• <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)的人工滑坡隱患自動(dòng)識(shí)別新方法

    2023-08-08 20:32:44隆星宇李輝白雪山翟星王賢敏潘怡
    人民長(zhǎng)江 2023年7期
    關(guān)鍵詞:變化檢測(cè)自動(dòng)識(shí)別隱患

    隆星宇 李輝 白雪山 翟星 王賢敏 潘怡

    摘要:

    針對(duì)植被茂密且地形陡峭地區(qū)的人工滑坡隱患識(shí)別難題,提出了耦合變化檢測(cè)與深度學(xué)習(xí)的人工滑坡隱患自動(dòng)識(shí)別思路,構(gòu)建了由影像光譜、NDVI、土地利用、高程、坡度和地表覆被變化組成的隱患識(shí)別指標(biāo)體系,建立深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)CNN算法,并在植被茂密、地形陡峭的河北省涉縣、邢臺(tái)縣和寬城縣等地區(qū)進(jìn)行了應(yīng)用驗(yàn)證,自動(dòng)識(shí)別出2016~2020年間出現(xiàn)的人工滑坡隱患134處。目視驗(yàn)證和野外調(diào)查驗(yàn)證結(jié)果表明:該方法識(shí)別精度為91.9%,F(xiàn)1分?jǐn)?shù)值為93.6%。此方法在廣袤地區(qū)具有普適性,為滑坡隱患自動(dòng)識(shí)別提供了新思路,為人類(lèi)工程活動(dòng)的合理規(guī)劃提供了科學(xué)依據(jù)。

    關(guān) 鍵 詞:

    人類(lèi)工程活動(dòng); 滑坡隱患; 滑坡識(shí)別; 遙感影像; 數(shù)字高程模型; 卷積神經(jīng)網(wǎng)絡(luò); 變化檢測(cè)

    中圖法分類(lèi)號(hào): P237;P642.22

    文獻(xiàn)標(biāo)志碼: A

    DOI:10.16232/j.cnki.1001-4179.2023.07.016

    0 引 言

    近年來(lái),隨著城市化進(jìn)程加快,人工滑坡(人類(lèi)工程活動(dòng)誘發(fā)的滑坡)災(zāi)害隱患為城鎮(zhèn)智慧化建設(shè)和社會(huì)經(jīng)濟(jì)可持續(xù)發(fā)展帶來(lái)了巨大的風(fēng)險(xiǎn)和挑戰(zhàn),如特大型深圳光明滑坡導(dǎo)致73人死亡、4人失蹤,直接經(jīng)濟(jì)損失8.81億元[1]。誘發(fā)滑坡隱患的人類(lèi)工程活動(dòng)主要包括削坡建房和削坡修路,通過(guò)開(kāi)挖山體,形成高陡人工邊坡,破壞了坡體的穩(wěn)定性,在降雨、融雪、地震、地下水等外力作用下,易發(fā)生滑坡。此外,斜坡上的工程建設(shè)增加了坡體的荷載,在建設(shè)過(guò)程中產(chǎn)生的棄渣,未經(jīng)夯實(shí)、堆積過(guò)高、范圍過(guò)大,亦可能導(dǎo)致滑坡災(zāi)害[2-3]。因此,亟需開(kāi)展針對(duì)人工滑坡隱患的自動(dòng)識(shí)別方法研究,及時(shí)采取有效防治措施,從源頭上化解滑坡災(zāi)害風(fēng)險(xiǎn),規(guī)避巨大損失,并且為合理指導(dǎo)人類(lèi)工程活動(dòng)和城市化發(fā)展提供科學(xué)依據(jù)。

