线观看的高清视频| 国产黄片美女视频| xxx96com| aaaaa片日本免费| 亚洲精华国产精华精| 90打野战视频偷拍视频| 国产免费av片在线观看野外av| 日本五十路高清| 999久久久精品免费观看国产| 中文资源天堂在线| 欧美中文综合在线视频| 久久久国产成人免费| 一个人观看的视频www高清免费观看| 亚洲精品美女久久久久99蜜臀| 日本五十路高清| 欧美日韩综合久久久久久 | 又黄又爽又免费观看的视频| 看免费av毛片| 日本三级黄在线观看| 在线看三级毛片| 久久久国产成人免费| 日本 欧美在线| 岛国视频午夜一区免费看| 12—13女人毛片做爰片一| 久久精品亚洲精品国产色婷小说| 蜜桃久久精品国产亚洲av| 日韩欧美精品免费久久 | 国产成年人精品一区二区| 精品人妻1区二区| 中文亚洲av片在线观看爽| netflix在线观看网站| 久久国产精品人妻蜜桃| 成熟少妇高潮喷水视频| 亚洲国产色片| 国产伦人伦偷精品视频| 免费av毛片视频| 在线观看免费视频日本深夜| 一本综合久久免费| 级片在线观看| 美女高潮的动态| 操出白浆在线播放| 99riav亚洲国产免费| 国产精品久久久久久精品电影| 色在线成人网| 亚洲精品一卡2卡三卡4卡5卡| 九色国产91popny在线| 久久久久性生活片| 最近最新中文字幕大全免费视频| 99精品欧美一区二区三区四区| 色噜噜av男人的天堂激情| 午夜福利在线在线| 精品国产亚洲在线| 又黄又爽又免费观看的视频| 国产精品 欧美亚洲| 亚洲欧美精品综合久久99| 欧美色视频一区免费| 国产精品 国内视频| 少妇裸体淫交视频免费看高清| 亚洲内射少妇av| 国产高清视频在线观看网站| 一区福利在线观看| 99久久久亚洲精品蜜臀av| 久久香蕉精品热| 欧美+日韩+精品| 小蜜桃在线观看免费完整版高清| 国产精品永久免费网站| 女人被狂操c到高潮| 国产亚洲欧美98| 精品一区二区三区视频在线 | 好看av亚洲va欧美ⅴa在| 天堂av国产一区二区熟女人妻| 国产成人啪精品午夜网站| 性欧美人与动物交配| 在线观看免费午夜福利视频| 欧美xxxx黑人xx丫x性爽| 免费看美女性在线毛片视频| 天天添夜夜摸| 国产一区二区三区在线臀色熟女| 18禁国产床啪视频网站| 国产男靠女视频免费网站| 欧美日韩黄片免| 99久久久亚洲精品蜜臀av| 日本黄大片高清| 成人特级黄色片久久久久久久| 成年版毛片免费区| 不卡一级毛片| 国产99白浆流出| 国产极品精品免费视频能看的| tocl精华| 国产欧美日韩一区二区精品| 久久天躁狠狠躁夜夜2o2o| 天天添夜夜摸| 国产色爽女视频免费观看| 欧美大码av| 亚洲在线自拍视频| 两个人看的免费小视频| 亚洲不卡免费看| 成年女人毛片免费观看观看9| 女警被强在线播放| 欧美成人一区二区免费高清观看| 亚洲熟妇中文字幕五十中出| 色吧在线观看| 97超视频在线观看视频| 国产不卡一卡二| 久久精品国产自在天天线| 2021天堂中文幕一二区在线观| 岛国在线观看网站| 18+在线观看网站| 精品久久久久久久人妻蜜臀av| 国产成人a区在线观看| 欧美一级a爱片免费观看看| 天堂网av新在线| 中文在线观看免费www的网站| 少妇人妻精品综合一区二区 | 国产精品美女特级片免费视频播放器| 久久久久久久精品吃奶| 我要搜黄色片| 欧美成人a在线观看| 日日干狠狠操夜夜爽| 搡老妇女老女人老熟妇| 精品久久久久久久毛片微露脸| a级毛片a级免费在线| 