• <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 ?

    基于高光譜和激光雷達(dá)數(shù)據(jù)的林分類型識別*

    2021-07-16 03:12:30由珈齊李明澤范文義莫祝坤祝子梟
    林業(yè)科學(xué) 2021年5期
    關(guān)鍵詞:數(shù)據(jù)源林分激光雷達(dá)

    由珈齊 李明澤 范文義 全 迎 王 斌 莫祝坤 祝子梟

    (東北林業(yè)大學(xué)林學(xué)院 哈爾濱 150040)

    林分類型識別是森林資源監(jiān)測的核心問題之一,準(zhǔn)確劃分林分類型可為森林調(diào)查、造林、經(jīng)營和規(guī)劃設(shè)計等提供科學(xué)依據(jù)(李明澤等, 2016)。最近幾十年,隨著空間技術(shù)、計算機技術(shù)、傳感器技術(shù)等與遙感密切相關(guān)學(xué)科技術(shù)的飛速發(fā)展,遙感正在進(jìn)入一個以高光譜遙感技術(shù)為主要標(biāo)志的時代(Wulderetal., 2004)。高光譜遙感是將成像技術(shù)與光譜技術(shù)相結(jié)合的多維信息獲取技術(shù),能夠同時探測目標(biāo)的二維集合空間和一維光譜信息,具有分辨率高、波段多、數(shù)據(jù)量豐富等特點(董恒等, 2012),可通過多波段組合方式提取植被指數(shù)和紋理特征等變量,根據(jù)光譜信息差異識別不同林分; 但是高光譜影像數(shù)據(jù)只能獲取物體的表面信息,林分類型識別精度不高。激光雷達(dá)是一種主動遙感技術(shù),可有效穿透森林,在獲取森林垂直結(jié)構(gòu)參數(shù)方面有著其他光學(xué)遙感技術(shù)無法比擬的優(yōu)勢(朱凌紅等, 2014; Lefskyetal., 2002),能夠彌補高光譜影像數(shù)據(jù)結(jié)構(gòu)單一的不足。因此,通過激光雷達(dá)與高光譜影像相結(jié)合進(jìn)行林分類型識別成為近年來相關(guān)研究的焦點。此外,一些研究也表明,將植被的生物化學(xué)特征作為變量參與樹種分類,可有效提高分類精度(Shietal., 2018)。

    在經(jīng)典植物分類學(xué)中,植物功能性狀被廣泛用于描述、排序和區(qū)分物種。Asner等(2011)基于從葉光譜中提取出的11種植物功能性狀,很好地識別了300多種亞馬遜雨林樹種,這表明將表示植物功能性狀的生物化學(xué)參數(shù)與遙感數(shù)據(jù)相結(jié)合能夠有效提高分類精度。葉綠素作為生物化學(xué)參數(shù)之一,反映了不同林分類型間的生物化學(xué)差異。遙感葉綠素提取方法主要有以下幾種: 1) 利用統(tǒng)計方法建立植被反射率或反射率一階微分等變換形式與植被葉綠素含量的回歸模型; 2) 基于物理模型的葉綠素反演方法; 3) 植被指數(shù)法。其中,植被指數(shù)法基于物理機理,采用多波段組合方式建立遙感數(shù)據(jù)各波段與葉綠素含量之間的統(tǒng)計關(guān)系,能夠有效反映不同植被葉綠素含量的差異(顏春燕等, 2005)。

    除了數(shù)據(jù)源、分類特征外,分類器也是影響林分類型識別精度的關(guān)鍵因素。隨機森林(random forest,RF)是一種新型高效的組合分類器,其基本分類器為決策樹,不僅具有較高的分類準(zhǔn)確率,也不容易出現(xiàn)過擬合現(xiàn)象且能處理大量數(shù)據(jù)(楊珺雯等, 2015)。在高維遙感影像分類應(yīng)用中,隨機森林表現(xiàn)出了較高的分類精度、較快的運算速度和較好的穩(wěn)定性(劉毅等, 2012)。支持向量機(support vector machine,SVM)作為一種機器學(xué)習(xí)方法,以統(tǒng)計學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險最小化原則為基礎(chǔ)(陳永健, 2014),本質(zhì)是最大化分類間隔的線性分類器,近年來已廣泛應(yīng)用于經(jīng)濟、生物和林學(xué)等領(lǐng)域。

    目前,光學(xué)遙感與激光雷達(dá)結(jié)合識別林分類型已大量開展,但將植被生物化學(xué)參數(shù)應(yīng)用于分類識別的研究較少。鑒于此,本研究以機載高光譜影像和激光雷達(dá)點云為數(shù)據(jù)源,提取葉綠素、植被指數(shù)與高度、強度等變量,探討隨機森林、支持向量機分類器下機載高光譜影像和激光雷達(dá)點云數(shù)據(jù)源對林分類型識別的影響,并檢驗葉綠素在林分類型識別中的作用,以期為提高林分類型分類精度提供科學(xué)依據(jù),為森林資源管理和監(jiān)測提供技術(shù)支持。

    1 研究區(qū)概況與數(shù)據(jù)獲取

    1.1 研究區(qū)概況

    以東北林業(yè)大學(xué)帽兒山實驗林場老山施業(yè)區(qū)為研究區(qū),該區(qū)地處黑龍江省尚志市西部帽兒山鎮(zhèn),隸屬尚志國有林場管理局,地理坐標(biāo)為45°20′—45°25′N,127°30′—127°34′E,總面積為26 496 hm2。境內(nèi)以山區(qū)丘陵地貌為主,屬中溫帶大陸性季風(fēng)氣候,土壤以暗棕壤為主,有林地面積約4 000 hm2,總蓄積約340 000 m3,林種為水源涵養(yǎng)林和一般用材林(丁壯等, 2006)。主要喬木樹種有紅松(Pinuskoraiensis)、樟子松(Pinussylvestrisvar.mongolica)、落葉松(Larixgmelinii)、蒙古櫟(Quercusmongolica)、水曲柳(Fraxinusmandshurica)、胡桃楸(Juglansmandshurica)、椴樹(Tiliatuan)、色木槭(Acermono)、榆樹(Ulmuspumila)、白樺(Betulaplatyphylla)、楊樹(Populus)等。林分可塑性大,適應(yīng)性強,在不同海拔和多種立地條件下均有分布。

    1.2 數(shù)據(jù)獲取

    1.2.1 遙感數(shù)據(jù) 機載高光譜影像和激光雷達(dá)點云數(shù)據(jù)分別來自于LiCHy 系統(tǒng)搭載的高光譜傳感器(AISA Eagle Ⅱ)和LiDAR傳感器(Riegl LMS-Q680i),獲取時間分別為2015年5月和9月。為保證地面分辨率,綜合考慮傳感器性能和研究區(qū)地形因素,確定飛行相對高度為1 200 m,以研究區(qū)地面平均海拔400 m為參考,飛行絕對高度為1 600 m。航線總長度798 km,共31條航帶。高光譜影像數(shù)據(jù)包括64個波段,波段范圍400~970 nm,地面分辨率1.5 m,光譜分辨率3.3 nm。LiDAR傳感器波長1 550 nm,掃描角±30°,采樣間隔1 ns,平均點云密度3.6 m-2。