    目前滑坡隱患識(shí)別主要采用InSAR或LiDAR技術(shù)。鐘儲(chǔ)漢等[4]采用SBAS-InSAR方法提取黑方臺(tái)地區(qū)地表形變速率,根據(jù)地表形變特征,識(shí)別滑坡隱患。戴可人等[5]利用時(shí)序InSAR技術(shù),在雅礱江流域雅江縣-木里縣段的高山峽谷區(qū)域成功識(shí)別出8處隱患。Fobert等[6]借助InSAR調(diào)查多米尼加地區(qū)的邊坡滑動(dòng)前狀況,發(fā)現(xiàn)坡度較緩的黏土質(zhì)邊坡比坡度較陡的在滑動(dòng)前有更強(qiáng)的變形運(yùn)動(dòng);同時(shí),使用連續(xù)的高分辨率SAR數(shù)據(jù)識(shí)別和監(jiān)測(cè)活動(dòng)邊坡,用于驗(yàn)證和更新當(dāng)?shù)氐幕乱装l(fā)性圖和滑坡編目,很好地協(xié)助了當(dāng)?shù)氐姆罏?zāi)減災(zāi)工作。然而,在植被茂密、地形陡峭、地表變形劇烈的地區(qū),InSAR技術(shù)會(huì)因失相干導(dǎo)致不能有效識(shí)別災(zāi)害隱患[7-8];而LiDAR技術(shù)價(jià)格昂貴,難以在大尺度區(qū)域廣泛開(kāi)展監(jiān)測(cè),且在植被茂密地區(qū)應(yīng)用效果有限[9]。因此,亟需針對(duì)植被茂密、地形陡峭的廣袤地區(qū),提出適用的滑坡隱患自動(dòng)識(shí)別方法,將災(zāi)害風(fēng)險(xiǎn)化解在萌芽狀態(tài)。此外,針對(duì)人工滑坡隱患這類(lèi)特殊的城鎮(zhèn)災(zāi)害隱患的識(shí)別,目前研究較少。針對(duì)現(xiàn)有研究的局限性,本文采用高分二號(hào)影像和數(shù)字高程模型(DEM)數(shù)據(jù),提出了耦合變化檢測(cè)與深度學(xué)習(xí)的人工滑坡隱患自動(dòng)識(shí)別新方法,應(yīng)用于InSAR和LiDAR技術(shù)難以實(shí)施、植被茂密且地形陡峭的河北省三縣,以分析這些隱患的分布特征、類(lèi)型、規(guī)模與威脅對(duì)象,以及導(dǎo)致這些隱患的人類(lèi)工程活動(dòng)類(lèi)型,以期為滑坡隱患自動(dòng)識(shí)別與合理的人類(lèi)工程活動(dòng)規(guī)劃提供新的思路。

    1 研究區(qū)概況

    研究區(qū)位置如圖1所示。河北省涉縣、邢臺(tái)縣和寬城滿族自治縣(以下簡(jiǎn)稱(chēng)“寬城縣”)地質(zhì)復(fù)雜、地形陡峭。涉縣和邢臺(tái)縣位于太行山東麓,地勢(shì)西北高、東南低,地形復(fù)雜,峰巒疊嶂;寬城縣位于燕山山脈東段,全縣平均海拔300~400 m。

    研究區(qū)地層主要由太古界和第四系地層組成。太古界地層以麻粒巖、片麻巖、變粒巖、斜長(zhǎng)角閃巖、磁鐵石英巖、大理巖等為主,裂隙發(fā)育,易風(fēng)化,強(qiáng)度低[10];第四系松散堆積地層土體抗剪性差,易發(fā)生剪切破壞,土層沿著某個(gè)面產(chǎn)生與剪切方向一致的滑動(dòng),從而引發(fā)滑坡災(zāi)害[11]。研究區(qū)地質(zhì)構(gòu)造復(fù)雜、斷裂發(fā)育、新構(gòu)造活動(dòng)較活躍,為地質(zhì)災(zāi)害的發(fā)生提供了條件。

    研究區(qū)內(nèi)礦產(chǎn)資源豐富,人類(lèi)工程活動(dòng)頻繁。2016~2020年,開(kāi)展了大量道路、鐵路修建工程和城鎮(zhèn)建設(shè)項(xiàng)目。在山區(qū)工程建設(shè)中,如果開(kāi)挖不穩(wěn)定斜坡,則坡腳會(huì)形成較大臨空面而造成巖土體失穩(wěn),當(dāng)達(dá)到臨界點(diǎn)時(shí)就可能產(chǎn)生巖崩或者滑坡災(zāi)害。