极品教师在线免费播放| 18禁美女被吸乳视频| 国产精品三级大全| 午夜福利免费观看在线| 精品久久久久久久毛片微露脸| 91在线精品国自产拍蜜月 | 精品久久久久久久人妻蜜臀av| 亚洲国产欧美网| 波多野结衣巨乳人妻| 9191精品国产免费久久| 国产伦在线观看视频一区| 日韩国内少妇激情av| 色老头精品视频在线观看| 成年女人看的毛片在线观看| 97碰自拍视频| 国产不卡一卡二| 国产精品,欧美在线| 久久久久久国产a免费观看| 国产黄色小视频在线观看| 欧美成人a在线观看| 午夜福利视频1000在线观看| 真人一进一出gif抽搐免费| 亚洲人成伊人成综合网2020| 国产精品久久电影中文字幕| 看免费av毛片| 两性午夜刺激爽爽歪歪视频在线观看| 国产精品99久久久久久久久| 日韩国内少妇激情av| 黄色成人免费大全| 又紧又爽又黄一区二区| 一区二区三区高清视频在线| 无遮挡黄片免费观看| www.色视频.com| 亚洲国产欧美人成| 两个人视频免费观看高清| 午夜免费激情av| 在线观看免费午夜福利视频| 亚洲第一欧美日韩一区二区三区| 日本三级黄在线观看| 99精品在免费线老司机午夜| 搡老熟女国产l中国老女人| 日本成人三级电影网站| 亚洲一区二区三区色噜噜| 中文字幕av成人在线电影| 午夜影院日韩av| 久久精品国产自在天天线| 亚洲,欧美精品.| 嫩草影院精品99| 免费人成视频x8x8入口观看| 狂野欧美白嫩少妇大欣赏| www.熟女人妻精品国产| 国产高清videossex| 午夜免费男女啪啪视频观看 | 香蕉久久夜色| 少妇高潮的动态图| 亚洲国产高清在线一区二区三| 国产高潮美女av| 午夜福利高清视频| 午夜福利在线观看吧| 99精品欧美一区二区三区四区| 天美传媒精品一区二区| 久久久久九九精品影院| 99国产综合亚洲精品| a级一级毛片免费在线观看| 美女大奶头视频| 麻豆国产av国片精品| 少妇高潮的动态图| 搞女人的毛片| 亚洲无线观看免费| av天堂中文字幕网| 午夜福利高清视频| 国产一区在线观看成人免费| 天堂√8在线中文| 观看美女的网站| 最近最新免费中文字幕在线| 熟女人妻精品中文字幕| 欧美成人免费av一区二区三区| xxx96com| 欧美乱码精品一区二区三区| 亚洲av五月六月丁香网| 欧美一区二区精品小视频在线| 精品国产三级普通话版| 色综合站精品国产| 精品久久久久久久末码| 午夜精品久久久久久毛片777| 久久草成人影院| 国产色婷婷99| 国产免费男女视频| 老司机在亚洲福利影院| 国产三级中文精品| 国产精品久久久久久精品电影| 亚洲狠狠婷婷综合久久图片| 成人无遮挡网站| 又爽又黄无遮挡网站| 免费观看精品视频网站| 少妇高潮的动态图| 中文字幕av成人在线电影| 欧美日本亚洲视频在线播放| 香蕉av资源在线| 国产精品自产拍在线观看55亚洲| 69人妻影院| 真人一进一出gif抽搐免费| 亚洲欧美精品综合久久99| 国产探花在线观看一区二区| 熟妇人妻久久中文字幕3abv| 亚洲中文字幕一区二区三区有码在线看| 亚洲精品日韩av片在线观看 | 女生性感内裤真人,穿戴方法视频| 老鸭窝网址在线观看| 国产淫片久久久久久久久 | 黑人欧美特级aaaaaa片| 国产亚洲精品综合一区在线观看| 免费无遮挡裸体视频| 久久久久久九九精品二区国产| 国产精品香港三级国产av潘金莲| 岛国视频午夜一区免费看| 少妇裸体淫交视频免费看高清| a在线观看视频网站| 