    研究區(qū)包含樟子松等常綠樹種以及落葉松、楊樹等落葉樹種,數(shù)據(jù)采集時均處于生長季,同一年份下同一時相內(nèi)樹木的高度和光譜特征具有短期穩(wěn)定性,高光譜影像與激光雷達(dá)點云數(shù)據(jù)間的時間差異可忽略不計(謝珠利, 2019)。

    1.2.2 實測數(shù)據(jù) 實測數(shù)據(jù)源于帽兒山實驗林場2016年森林資源二類調(diào)查數(shù)據(jù)。老山施業(yè)區(qū)共有620塊小班,其中,441塊為林地(約占施業(yè)區(qū)總面積的66.1%),179塊為道路、房屋、農(nóng)田等非林地(約占施業(yè)區(qū)總面積的33.9%)。林分以闊葉混交林、樟子松林、落葉松林、蒙古櫟林和紅松林為主(圖1),5種林分分別約占施業(yè)區(qū)林地總面積的51.86%、10.34%、9.77%、12.23%和6.33%。林分郁閉度0.6~0.9,平均高13~20 m,平均蓄積量約107.7 m3·hm-2。

    2 研究方法

    2.1 數(shù)據(jù)預(yù)處理

    利用AISA Eagle Ⅱ傳感器的定標(biāo)文件對原始高光譜影像數(shù)據(jù)進(jìn)行大氣校正、輻射校正和幾何校正,以得到正確的地物反射率。另外,由于不可避免的環(huán)境干擾和各種隨機誤差等,原始點云存在許多噪聲點,使用前需對數(shù)據(jù)進(jìn)行去噪處理并將點云高度歸一化,以消除地形的影響。數(shù)字高程模型(digital elevation model,DEM)是真實地形表面高程的三維數(shù)字化表達(dá),采用普通克里金插值法生成0.5 m分辨率的DEM,激光點云與DEM相減即可消除地形的影響。

    2.2 影像分割

    采用eCognition軟件中內(nèi)嵌的多尺度分割(multiresolution segmentation,MRS)算法進(jìn)行影像分割,該算法是在影像信息損失最小的前提下,自下而上合并相鄰像素或較小的分割單元,使對象內(nèi)部同質(zhì)性最大、對象與對象之間異質(zhì)性最小(鐘舒怡等, 2018)。多尺度分割的最優(yōu)尺度由對象同質(zhì)性的局部變化(local variance,LV)決定,LV的變化率最大時,該點對應(yīng)的尺度即為圖像最佳分割尺度。影響分割效果的光滑度、緊致度和顏色因子參數(shù)采用默認(rèn)值0.1、0.5和1 (毛學(xué)剛等, 2017)。

    2.3 特征提取與選擇

    2.3.1 特征提取 高光譜影像數(shù)據(jù)提取的植被指數(shù)包括歸一化植被指數(shù)(normalized differential vegetation index,NDVI)、增強型植被指數(shù)(enhanced vegetation index,EVI)、比值植被指數(shù)(ratio vegetation index,RVI)、大氣阻抗植被指數(shù)(atmospherically resistant vegetation index,ARVI),紅、綠、藍(lán)波段灰度的均值和標(biāo)準(zhǔn)差,以及波段的一階、二階、三階導(dǎo)數(shù)和紋理信息[包括紅、綠、藍(lán)波段卷積核內(nèi)的平均灰度值(mean)、灰度值范圍(range)、方差(variance)、灰度偏斜(skewness)和信息熵(entropy)]等10個特征變量(表1)。

    Dash等(2004)針對高濃度的植被葉綠素含量,提出了MERIS陸地葉綠素指數(shù)(MERIS terrestrial chlorophyll index,MTCI)估測葉綠素,但由于葉面積指數(shù)(leaf area index,LAI)信息對葉綠素的提取估測存在影響,為此,董恒等(2012)提出了一種改進(jìn)的MERIS陸地葉綠素指數(shù)(modified MERIS terrestrial chlorophyll index,M-MTCI)。本研究分別提取MTCI和M-MTCI(表1),以探究不同表達(dá)方式下的葉綠素指數(shù)對林分類型識別的影響。

    激光雷達(dá)點云數(shù)據(jù)提取所有回波與首次回波的高度和強度特征,包括1%、5%、10%、25%、30%、40%、50%、60%、70%、75%、80%、90%、95%和99%分位數(shù)以及均值、標(biāo)準(zhǔn)差、方差、最小值、最大值、差異系數(shù)、偏度和峰度等(Andersenetal., 2005)。首次回波信息可以更好描述樹冠形態(tài),高度特征是高光譜影像數(shù)據(jù)無法直接獲取的,可以彌補光學(xué)影像在三維成像方面的不足,強度特征能夠描述不同地物對LiDAR激光脈沖的反射能力,同樣可以在地物識別分類上做出貢獻(xiàn)(李波, 2017)?;谏鲜隹紤],本研究基于激光雷達(dá)點云數(shù)據(jù)共提取72個特征變量。

    2.3.2 特征選擇 特征選擇旨在選出重要性較高的特征。根據(jù)以往研究(溫小樂等, 2018; 劉舒等, 2017; 劉思涵等, 2019),原始數(shù)據(jù)提取的特征往往數(shù)量龐大,不利于計算,且并不是所有變量都對分類有積極作用。本研究采用隨機森林方法進(jìn)行特征選擇(利用Python語言),通過構(gòu)建大量決策樹,使用袋外數(shù)據(jù)計算數(shù)據(jù)誤差,并對袋外數(shù)據(jù)隨機加入噪聲干擾,分析每株決策樹誤差增長幅度大小,誤差增長幅度越大,特征的重要性越高。

    2.4 分類方案

    2.4.1 分類器選擇 1) 隨機森林 隨機森林(RF)是一種以多株決策樹為基礎(chǔ)分類器的集成分類器(姚明煌, 2014),相較于傳統(tǒng)分類算法,具有算法簡單、預(yù)測準(zhǔn)確率高等特點。RF利用重抽樣方法從原始樣本中抽取多個樣本,首先對抽取樣本進(jìn)行決策樹建模,然后對多株決策樹進(jìn)行預(yù)測,通過投票得出最終預(yù)測結(jié)果(王婷, 2017)。RF需要定義決策樹株數(shù)(Ntree)和候選分割屬性集大小(Mtry)2個參數(shù),對于Mtry,使用默認(rèn)值特征數(shù)的平方根即可; 對于Ntree,理論上數(shù)量越多越好,但決策樹越多,計算量越大,可能導(dǎo)致分類器精度下降。本研究通過將Ntree設(shè)置為500、1 000和1 500,結(jié)合試驗結(jié)果及相關(guān)研究結(jié)論(皋廈等, 2018),最終確定Ntree為1 000。