    研究區(qū)內(nèi)人類(lèi)活動(dòng)導(dǎo)致災(zāi)害隱患發(fā)育,然而植被覆蓋較茂盛,地形起伏較大,InSAR技術(shù)難以實(shí)施,人工滑坡隱患較難準(zhǔn)確識(shí)別,制約了城鎮(zhèn)快速發(fā)展。

    2 數(shù)據(jù)源

    本文采用高分遙感影像和DEM數(shù)據(jù)開(kāi)展人工滑坡隱患自動(dòng)識(shí)別,如表1所列。其中,多時(shí)相高分二號(hào)影像用于:①? 開(kāi)展2016~2020年地表覆被變化檢測(cè),反映人類(lèi)工程活動(dòng)特征;②? 建立2016年與2020年歸一化植被指數(shù)(Normalized Difference Vegetation Index,NDVI)和土地利用信息,反映孕災(zāi)和致災(zāi)特征。DEM數(shù)據(jù)用于提取高程和坡度等地形特征,反映孕災(zāi)環(huán)境特征。

    變化檢測(cè)技術(shù)路線如圖2所示,通過(guò)構(gòu)建變化檢測(cè)特征集,建立CNN模型,提取地表覆被變化。

    3 研究方法

    3.1 人類(lèi)工程活動(dòng)區(qū)域確定

    3.1.1 基于CNN的地表覆被變化自動(dòng)檢測(cè)

    3.1.1.1 變化檢測(cè)特征集建立

    變化檢測(cè)特征集包括影像光譜、NDVI和變化強(qiáng)度圖特征。光譜信息反映了地物類(lèi)型的變化,NDVI反映了植被覆蓋的變化,變化強(qiáng)度圖反映了空間鄰域上地物的變化特征[12]。其中,變化強(qiáng)度圖由改進(jìn)的RCVA(Robust change vector analysis)算法[12]生成。該算法能夠有效減少配準(zhǔn)誤差的影響,從而提高變化檢測(cè)精度。

    采用(2w+1)大小的移動(dòng)窗口提取鄰近像元的光譜變化特征,計(jì)算過(guò)程分兩步。

    (1) 獲取變化后影像x2中每點(diǎn)與變化前影像x1對(duì)應(yīng)點(diǎn)鄰近像元內(nèi)光譜差異值最小的點(diǎn),計(jì)算差異影像d1;再通過(guò)變化前影像x1中每點(diǎn)與變化后影像x2對(duì)應(yīng)點(diǎn)鄰近像元內(nèi)光譜差異值最小的點(diǎn),計(jì)算差異影像d2,如式(1) ~(2) 所示。

    d1j,k=min(p∈[j-w,j+w], q∈[k-w,k+w])ni=1[xi2j,k-xi1p,q]2(1)

    d2j,k=min(p∈[j-w, j+w], q∈[k-w,k+w])ni=1[xi1j,k-xi2p,q]2(2)

    式中:d1(j,k)和d2(j,k)分別為差異影像d2和d1中(j,k)處的像元值;xi1和xi2分別為第i個(gè)波段遙感影像變化前與變化后的像素值。

    (2) 根據(jù)式(3) 計(jì)算考慮鄰近像元信息的光譜變化強(qiáng)度圖(D)。

    D=d2j,k d1j,k≥d2j,kd1j,k d1j,k<d2j,k(3)

    3.1.1.2 變化檢測(cè)CNN模型構(gòu)建

    CNN是由Lecun等[13]提出,包括局部感受野、權(quán)值共享和池化3個(gè)主要結(jié)構(gòu),以提高神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能[13]。局部感受野(或稀疏連通性)是指卷積層的節(jié)點(diǎn)僅與前一層的部分節(jié)點(diǎn)相連,以學(xué)習(xí)局部特征,從而減少網(wǎng)絡(luò)參數(shù),提高學(xué)習(xí)效率[14]。權(quán)值共享意味著相同的參數(shù)可以用于多個(gè)函數(shù),使參數(shù)數(shù)量減少,提高CNN的計(jì)算能力[15]。池化可以降低網(wǎng)絡(luò)的輸入維數(shù)和復(fù)雜性,不僅可以避免過(guò)擬合問(wèn)題,還可以減少網(wǎng)絡(luò)的計(jì)算,提高CNN網(wǎng)絡(luò)的泛化能力和效率[16]。