日本黄色片子视频| 级片在线观看| 国产熟女xx| 熟女电影av网| 久久精品人妻少妇| 黄色女人牲交| 深爱激情五月婷婷| 一本久久中文字幕| 亚洲最大成人手机在线| 色综合欧美亚洲国产小说| 少妇的逼水好多| 成年版毛片免费区| 午夜福利在线在线| 日本精品一区二区三区蜜桃| 亚洲av熟女| 51国产日韩欧美| 日本三级黄在线观看| 国产精品野战在线观看| 免费av不卡在线播放| 日韩欧美国产一区二区入口| 99精品欧美一区二区三区四区| 啪啪无遮挡十八禁网站| 亚洲男人的天堂狠狠| 伊人久久精品亚洲午夜| 亚洲乱码一区二区免费版| АⅤ资源中文在线天堂| 亚洲精品影视一区二区三区av| 久久精品国产99精品国产亚洲性色| 天堂网av新在线| 亚洲一区二区三区色噜噜| 亚洲国产欧美人成| 禁无遮挡网站| 日本在线视频免费播放| 老司机深夜福利视频在线观看| 欧美三级亚洲精品| 九九久久精品国产亚洲av麻豆| 香蕉丝袜av| 日韩有码中文字幕| 精品久久久久久久久久久久久| 国产精品国产高清国产av| av国产免费在线观看| 欧美一区二区国产精品久久精品| 成人性生交大片免费视频hd| 欧美极品一区二区三区四区| 在线播放无遮挡| 国产乱人视频| 国产国拍精品亚洲av在线观看 | 嫩草影院入口| x7x7x7水蜜桃| 99久久精品一区二区三区| 成年女人看的毛片在线观看| 麻豆久久精品国产亚洲av| 久久精品夜夜夜夜夜久久蜜豆| 九九久久精品国产亚洲av麻豆| 精品免费久久久久久久清纯| 国产97色在线日韩免费| 9191精品国产免费久久| 婷婷精品国产亚洲av在线| 亚洲熟妇熟女久久| 真人一进一出gif抽搐免费| 国产在线精品亚洲第一网站| 亚洲av五月六月丁香网| 日本 av在线| 欧美成人一区二区免费高清观看| 人妻久久中文字幕网| 99久久九九国产精品国产免费| avwww免费| 嫩草影院入口| 尤物成人国产欧美一区二区三区| 欧美精品啪啪一区二区三区| 久久精品人妻少妇| 97超视频在线观看视频| 性色avwww在线观看| 亚洲国产中文字幕在线视频| 在线十欧美十亚洲十日本专区| 亚洲真实伦在线观看| 欧美性猛交黑人性爽| 亚洲国产色片| 美女被艹到高潮喷水动态| 亚洲精品在线美女| 黄片小视频在线播放| 精品久久久久久久末码| 欧美另类亚洲清纯唯美| 亚洲一区二区三区不卡视频| 2021天堂中文幕一二区在线观| 国产亚洲欧美在线一区二区| 好男人在线观看高清免费视频| 亚洲天堂国产精品一区在线| 亚洲精品在线美女| 免费电影在线观看免费观看| av视频在线观看入口| 首页视频小说图片口味搜索| 欧美高清成人免费视频www| 成人国产一区最新在线观看| 丰满乱子伦码专区| 三级毛片av免费| 国产色婷婷99| 日本黄大片高清| 久久精品影院6| 午夜精品在线福利| 国产aⅴ精品一区二区三区波| 九九在线视频观看精品| 日韩欧美一区二区三区在线观看| 一个人观看的视频www高清免费观看| 成熟少妇高潮喷水视频| 欧美不卡视频在线免费观看| 国产高清激情床上av| 一个人观看的视频www高清免费观看| 精品99又大又爽又粗少妇毛片 | 九色成人免费人妻av| 久久久久国内视频| 国内久久婷婷六月综合欲色啪| 欧美日韩精品网址| 国产伦精品一区二区三区视频9 | 欧美另类亚洲清纯唯美| 网址你懂的国产日韩在线| 日韩欧美三级三区| tocl精华| 午夜免费男女啪啪视频观看 | 悠悠久久av| 