    2) 支持向量機 支持向量機(SVM)是Cortes等(1995)提出的機器學(xué)習(xí)方法,相較于傳統(tǒng)機器學(xué)習(xí)語言,其在統(tǒng)計學(xué)習(xí)基礎(chǔ)上結(jié)合核函數(shù)等理論知識,可以很好地解決線性不可分、特征變量維數(shù)過高等問題(Mountrakisetal., 2011)。SVM的目標(biāo)是尋找一個最優(yōu)超平面,使得離超平面較近的異類點之間有更大的間隔(樊雪, 2016)。本研究采用徑向基內(nèi)核的SVM算法,通過不斷調(diào)整正則化參數(shù)C,最終確定C為1 000。

    表1 高光譜數(shù)據(jù)提取特征計算公式Tab.1 Calculation formula of hyperspectral data extraction features

    2.4.2 分類系統(tǒng)確定 根據(jù)研究區(qū)林分類型分布狀況,將分類系統(tǒng)分為落葉松林、樟子松林、紅松林、蒙古櫟林和闊葉混交林5類。設(shè)置6種分類方案,包括隨機森林分類器下高光譜影像與激光雷達(dá)點云數(shù)據(jù)結(jié)合、高光譜影像數(shù)據(jù)、激光雷達(dá)點云數(shù)據(jù)以及支持向量機分類器下高光譜影像與激光雷達(dá)點云數(shù)據(jù)結(jié)合、高光譜影像數(shù)據(jù)、激光雷達(dá)點云數(shù)據(jù)。

    2.4.3 精度檢驗 采取分層抽樣方法,每種林分類型隨機抽取75%數(shù)據(jù)作為訓(xùn)練樣本,剩余25%數(shù)據(jù)作為檢驗樣本。精度檢驗指標(biāo)包括總體精度(overall accuracy,OA)、生產(chǎn)者精度(producer accuracy,PA)、用戶精度(user accuracy,UA)和Kappa系數(shù):

    (1)

    (2)

    (3)

    (4)

    式中:Xii為檢驗樣本中第i類樹種且分類結(jié)果正確的總數(shù);X+i為被分成第i類樹種的檢驗樣本總數(shù);Xi+為第i類樹種的檢驗樣本總數(shù);N為檢驗樣本數(shù);r為林分類型數(shù)。

    3 結(jié)果與分析

    3.1 影像分割結(jié)果

    一般情況下,最優(yōu)分割尺度不止1個,需要根據(jù)劃分的不同地物類型選擇適宜的分割尺度。ESP是最佳分割尺度評價工具,可以通過計算不同分割尺度下影像對象同質(zhì)性的局部變化(LV)作為分割對象層的平均標(biāo)準(zhǔn)差來判別分割效果是否最佳。根據(jù)試驗,分割尺度為220、440和1 050時LV變化率最大,LV變化率如圖2所示,具體分割效果如圖3所示。

    圖2 LV變化率Fig. 2 Rate of change of local variance

    圖3 分割尺度為220(a)、440(b)和1 050(c)時的影像分割Fig. 3 Image segmentation of three segmentation schemes when scale are 220 (a), 440 (b) and 1 050 (c)

    由圖3可知,分割尺度較小(如220)時,小面積林分可被很好劃分,適用于更加精細(xì)的林分劃分; 而分割尺度較大(如1 050)時,可以區(qū)分較大面積林分,適用于更大尺度范圍的林分劃分; 分割尺度為440時,分割區(qū)域范圍與實測林分示例區(qū)最接近,分割效果最優(yōu)。故本研究采用440分割尺度進(jìn)行影像分割。從分割后的圖像中選取具有代表性的樣本,闊葉混交林為1 810個樣本、樟子松林為499個樣本、落葉松林為299個樣本、紅松林為98個樣本、蒙古櫟林為63個樣本(表2)。

    表2 各林分樣本數(shù)量Tab.2 Sample size of each stands

    3.2 特征選擇結(jié)果

    通過隨機森林的特征選擇,選取的特征及特征重要性排序如圖4所示。根據(jù)各變量占重要性比重,高光譜影像和激光雷達(dá)點云數(shù)據(jù)各保留11個重要性較高的特征變量(共22個)。

    圖4 選取的特征重要性排序Fig. 4 Importance ranking of selected featuresa、b、c分別為激光雷達(dá)點云、高光譜影像、激光雷達(dá)點云+高光譜影像保留的特征變量。AII_90%為所有回波累計強度的90%; H1_max為首次回波高度的最大值; I1_1%為首次回波強度的1%; I_min為所有回波強度的最小值; I_max為所有回波強度的最大值; I1_cv為首次回波強度的偏度; I_90%為所有回波強度的90%; H_mean為所有回波高度的均值; AIH_99%為所有回波累計高度的99%; I_95%為所有回波強度的95%; H_95%為所有回波高度的95%; green_range為綠色波段卷積核范圍內(nèi)平均灰度范圍; blue_mean為藍(lán)色波段卷積核范圍內(nèi)平均灰度; green_mean為綠色波段卷積核范圍內(nèi)平均灰度; red_range為紅色波段卷積核范圍內(nèi)平均灰度范圍。a, b and c are the characteristic variables reserved by LiDAR, hyperspectral and LiDAR+ hyperspectral respectively. AII_90% is 90% of the cumulative intensity of all echoes; H1_max is the maximum value of the first echo height; I1_1% is 1% of the first echo intensity; I_min is the minimum value of all echo intensities; I_max is the maximum value of all echo intensities; I1_cv is the deviation of the first echo intensity; I_90% is 90% of all echo intensities; H_mean is the average of all echo heights; AIH_99% is 99% of the cumulative height of all echoes; I_95% is 95% of all echo intensities; H_95% is 95% of all echo heights; green_range is the average gray value range within the convolution kernel of green band; blue_mean is the gray value of convolution kernel range in blue band; green_mean is the gray value of convolution kernel range in green band; red_range is the average gray value range within the convolution kernel of red band.