    本文建立的變化檢測(cè)CNN模型包括兩個(gè)卷積層、兩個(gè)池化層和一個(gè)全連接層,模型結(jié)構(gòu)如圖2所示,輸入是大小為m×n行11列的變化檢測(cè)特征集,變化檢測(cè)特征集包括11個(gè)特征,其中光譜特征8個(gè),NDVI特征2個(gè),變化強(qiáng)度特征1個(gè)。第一層卷積核大小為5×1,進(jìn)行初步變化特征提取,第二層卷積核大小為5×1,用于提取更深層的變化特征;每一層卷積后通過(guò)一個(gè)3×1的池化層進(jìn)行特征降維,減少參數(shù)量以減少模型過(guò)擬合,提高模型效率;每一層池化后面添加一層dropout,減少模型過(guò)擬合[17]。全連接層用于將卷積層學(xué)習(xí)到的變化特征映射到變化樣本標(biāo)記空間,通過(guò)一個(gè)帶退出策略的softmax函數(shù)計(jì)算每個(gè)像素是變化區(qū)域的空間概率,進(jìn)而得到1(變化)、0(未變化)的預(yù)測(cè)結(jié)果。此外,使用ReLU函數(shù)作為非線性激活函數(shù),相比sigmoid、tanh等傳統(tǒng)激活函數(shù),它具有計(jì)算簡(jiǎn)單、有效緩解梯度消失和減少過(guò)擬合等優(yōu)點(diǎn)[18],其函數(shù)表達(dá)式如式(4) 所示。

    ReLUx=x? x≥00? x<0(4)

    根據(jù)變化強(qiáng)度圖結(jié)合目視解譯圈定研究區(qū)部分變化區(qū)域作為訓(xùn)練數(shù)據(jù),構(gòu)建變化檢測(cè)數(shù)據(jù)集,選取其中70%作為訓(xùn)練集,30%用做測(cè)試,調(diào)整參數(shù),獲取最優(yōu)檢測(cè)模型。

    3.1.2 人類(lèi)工程活動(dòng)區(qū)域識(shí)別

    人類(lèi)工程活動(dòng)通常體現(xiàn)為地表覆被的變化,因此將變化檢測(cè)結(jié)果與2020年土地利用分類(lèi)結(jié)果進(jìn)行耦合分析,將農(nóng)業(yè)用地、林業(yè)用地、建筑用地、交通建設(shè)用地和水域及水利設(shè)施用地等地類(lèi)中地表覆被變化的區(qū)域確定為人類(lèi)工程活動(dòng)區(qū)域。其中,土地利用分類(lèi)采用多尺度分割算法[19]和CART決策樹(shù)算法[20]實(shí)現(xiàn)。

    3.2 隱患識(shí)別指標(biāo)集建立

    選擇能夠反映滑坡災(zāi)害隱患發(fā)育特征的指標(biāo),包括NDVI、變化檢測(cè)、土地利用類(lèi)型、高程、坡度等,構(gòu)建隱患識(shí)別指標(biāo)集。①? NDVI指標(biāo):由于植被根系的固土作用和冠層遮擋降雨減少雨水入滲的作用,裸露坡體通常比有植被覆蓋的坡體更易發(fā)生水土流失和滑坡災(zāi)害[21],NDVI能夠反映地表植被覆蓋信息及滑坡隱患活動(dòng)導(dǎo)致的裸地面積擴(kuò)大。②? 變化檢測(cè)指標(biāo):變化檢測(cè)反映了人類(lèi)工程活動(dòng)區(qū)域和特征和滑坡隱患導(dǎo)致的地表覆被變化。③? 土地利用類(lèi)型:土地利用類(lèi)型反映了人類(lèi)工程活動(dòng)的類(lèi)型,對(duì)河北省涉縣、邢臺(tái)縣等多個(gè)縣的野外實(shí)地調(diào)查表明,滑坡災(zāi)害通常發(fā)生在道路和建筑附近的裸露地區(qū),而在耕地、林地和水系及水利建設(shè)等土地類(lèi)型上鮮有發(fā)生。④? 地形指標(biāo):滑坡通常發(fā)生在山區(qū),發(fā)生在一定高度且坡度大于10°的地區(qū)[22]。