麻豆国产97在线/欧美| 国产精品美女特级片免费视频播放器| 一级毛片女人18水好多| 亚洲中文字幕日韩| 一二三四社区在线视频社区8| 可以在线观看的亚洲视频| 欧美日本视频| 一级a爱片免费观看的视频| 69人妻影院| 日本在线视频免费播放| 亚洲av二区三区四区| 精品国产美女av久久久久小说| 黄片大片在线免费观看| 真实男女啪啪啪动态图| 久久久久久人人人人人| 综合色av麻豆| 蜜桃亚洲精品一区二区三区| 婷婷精品国产亚洲av| 男女床上黄色一级片免费看| 少妇人妻精品综合一区二区 | 成人国产一区最新在线观看| 日韩欧美免费精品| 亚洲国产中文字幕在线视频| 亚洲 欧美 日韩 在线 免费| 麻豆国产97在线/欧美| e午夜精品久久久久久久| 欧美日韩瑟瑟在线播放| 国产蜜桃级精品一区二区三区| 男人和女人高潮做爰伦理| 国产精品野战在线观看| 日本五十路高清| 青草久久国产| 日日摸夜夜添夜夜添小说| av天堂在线播放| 天天躁日日操中文字幕| 国产在视频线在精品| 亚洲电影在线观看av| 亚洲内射少妇av| 亚洲人成网站在线播| 噜噜噜噜噜久久久久久91| 午夜亚洲福利在线播放| 法律面前人人平等表现在哪些方面| 午夜福利在线观看免费完整高清在 | 亚洲av免费在线观看| 18禁黄网站禁片午夜丰满| 搞女人的毛片| 国产精品免费一区二区三区在线| 别揉我奶头~嗯~啊~动态视频| 小蜜桃在线观看免费完整版高清| 男女下面进入的视频免费午夜| 国产亚洲精品久久久com| 午夜免费男女啪啪视频观看 | 五月伊人婷婷丁香| 高清毛片免费观看视频网站| 人妻丰满熟妇av一区二区三区| 午夜福利18| 免费观看的影片在线观看| 国产精品电影一区二区三区| 欧美av亚洲av综合av国产av| a在线观看视频网站| netflix在线观看网站| 免费av毛片视频| 午夜激情欧美在线| 亚洲色图av天堂| 亚洲av电影在线进入| www.熟女人妻精品国产| 欧美一区二区精品小视频在线| 欧美成人性av电影在线观看| 精品午夜福利视频在线观看一区| 国内精品美女久久久久久| 偷拍熟女少妇极品色| 制服人妻中文乱码| 亚洲专区中文字幕在线| 色播亚洲综合网| 精品久久久久久久人妻蜜臀av| 岛国视频午夜一区免费看| 精品日产1卡2卡| 色哟哟哟哟哟哟| 69av精品久久久久久| 一级毛片高清免费大全| 国产精品久久久久久精品电影| 久久国产精品人妻蜜桃| 久久国产精品影院| 丰满乱子伦码专区| 久久伊人香网站| 婷婷精品国产亚洲av在线| 高清毛片免费观看视频网站| 国产亚洲精品一区二区www| 国产欧美日韩精品亚洲av| 熟女少妇亚洲综合色aaa.| 久久精品人妻少妇| 免费看十八禁软件| 国产精品亚洲美女久久久| 一二三四社区在线视频社区8| 国产成人啪精品午夜网站| 亚洲真实伦在线观看| 男人和女人高潮做爰伦理| 日韩精品中文字幕看吧| 有码 亚洲区| 黄色丝袜av网址大全| 午夜影院日韩av| 午夜精品久久久久久毛片777| 国产黄片美女视频| 国产精品爽爽va在线观看网站| 国产色爽女视频免费观看| 午夜福利欧美成人| 在线看三级毛片| av在线蜜桃| 色精品久久人妻99蜜桃| 成人永久免费在线观看视频| 久久精品影院6| 久久久久精品国产欧美久久久| 亚洲国产精品999在线| 18禁黄网站禁片午夜丰满| 夜夜看夜夜爽夜夜摸| 日韩av在线大香蕉| 国产亚洲精品av在线| 19禁男女啪啪无遮挡网站| 