    當(dāng)激光雷達(dá)點云數(shù)據(jù)作為唯一數(shù)據(jù)源時,選取的11個特征變量分別為所有回波累計強度的90%(AII_90%)、首次回波高度的最大值(H1_max)、首次回波強度的1%(I1_1%)、所有回波強度的最小值(I_min)、所有回波強度的最大值(I_max)、首次回波強度的偏度(I1_cv)、所有回波強度的90%(I_90%)、所有回波高度的均值(H_mean)、所有回波累計高度的99%(AIH_99%)、所有回波強度的95%(I_95%)和所有回波高度的95%(H_95%),其中所有回波累計強度的90%對分類結(jié)果影響最大。

    當(dāng)高光譜影像數(shù)據(jù)作為唯一數(shù)據(jù)源時,歸一化植被指數(shù)(NDVI)的重要性最大,其次為比值植被指數(shù)(RVI)、綠色波段卷積核范圍內(nèi)平均灰度范圍(green_range)、Vogelmann紅邊指數(shù)1(VOG1)、大氣阻抗植被指數(shù)(ARVI)、植物衰老反射指數(shù)(PSRI)、藍(lán)色波段卷積核范圍內(nèi)平均灰度(blue_mean)、紅邊歸一化植被指數(shù)(NDVI705)、綠色波段卷積核范圍內(nèi)平均灰度(green_mean)、MERIS陸地葉綠素指數(shù)(MTCI)和改進(jìn)的MERIS陸地葉綠素指數(shù)(M-MTCI)。

    當(dāng)數(shù)據(jù)源為激光雷達(dá)點云與高光譜影像結(jié)合的多源數(shù)據(jù)時,由高光譜影像數(shù)據(jù)提取的歸一化植被指數(shù)(NDVI)對分類結(jié)果影響最大,其次為比值植被指數(shù)(RVI)、紅邊歸一化植被指數(shù)(NDVI705)、所有回波累計高度的99%(AIH_99%)、所有回波累計強度的90%(AII_90%)、所有回波強度的最大值(I_max)、首次回波強度的1%(I1_1%)、紅色波段卷積核范圍內(nèi)平均灰度范圍(red_range)、綠色波段卷積核范圍內(nèi)平均灰度(green_mean)、所有回波高度的均值(H_mean)、綠色波段卷積核范圍內(nèi)平均灰度范圍(green_range)和改進(jìn)的MERIS陸地葉綠素指數(shù)(M-MTCI)。

    3.3 分類結(jié)果

    6種分類方案的分類結(jié)果如表3所示。隨機森林分類器下高光譜影像與激光雷達(dá)點云數(shù)據(jù)結(jié)合的總體分類精度最高為88.02%,Kappa系數(shù)為0.77,支持向量機分類器下激光雷達(dá)點云數(shù)據(jù)的總體分類精度最低為76.19%,Kappa系數(shù)為0.53。

    表3 隨機森林和支持向量機分類器的分類結(jié)果Tab.3 Classification results of RF and SVM classifiers

    對比不同數(shù)據(jù)源,以高光譜影像為單一數(shù)據(jù)源時平均分類精度為83.55%,以激光雷達(dá)點云為單一數(shù)據(jù)源時平均分類精度為76.41%,以高光譜影像與激光雷達(dá)點云結(jié)合為多數(shù)據(jù)源時平均分類精度為86.22%,可見,多源數(shù)據(jù)協(xié)同的平均分類精度高于單源數(shù)據(jù)。

    對比不同分類器,隨機森林分類器的平均分類精度為82.92%,支持向量機分類器的平均分類精度為81.19%,隨機森林分類器的分類精度高于支持向量機分類器。

    對于樟子松林、落葉松林、蒙古櫟林、紅松林和闊葉混交林5種林分類型,闊葉混交林分類效果最好,平均分類精度為92.62%,紅松林分類效果最差,平均分類精度為49.67%。

    隨機森林分類器下多源數(shù)據(jù)協(xié)同分類結(jié)果如圖5所示。

    圖5 隨機森林分類器下多源數(shù)據(jù)協(xié)同分類結(jié)果Fig. 5 Classification results of multi-source data under random forest classifier

    3.4 葉綠素指數(shù)參與分類結(jié)果

    M-MTCI為多源數(shù)據(jù)經(jīng)特征選擇保留的特征變量,對林分類型識別存在一定影響,但其影響程度有待研究。6種分類方案中,隨機森林分類器下高光譜影像與激光雷達(dá)點云數(shù)據(jù)結(jié)合的分類精度最高。本研究在該分類方案下刪除M-MTCI變量,其余變量重新參與分類,探討M-MTCI是否對林分類型識別存在積極影響(表4)。

    表4 葉綠素對分類結(jié)果的影響①Tab.4 Effect of chlorophyll on classification results

    總體精度越高,Kappa系數(shù)越大,分類效果越好。由表4可知,試驗組的總體精度為88.02%,Kappa系數(shù)為0.77,對照組的總體精度為84.70%,Kappa系數(shù)為0.70,試驗組的分類效果更好,即改進(jìn)的MERIS陸地葉綠素指數(shù)(M-MTCI)對林分類型識別具有積極影響。

    4 討論

    4.1 特征變量的選擇

    通過隨機森林的特征選擇,可以選取對分類有積極影響的特征變量,從而提高分類精度。高光譜影像數(shù)據(jù)選取的特征變量中,植被指數(shù)占絕對重要性,其中歸一化植被指數(shù)(NDVI)對分類的影響最大,紋理作為一種表面特征對分類也有較大貢獻(xiàn),葉片對紅光和藍(lán)光波段有強烈吸收特性,而對綠光波段有反射特性,由于不同樹種葉片色素含量差異,不同樹種間綠色波段的反射率區(qū)別很大。對于激光雷達(dá)點云數(shù)據(jù)特征變量,所有回波強度變量占最高比例,重要性程度高于其他特征變量。Clément等(2018)基于高光譜影像數(shù)據(jù)和激光雷達(dá)點云數(shù)據(jù)對樹種純林進(jìn)行分類,也將強度作為激光雷達(dá)點云數(shù)據(jù)特征變量之首。此外,生物化學(xué)參數(shù)葉綠素指數(shù)對分類也有一定影響(Asneretal., 2011),MTCI和M-MTCI均占很高的重要性比例,且M-MTCI在多源數(shù)據(jù)提取的特征變量中重要性高于MTCI。

    4.2 不同數(shù)據(jù)源對分類結(jié)果的影響

    對于單源數(shù)據(jù),高光譜影像數(shù)據(jù)與激光雷達(dá)點云數(shù)據(jù)相比,高光譜影像數(shù)據(jù)的平均分類精度為83.55%,激光雷達(dá)點云數(shù)據(jù)的平均分類精度為76.41%,高光譜影像數(shù)據(jù)在林分類型識別中的貢獻(xiàn)優(yōu)于激光雷達(dá)點云數(shù)據(jù)。Shi等(2018)研究得出,單純利用高光譜影像數(shù)據(jù)進(jìn)行樹種分類識別時精度為69.3%,高于僅利用激光雷達(dá)點云數(shù)據(jù)時的精度65.1%,與本研究結(jié)論一致。對于高光譜影像與激光雷達(dá)點云結(jié)合的多源數(shù)據(jù),平均分類精度為86.22%,高于單源數(shù)據(jù)的平均分類精度。劉怡君等(2016)研究表明,融合影像數(shù)據(jù)分類的總體精度比單一高光譜影像數(shù)據(jù)精度提高6.55%,Kappa系數(shù)提高0.08,與本研究結(jié)論一致。單源數(shù)據(jù)與多源數(shù)據(jù)相比,高光譜影像數(shù)據(jù)與激光雷達(dá)點云數(shù)據(jù)結(jié)合的分類精度高于僅利用激光雷達(dá)點云數(shù)據(jù)或高光譜影像數(shù)據(jù)的分類精度,這是因為高光譜影像數(shù)據(jù)可以提供不同植被表面的光譜信息,而激光雷達(dá)點云數(shù)據(jù)可以提供植被的三維信息,光譜信息與三維信息相結(jié)合能夠更好地區(qū)分不同樹種,與魯續(xù)坤(2018)、劉麗娟等(2013)的觀點一致。