    綜上,構(gòu)建了包含2016年和2020年影像的單波段光譜特征(共8個(gè)波段)、2016年和2020年的NDVI、土地利用類(lèi)型、高程、坡度和變化檢測(cè)結(jié)果等14個(gè)隱患識(shí)別指標(biāo)的識(shí)別特征集。

    3.3 人工滑坡隱患自動(dòng)識(shí)別

    根據(jù)建立的植被覆蓋、地表覆被變化、土地利用類(lèi)型、地形等各類(lèi)指標(biāo),同時(shí)綜合遙感影像的光譜特征,建立包括14個(gè)指標(biāo)的隱患識(shí)別綜合指標(biāo)集,構(gòu)建CNN模型開(kāi)展人工滑坡隱患自動(dòng)識(shí)別,并采用數(shù)學(xué)形態(tài)學(xué)方法對(duì)識(shí)別結(jié)果進(jìn)行優(yōu)化。人工滑坡隱患識(shí)別的技術(shù)路線如圖3所示。

    建立的隱患識(shí)別CNN模型包括兩個(gè)卷積層、兩個(gè)池化層和一個(gè)全連接層。輸入為大小m×n×14的識(shí)別指標(biāo)集,輸出為隱患(1)和非隱患(0)識(shí)別結(jié)果。算法思路與變化檢測(cè)CNN模型類(lèi)似。根據(jù)歷史災(zāi)害和已知的潛在隱患構(gòu)建數(shù)據(jù)集,選取其中70%用于訓(xùn)練模型,30%用于測(cè)試模型的性能和精度,調(diào)整參數(shù),獲取最優(yōu)識(shí)別模型。

    為了保障識(shí)別的隱患區(qū)域的連續(xù)性,同時(shí)消除一些無(wú)物理意義的破碎區(qū)域,采用二值形態(tài)學(xué)開(kāi)運(yùn)算[23]對(duì)隱患識(shí)別結(jié)果進(jìn)行優(yōu)化。

    對(duì)識(shí)別結(jié)果進(jìn)行腐蝕,如式(5) 所示,其中“-”為腐蝕運(yùn)算符,表示圖像A用卷積模板B進(jìn)行腐蝕處理,計(jì)算覆蓋區(qū)域的像素點(diǎn)最小值,并用最小值替代參考點(diǎn)的像素值。

    3.4 精度評(píng)價(jià)指標(biāo)

    采用精確率(Precision,P)[24]、F1分?jǐn)?shù)[25]作為評(píng)價(jià)指標(biāo)定量評(píng)價(jià)隱患識(shí)別的精度。精確率P的計(jì)算公式如式(7) 所示,其中,TP為正確識(shí)別隱患區(qū)域的數(shù)量,F(xiàn)P為錯(cuò)誤識(shí)別隱患區(qū)域的數(shù)量,F(xiàn)N為正確識(shí)別的非隱患區(qū)域數(shù)量,P表示在隱患識(shí)別結(jié)果中正確識(shí)別的比例,R為召回率,如式(8) 所示。F1分?jǐn)?shù)值是用來(lái)衡量二分類(lèi)模型精確度的一種指標(biāo),如式(9) 所示。

    P=TP/TP+FP(7)

    R=TP/TP+FN(8)

    F1=2·P·RP+R(9)