精品99又大又爽又粗少妇毛片 | 成年免费大片在线观看| 国产高清视频在线播放一区| 日韩欧美精品免费久久 | av专区在线播放| 国产精品久久久久久精品电影| 精品日产1卡2卡| 国产男靠女视频免费网站| 欧美日韩一级在线毛片| 日韩中文字幕欧美一区二区| 欧美激情在线99| 国产伦一二天堂av在线观看| 亚洲av成人av| 国产aⅴ精品一区二区三区波| 日本 av在线| 99久国产av精品| 此物有八面人人有两片| 99在线视频只有这里精品首页| 亚洲电影在线观看av| 亚洲五月天丁香| 国产毛片a区久久久久| 少妇裸体淫交视频免费看高清| 一区二区三区国产精品乱码| 哪里可以看免费的av片| 尤物成人国产欧美一区二区三区| 丁香欧美五月| 日本黄色片子视频| 日韩欧美国产一区二区入口| 别揉我奶头~嗯~啊~动态视频| 中文亚洲av片在线观看爽| 色精品久久人妻99蜜桃| 内射极品少妇av片p| 色综合站精品国产| 精品国内亚洲2022精品成人| 亚洲激情在线av| www.熟女人妻精品国产| 国产精品av视频在线免费观看| 成年女人毛片免费观看观看9| 男人舔奶头视频| 18禁黄网站禁片午夜丰满| 欧美一区二区精品小视频在线| 欧美日韩福利视频一区二区| 亚洲精品亚洲一区二区| tocl精华| 麻豆久久精品国产亚洲av| 精品欧美国产一区二区三| 91久久精品电影网| 亚洲国产色片| 亚洲成人久久性| 一本一本综合久久| 精品国产超薄肉色丝袜足j| www.www免费av| av天堂中文字幕网| 久久天躁狠狠躁夜夜2o2o| 婷婷亚洲欧美| 亚洲黑人精品在线| 岛国在线观看网站| 国产黄色小视频在线观看| 久久精品亚洲精品国产色婷小说| 国产精品自产拍在线观看55亚洲| 丁香六月欧美| 国产一区二区激情短视频| 夜夜夜夜夜久久久久| 国产乱人视频| 午夜激情欧美在线| 嫩草影视91久久| 国产真实乱freesex| 欧美三级亚洲精品| 在线观看午夜福利视频| 国产成+人综合+亚洲专区| 国产一区二区在线av高清观看| 亚洲avbb在线观看| av天堂在线播放| 禁无遮挡网站| 日本熟妇午夜| 美女高潮喷水抽搐中文字幕| 热99re8久久精品国产| 欧美日韩精品网址| 国产成人福利小说| www.熟女人妻精品国产| 国产蜜桃级精品一区二区三区| www.熟女人妻精品国产| 99久久精品热视频| 亚洲不卡免费看| 黄色女人牲交| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 日日夜夜操网爽| 国产亚洲欧美在线一区二区| 天堂av国产一区二区熟女人妻| 19禁男女啪啪无遮挡网站| 麻豆一二三区av精品| 琪琪午夜伦伦电影理论片6080| 小蜜桃在线观看免费完整版高清| 九九热线精品视视频播放| 国产亚洲精品av在线| 超碰av人人做人人爽久久 | 国产三级中文精品| 日本撒尿小便嘘嘘汇集6| 女人高潮潮喷娇喘18禁视频| 最新在线观看一区二区三区| 亚洲美女黄片视频| 欧美成人免费av一区二区三区| 在线观看一区二区三区| 欧美日韩亚洲国产一区二区在线观看| 久久精品国产自在天天线| 精品久久久久久久久久久久久| 欧美黑人欧美精品刺激| 成人一区二区视频在线观看| 琪琪午夜伦伦电影理论片6080| a级一级毛片免费在线观看| 淫秽高清视频在线观看| 久久精品国产综合久久久| 偷拍熟女少妇极品色| 成人高潮视频无遮挡免费网站| 夜夜爽天天搞| 亚洲人成网站在线播放欧美日韩|