    4.3 不同分類器對分類結(jié)果的影響

    隨機森林分類器的平均分類精度(82.92%)高于支持向量機分類器(81.19%),且在同一數(shù)據(jù)源下,隨機森林分類器的總體精度也高于支持向量機分類器,即在林分類型識別研究中,隨機森林分類器優(yōu)于支持向量機分類器。黃衍等(2012)通過大量數(shù)據(jù)比較得出,在許多分類問題上,隨機森林的泛化能力顯著優(yōu)于支持向量機,與本研究結(jié)論一致。這是因為通過隨機森林算法選擇的特征子集,可使隨機森林分類器的分類效果更好(熊艷等, 2018)。

    4.4 葉綠素指數(shù)對分類結(jié)果的影響

    改進(jìn)的MERIS陸地葉綠素指數(shù)(M-MTCI)參與分類后,分類精度提高約3.32%,Kappa系數(shù)提高約0.07,可見作為植被生化指數(shù)之一,葉綠素指數(shù)對林分類型識別在一定程度上有積極影響。Shi等(2018)研究發(fā)現(xiàn),分類中加入植物功能性狀比單獨使用激光雷達(dá)點云或高光譜影像數(shù)據(jù)能顯著提高分類精度;Zhao等(2018)研究表明,高光譜影像數(shù)據(jù)與激光雷達(dá)點云數(shù)據(jù)結(jié)合植被生化指數(shù)可對區(qū)域森林物種多樣性進(jìn)行更準(zhǔn)確的預(yù)測,與本研究結(jié)論一致。

    4.5 不同林分類型分類結(jié)果比較

    在闊葉混交林、落葉松林、蒙古櫟林、紅松林和樟子松林5種林分類型中,闊葉混交林分類效果最好,平均分類精度為92.62%,其次為樟子松林(70.73%)、蒙古櫟林(54.91%)、落葉松林(52.40%),紅松林分類效果最差,平均分類精度為49.67%。蒙古櫟林、落葉松林和紅松林分類精度相近,可能原因是紅松與落葉松葉片形狀相似,且林分平均高相近,易相互錯分; 同時,闊葉混交林樹種豐富,與蒙古櫟林發(fā)生錯分可能性較大,從而導(dǎo)致蒙古櫟林分類精度較低; 此外,5種林分類型樣本量不均也是導(dǎo)致蒙古櫟林、落葉松林和紅松林分類精度較低的原因之一。

    5 結(jié)論

    本研究基于同期獲取的高光譜影像和激光雷達(dá)點云數(shù)據(jù),探討不同分類器下不同數(shù)據(jù)源對林分類型識別的影響。隨機森林分類器下高光譜影像與激光雷達(dá)點云數(shù)據(jù)結(jié)合的分類精度最高(總體精度為88.02%,Kappa系數(shù)是0.77),支持向量機分類器下激光雷達(dá)點云數(shù)據(jù)的分類精度最低(總體精度為76.19%,Kappa系數(shù)是0.53)。不同數(shù)據(jù)源相比,多數(shù)據(jù)源較單源數(shù)據(jù)可更好地提高分類精度; 單一數(shù)據(jù)源相比,高光譜影像數(shù)據(jù)源的分類效果更好; 不同機器學(xué)習(xí)模型相比,隨機森林分類器較支持向量機分類器分類效果更優(yōu); 葉綠素作為生物化學(xué)參數(shù)對林分類型識別有積極影響; 不同林分類型相比,闊葉混交林最易區(qū)分,其次是樟子松林、蒙古櫟林、落葉松林和紅松林。總體來說,不同數(shù)據(jù)源、不同特征變量和不同分類器選擇均會影響林分識別精度。本研究在多源遙感數(shù)據(jù)融合分類的基礎(chǔ)上添加葉綠素指數(shù),可為未來提高林分類型分類精度提供科學(xué)依據(jù),為森林資源管理和監(jiān)測提供技術(shù)支持。

    猜你喜歡
    數(shù)據(jù)源林分激光雷達(dá)
    手持激光雷達(dá)應(yīng)用解決方案
    北京測繪(2022年5期)2022-11-22 06:57:43
    法雷奧第二代SCALA?激光雷達(dá)
    汽車觀察(2021年8期)2021-09-01 10:12:41
    撫育間伐對油松林下灌木多樣性的影響
    4種人工林的土壤化學(xué)性質(zhì)和酶活性特征研究
    綠色科技(2019年6期)2019-04-12 05:38:42
    4種闊葉混交林的持水特性研究
    綠色科技(2019年6期)2019-04-12 05:38:42
    基于激光雷達(dá)通信的地面特征識別技術(shù)
    基于激光雷達(dá)的多旋翼無人機室內(nèi)定位與避障研究
    電子制作(2018年16期)2018-09-26 03:27:00
    Web 大數(shù)據(jù)系統(tǒng)數(shù)據(jù)源選擇*
    基于不同網(wǎng)絡(luò)數(shù)據(jù)源的期刊評價研究
    基于真值發(fā)現(xiàn)的沖突數(shù)據(jù)源質(zhì)量評價算法
    在线国产一区二区在线| 99国产精品一区二区三区| 黄色女人牲交| 91字幕亚洲| 亚洲欧美日韩东京热| 一级作爱视频免费观看| 国产私拍福利视频在线观看| 国产精品综合久久久久久久免费| 精品久久久久久久久久免费视频| 精品免费久久久久久久清纯| 一a级毛片在线观看| 麻豆久久精品国产亚洲av| 欧美乱色亚洲激情| 97超级碰碰碰精品色视频在线观看| 免费观看人在逋| 午夜a级毛片| 搞女人的毛片| 黄色丝袜av网址大全| 免费在线观看亚洲国产| 日本a在线网址| 五月伊人婷婷丁香| 曰老女人黄片| 免费在线观看日本一区| 国产亚洲av嫩草精品影院| 免费在线观看完整版高清| 国内少妇人妻偷人精品xxx网站 | 亚洲五月婷婷丁香| 久久久水蜜桃国产精品网| 18禁黄网站禁片免费观看直播| av免费在线观看网站| 国产成人精品久久二区二区免费| 美女扒开内裤让男人捅视频| 18美女黄网站色大片免费观看| 天堂√8在线中文| 亚洲av成人不卡在线观看播放网| 在线国产一区二区在线| 99热这里只有精品一区 | 中文亚洲av片在线观看爽| 亚洲中文日韩欧美视频| 精品日产1卡2卡| 操出白浆在线播放| 日韩大码丰满熟妇| 极品教师在线免费播放| 日韩欧美一区二区三区在线观看| 男人舔女人的私密视频| 三级男女做爰猛烈吃奶摸视频| 真人做人爱边吃奶动态| 午夜成年电影在线免费观看| 午夜精品久久久久久毛片777| 亚洲av第一区精品v没综合| 99热只有精品国产| 老熟妇仑乱视频hdxx| 99久久久亚洲精品蜜臀av| 精品福利观看| 亚洲av片天天在线观看| 蜜桃久久精品国产亚洲av| 制服诱惑二区| 久久中文字幕人妻熟女| 黄片小视频在线播放| av天堂在线播放| 亚洲一区二区三区不卡视频| 国产精品久久电影中文字幕| 亚洲色图av天堂| 一区二区三区激情视频| 人人妻人人看人人澡| 亚洲成a人片在线一区二区| aaaaa片日本免费| 久久久久九九精品影院| 叶爱在线成人免费视频播放| 亚洲成人中文字幕在线播放| 国产精品一区二区精品视频观看| 熟女少妇亚洲综合色aaa.| 国产av又大| 欧美黑人巨大hd| or卡值多少钱| 日韩三级视频一区二区三区| av国产免费在线观看| 国产精品久久久久久亚洲av鲁大| 成人国产综合亚洲| 啦啦啦观看免费观看视频高清| 亚洲欧洲精品一区二区精品久久久| 精品无人区乱码1区二区| 一级片免费观看大全| 欧美成人性av电影在线观看| 久久久久久久午夜电影| 中文字幕人成人乱码亚洲影| 久久久久久人人人人人| 婷婷精品国产亚洲av| 亚洲va日本ⅴa欧美va伊人久久| 精品久久久久久久久久久久久| 可以在线观看的亚洲视频| 69av精品久久久久久| 99热只有精品国产| 97人妻精品一区二区三区麻豆| 亚洲中文字幕一区二区三区有码在线看 | 免费无遮挡裸体视频| 日日摸夜夜添夜夜添小说| 免费看日本二区| 操出白浆在线播放| 色精品久久人妻99蜜桃| 欧美在线一区亚洲| 99在线人妻在线中文字幕| 欧美在线黄色| 黄色成人免费大全| 欧美日韩国产亚洲二区| 国产在线精品亚洲第一网站| 久久久国产成人精品二区| 午夜精品久久久久久毛片777| 久久中文字幕人妻熟女| 国产亚洲精品第一综合不卡| 一本一本综合久久| 国产麻豆成人av免费视频| 亚洲av成人一区二区三| 国产精品久久久av美女十八| 国产精品免费视频内射| 看片在线看免费视频| 久久久久久久久免费视频了| 美女扒开内裤让男人捅视频| 国产97色在线日韩免费| 久99久视频精品免费| 一级作爱视频免费观看| 后天国语完整版免费观看| 国产亚洲av嫩草精品影院| 桃红色精品国产亚洲av| а√天堂www在线а√下载| 俄罗斯特黄特色一大片| 舔av片在线| 午夜福利免费观看在线| 国产成年人精品一区二区| 草草在线视频免费看| 美女午夜性视频免费| 大型黄色视频在线免费观看| 又紧又爽又黄一区二区| 窝窝影院91人妻| 精品久久久久久久久久久久久| 日本撒尿小便嘘嘘汇集6| 欧美日韩福利视频一区二区| 欧美zozozo另类| 看片在线看免费视频| 国产在线精品亚洲第一网站| 国产又黄又爽又无遮挡在线| 啦啦啦韩国在线观看视频| 50天的宝宝边吃奶边哭怎么回事| 久久久久久久久免费视频了| 人妻丰满熟妇av一区二区三区| 欧美一级a爱片免费观看看 | 大型黄色视频在线免费观看| 在线国产一区二区在线| 中出人妻视频一区二区| 午夜福利在线观看吧| 狠狠狠狠99中文字幕| 国产av又大| 亚洲一卡2卡3卡4卡5卡精品中文| 国产成人影院久久av| 十八禁人妻一区二区| 真人一进一出gif抽搐免费| 狂野欧美白嫩少妇大欣赏| 国产成人av教育| 热99re8久久精品国产| 久久久精品国产亚洲av高清涩受| 午夜老司机福利片| 亚洲成a人片在线一区二区| 成年免费大片在线观看| 久久久久性生活片| 久久久久性生活片| 色综合欧美亚洲国产小说| www.熟女人妻精品国产| 亚洲人成网站高清观看| 日日夜夜操网爽| 中文资源天堂在线| 欧美日韩国产亚洲二区| 99国产精品一区二区三区| 在线观看免费视频日本深夜| 午夜精品一区二区三区免费看| 久久久久精品国产欧美久久久| 免费在线观看成人毛片| 精品久久久久久久久久久久久| 国产午夜精品论理片| 岛国在线观看网站| 最近最新中文字幕大全免费视频| x7x7x7水蜜桃| tocl精华| 1024视频免费在线观看| 国模一区二区三区四区视频 | 黄色 视频免费看| 亚洲电影在线观看av| 精品福利观看| 日本黄大片高清| 午夜免费成人在线视频| 亚洲欧美日韩无卡精品| 中文字幕人成人乱码亚洲影| 亚洲国产精品sss在线观看| 日韩精品免费视频一区二区三区| 黄片小视频在线播放| 搡老妇女老女人老熟妇| 99riav亚洲国产免费| 一本一本综合久久| 99精品久久久久人妻精品| 午夜福利在线观看吧| 亚洲五月婷婷丁香| 欧美乱妇无乱码| 亚洲人成伊人成综合网2020| 精品一区二区三区四区五区乱码| 18美女黄网站色大片免费观看| 亚洲色图 男人天堂 中文字幕| 欧美色欧美亚洲另类二区| 成人国语在线视频| 国产亚洲欧美98| 欧美日韩福利视频一区二区| 在线观看美女被高潮喷水网站 | 99久久无色码亚洲精品果冻| 国产欧美日韩一区二区三| 久久精品国产清高在天天线| 亚洲精品色激情综合| 久久精品综合一区二区三区| 精品久久久久久久毛片微露脸| 少妇裸体淫交视频免费看高清 | 亚洲黑人精品在线| 一级片免费观看大全| 青草久久国产| 热99re8久久精品国产| 操出白浆在线播放| 日韩大码丰满熟妇| 久久久国产成人精品二区| 看免费av毛片| 色哟哟哟哟哟哟| 婷婷精品国产亚洲av在线| 婷婷精品国产亚洲av在线| 日本免费一区二区三区高清不卡| 亚洲成人久久性| 亚洲自拍偷在线| 精华霜和精华液先用哪个| 久久国产乱子伦精品免费另类| 久久久国产欧美日韩av| 天天躁狠狠躁夜夜躁狠狠躁| 国产免费av片在线观看野外av| 美女高潮喷水抽搐中文字幕| 淫秽高清视频在线观看| av视频在线观看入口| 91av网站免费观看| 大型av网站在线播放| 一夜夜www| 18禁美女被吸乳视频| 1024视频免费在线观看| 最近在线观看免费完整版| 操出白浆在线播放| 国产区一区二久久| 精品久久蜜臀av无| 级片在线观看| 免费一级毛片在线播放高清视频| 一级毛片精品| 中文字幕高清在线视频| 亚洲一区二区三区色噜噜| 日本五十路高清| 国产精品久久久久久精品电影| 亚洲av美国av| 性色av乱码一区二区三区2| 国产精品久久视频播放| 欧美日韩一级在线毛片| 欧美色欧美亚洲另类二区| 日本在线视频免费播放| 中文字幕久久专区| 在线国产一区二区在线| 麻豆成人av在线观看| 午夜免费成人在线视频| 宅男免费午夜| 亚洲人成77777在线视频| cao死你这个sao货| 午夜福利在线观看吧| 国产精品美女特级片免费视频播放器 | 老汉色∧v一级毛片| 日韩欧美国产一区二区入口| 丰满人妻一区二区三区视频av | cao死你这个sao货| 香蕉国产在线看| 一卡2卡三卡四卡精品乱码亚洲| 免费一级毛片在线播放高清视频| 免费在线观看视频国产中文字幕亚洲| 精品不卡国产一区二区三区| 一区二区三区高清视频在线| 国产欧美日韩一区二区三| 欧美日韩乱码在线| 久久香蕉激情| 一卡2卡三卡四卡精品乱码亚洲| 亚洲av中文字字幕乱码综合| 欧美不卡视频在线免费观看 | 日韩av在线大香蕉| 国产成人av教育| 久久人妻av系列| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲国产欧美网| 白带黄色成豆腐渣| 亚洲真实伦在线观看| 欧美黑人欧美精品刺激| 日日干狠狠操夜夜爽| 夜夜夜夜夜久久久久| 久久 成人 亚洲| 亚洲成人免费电影在线观看| 少妇人妻一区二区三区视频| 久久香蕉国产精品| 欧美成人一区二区免费高清观看 | 久久中文字幕人妻熟女| 久久香蕉激情| 99热这里只有是精品50| 叶爱在线成人免费视频播放| 一个人观看的视频www高清免费观看 | 国产精品亚洲一级av第二区| av中文乱码字幕在线| 中文字幕人妻丝袜一区二区| 日日干狠狠操夜夜爽| 午夜精品在线福利| 在线观看日韩欧美| 色尼玛亚洲综合影院| 日韩大尺度精品在线看网址| 一二三四在线观看免费中文在| 婷婷精品国产亚洲av在线| 深夜精品福利| 亚洲狠狠婷婷综合久久图片| 青草久久国产| 欧美极品一区二区三区四区| 中文字幕高清在线视频| 久久香蕉精品热| 欧美午夜高清在线| 亚洲av美国av| 久久久久国内视频| 首页视频小说图片口味搜索| 欧美乱码精品一区二区三区| 欧美又色又爽又黄视频| 91成年电影在线观看| 日韩高清综合在线| 午夜成年电影在线免费观看| 亚洲一区二区三区不卡视频| 99久久久亚洲精品蜜臀av| 88av欧美| 后天国语完整版免费观看| 夜夜躁狠狠躁天天躁| 色哟哟哟哟哟哟| 国产午夜精品久久久久久| 在线观看免费日韩欧美大片| 又爽又黄无遮挡网站| 搞女人的毛片| 亚洲真实伦在线观看| 欧美一区二区国产精品久久精品 | 久久精品aⅴ一区二区三区四区| 中文字幕av在线有码专区| 69av精品久久久久久| 久久久久国产一级毛片高清牌| 九九热线精品视视频播放| 最近视频中文字幕2019在线8| 三级毛片av免费| 黄色a级毛片大全视频| 亚洲精品中文字幕在线视频| 久久精品综合一区二区三区| 老司机午夜十八禁免费视频| 一本综合久久免费| 无遮挡黄片免费观看| 国产精品av久久久久免费| 亚洲一区高清亚洲精品| 午夜精品一区二区三区免费看| 国语自产精品视频在线第100页| 亚洲美女黄片视频| 亚洲七黄色美女视频| 特大巨黑吊av在线直播| 99久久99久久久精品蜜桃| 欧美日本亚洲视频在线播放| 黄色视频不卡| 成人av在线播放网站| 人人妻人人看人人澡| 人人妻,人人澡人人爽秒播| 亚洲中文av在线| 成人av在线播放网站| 国产精品野战在线观看| 神马国产精品三级电影在线观看 | 精品国产美女av久久久久小说| 亚洲欧美一区二区三区黑人| 热99re8久久精品国产| 欧美高清成人免费视频www| 亚洲av成人不卡在线观看播放网| 国产高清视频在线观看网站| 99在线视频只有这里精品首页| 欧美高清成人免费视频www| 亚洲自拍偷在线| 两个人视频免费观看高清| 久久伊人香网站| 亚洲中文字幕日韩| 久久精品夜夜夜夜夜久久蜜豆 | 两人在一起打扑克的视频| 在线观看舔阴道视频| 欧美又色又爽又黄视频| 亚洲一码二码三码区别大吗| 国产人伦9x9x在线观看| 一二三四在线观看免费中文在| av在线播放免费不卡| 色精品久久人妻99蜜桃| 亚洲av成人精品一区久久| 亚洲av成人一区二区三| 一进一出抽搐gif免费好疼| 国产主播在线观看一区二区| 国内揄拍国产精品人妻在线| 国产精品久久久久久人妻精品电影| 亚洲第一电影网av| 国产精品免费视频内射| 亚洲熟妇中文字幕五十中出| 国产麻豆成人av免费视频| 免费在线观看视频国产中文字幕亚洲| 久久亚洲精品不卡| 亚洲国产欧美一区二区综合| 一本精品99久久精品77| 身体一侧抽搐| 亚洲人成77777在线视频| 久久久久国产一级毛片高清牌| 曰老女人黄片| 日本精品一区二区三区蜜桃| 中文字幕精品亚洲无线码一区| 757午夜福利合集在线观看| 少妇被粗大的猛进出69影院| 亚洲五月天丁香| 50天的宝宝边吃奶边哭怎么回事| 亚洲全国av大片| а√天堂www在线а√下载| 制服人妻中文乱码| 国产精品综合久久久久久久免费| av有码第一页| 国产视频内射| 成人高潮视频无遮挡免费网站| 国产精品久久久人人做人人爽| 久久久国产成人免费| 国产免费男女视频| 久久精品aⅴ一区二区三区四区| 在线观看午夜福利视频| 国产又黄又爽又无遮挡在线| 身体一侧抽搐| av在线天堂中文字幕| 成熟少妇高潮喷水视频| 成人特级黄色片久久久久久久| av在线播放免费不卡| 一进一出抽搐gif免费好疼| 久久久精品欧美日韩精品| √禁漫天堂资源中文www| 日本黄大片高清| 亚洲av第一区精品v没综合| 日韩欧美在线二视频| 欧美日韩黄片免| 亚洲av日韩精品久久久久久密| 久久久久久亚洲精品国产蜜桃av| 欧美激情久久久久久爽电影| 波多野结衣高清作品| 首页视频小说图片口味搜索| 午夜两性在线视频| 久久久久久久午夜电影| 特大巨黑吊av在线直播| 久久精品91蜜桃| 国产亚洲欧美在线一区二区| 人成视频在线观看免费观看| 国产高清videossex| 男人舔奶头视频| 日日干狠狠操夜夜爽| 99热这里只有是精品50| 久久欧美精品欧美久久欧美| 欧美黑人巨大hd| 啦啦啦韩国在线观看视频| 在线视频色国产色| 久久性视频一级片| 国产伦一二天堂av在线观看| 日韩精品免费视频一区二区三区| 成人手机av| 757午夜福利合集在线观看| 国产高清视频在线观看网站| 两人在一起打扑克的视频| 亚洲中文字幕日韩| 久久人妻福利社区极品人妻图片| 中文字幕最新亚洲高清| 亚洲欧美日韩无卡精品| 俺也久久电影网| 女人爽到高潮嗷嗷叫在线视频| 久久精品国产清高在天天线| 黄色片一级片一级黄色片| 女同久久另类99精品国产91| 欧美日韩乱码在线| 精品国内亚洲2022精品成人| 日本 av在线| 国产亚洲欧美98| 久久久久久免费高清国产稀缺| 18禁美女被吸乳视频| 日日摸夜夜添夜夜添小说| 国产精品av视频在线免费观看| 99精品久久久久人妻精品| 亚洲欧美精品综合一区二区三区| 极品教师在线免费播放| 国内精品久久久久精免费| 18禁黄网站禁片免费观看直播| 欧美日韩福利视频一区二区| 欧美精品亚洲一区二区| 精品久久久久久久末码| 亚洲欧美日韩高清在线视频| 亚洲国产看品久久| bbb黄色大片| 黑人巨大精品欧美一区二区mp4| 我要搜黄色片| 黄色a级毛片大全视频| 男女下面进入的视频免费午夜| 免费在线观看亚洲国产| 亚洲一区二区三区色噜噜| 18美女黄网站色大片免费观看| 国产亚洲精品av在线| 日本精品一区二区三区蜜桃| 欧洲精品卡2卡3卡4卡5卡区| av中文乱码字幕在线| 精品熟女少妇八av免费久了| 国产精品乱码一区二三区的特点| 国产三级黄色录像| 亚洲欧洲精品一区二区精品久久久| 亚洲国产精品999在线| 免费在线观看黄色视频的| 精品不卡国产一区二区三区| av视频在线观看入口| 国产熟女xx| 黄频高清免费视频| www.熟女人妻精品国产| 啦啦啦免费观看视频1| aaaaa片日本免费| 我的老师免费观看完整版| 欧美成人一区二区免费高清观看 | 可以在线观看毛片的网站| 久久天堂一区二区三区四区| 成年女人毛片免费观看观看9| 大型黄色视频在线免费观看| 成年人黄色毛片网站| 一二三四在线观看免费中文在| 91av网站免费观看| 看黄色毛片网站| 国产av不卡久久| 国产精品一区二区免费欧美| 色噜噜av男人的天堂激情| 99热6这里只有精品| 我的老师免费观看完整版| 中国美女看黄片| 成人高潮视频无遮挡免费网站| 久久久精品欧美日韩精品| 一级毛片精品| 亚洲国产欧洲综合997久久,| 国产又黄又爽又无遮挡在线| 一a级毛片在线观看| 欧美丝袜亚洲另类 | 一进一出抽搐动态| 我的老师免费观看完整版| 给我免费播放毛片高清在线观看| 久久国产精品影院| 亚洲七黄色美女视频| 一本综合久久免费| 亚洲中文av在线| 啦啦啦观看免费观看视频高清| 亚洲激情在线av| 色尼玛亚洲综合影院| 男女下面进入的视频免费午夜| www国产在线视频色| 婷婷精品国产亚洲av在线| bbb黄色大片| 国产爱豆传媒在线观看 | 一级黄色大片毛片| 日韩av在线大香蕉| 亚洲国产精品合色在线| 岛国在线免费视频观看| 天天一区二区日本电影三级| 久久中文字幕人妻熟女| 欧美绝顶高潮抽搐喷水| 男女之事视频高清在线观看| 国产午夜精品论理片| 亚洲九九香蕉| 欧美乱色亚洲激情| 一夜夜www| 国产精品一区二区三区四区免费观看 | 日本 av在线| www.精华液| 黄色女人牲交| 制服人妻中文乱码| 美女高潮喷水抽搐中文字幕| 观看免费一级毛片| 国产精品一区二区三区四区久久| 国内精品久久久久精免费| 在线观看午夜福利视频| 欧美不卡视频在线免费观看 | 亚洲一区二区三区不卡视频| 91av网站免费观看| 亚洲自偷自拍图片 自拍| 精品免费久久久久久久清纯| 免费在线观看视频国产中文字幕亚洲| 久久久久久久精品吃奶| 久久久久国产精品人妻aⅴ院| 51午夜福利影视在线观看| 日本熟妇午夜| 国产高清有码在线观看视频 | 无遮挡黄片免费观看| 成年女人毛片免费观看观看9| 国产一区在线观看成人免费| 99热这里只有精品一区 | 麻豆成人av在线观看| 一本久久中文字幕| 久久婷婷成人综合色麻豆| 久久香蕉激情| 日韩欧美国产一区二区入口| 国产视频内射| 国产精品久久久av美女十八| 欧美日韩亚洲国产一区二区在线观看| 国产不卡一卡二| www.熟女人妻精品国产| 精品乱码久久久久久99久播| 国产成人av激情在线播放| 久久久久久国产a免费观看| 欧美高清成人免费视频www| 久久人妻福利社区极品人妻图片| 757午夜福利合集在线观看| 国产精品 国内视频| 久久国产精品影院| 制服诱惑二区|