    4 識(shí)別結(jié)果

    選取研究區(qū)中3個(gè)典型區(qū)域展示滑坡隱患識(shí)別指標(biāo)值,如圖4所示。由圖4的NDVI數(shù)據(jù)、變化檢測(cè)結(jié)果和土地利用類(lèi)型數(shù)據(jù)可知,區(qū)域內(nèi)的土地利用類(lèi)型以林地和耕地為主,道路和建筑物多位于山谷處或開(kāi)挖山體形成的坡腳位置,附近均為裸地區(qū)域。各區(qū)域均有明顯的地表覆被變化,基本表現(xiàn)為山體開(kāi)挖導(dǎo)致的農(nóng)林業(yè)區(qū)域轉(zhuǎn)變?yōu)槁愕亍⒌缆坊蚪ㄖ^(qū)域,結(jié)合土地利用類(lèi)型發(fā)現(xiàn)這些地區(qū)表現(xiàn)為明顯的道路修建和房屋修建等人類(lèi)工程活動(dòng)。由圖4的高程與坡度數(shù)據(jù)可知,各隱患區(qū)域均位于山區(qū),高程均在300 m以上,大部分地區(qū)坡度在10°以上。

    河北省涉縣、邢臺(tái)縣和寬城縣3個(gè)區(qū)域的隱患自動(dòng)識(shí)別結(jié)果如圖5所示,底圖為2020年的高分二號(hào)影像。共正確識(shí)別出人工滑坡隱患134處。為更清楚地顯示隱患識(shí)別結(jié)果,選取部分典型隱患區(qū)域疊加于3D谷歌影像上進(jìn)行顯示,如圖6所示,圖中編號(hào)與圖5隱患編號(hào)相對(duì)應(yīng)。圖7為邢臺(tái)縣典型隱患的遙感影像和實(shí)地拍攝照片,明顯看到有些隱患區(qū)域修建了護(hù)坡。通過(guò)目視驗(yàn)證和實(shí)地驗(yàn)證對(duì)隱患識(shí)別結(jié)果進(jìn)行精度驗(yàn)證,得到識(shí)別精度為91.9%,F(xiàn)1分?jǐn)?shù)值為93.6%。識(shí)別結(jié)果顯示滑坡災(zāi)害隱患均由交通建設(shè)和城鎮(zhèn)建設(shè)開(kāi)挖山體導(dǎo)致,共同點(diǎn)在于均為工程建設(shè)活動(dòng)開(kāi)挖山體形成的高陡切坡,坡度均大于10°,坡腳存在較大臨空面,易造成巖體失穩(wěn),形成危巖體,在其他外力(二次人類(lèi)工程活動(dòng)、持續(xù)性強(qiáng)降雨等)作用下可能產(chǎn)生滑坡(包括巖崩)災(zāi)害。隱患主要分布在省道和縣道的山區(qū)路段兩側(cè),部分位于山區(qū)鄉(xiāng)道以及居民房屋建筑附近,威脅對(duì)象為道路、通行車(chē)輛和房屋建筑。

    根據(jù)導(dǎo)致滑坡隱患的人類(lèi)工程活動(dòng)類(lèi)型和護(hù)坡修建情況得到隱患識(shí)別統(tǒng)計(jì)結(jié)果(見(jiàn)圖8),可見(jiàn),97%(130個(gè))的滑坡災(zāi)害隱患位于道路兩側(cè),僅有3%(4個(gè))位于城鎮(zhèn)建筑附近,說(shuō)明研究區(qū)導(dǎo)致滑坡隱患形成的人類(lèi)工程活動(dòng)大多為交通建設(shè)。對(duì)于未來(lái)的工程建設(shè)活動(dòng),應(yīng)盡量避開(kāi)山體開(kāi)挖或合理進(jìn)行山體開(kāi)挖(開(kāi)挖前進(jìn)行地質(zhì)穩(wěn)定性評(píng)估),若進(jìn)行山體開(kāi)挖形成高陡切坡,需及時(shí)評(píng)估其危險(xiǎn)性,并進(jìn)行相關(guān)治理工作。如圖8(b)所示,72%的隱患處未修建護(hù)坡,僅有28%的隱患處修建了護(hù)坡,說(shuō)明尚未對(duì)研究區(qū)域內(nèi)大部分切坡造成的隱患進(jìn)行治理,存在發(fā)生災(zāi)害的風(fēng)險(xiǎn)。對(duì)于已進(jìn)行治理的切坡,仍需定期對(duì)治理工程進(jìn)行檢查和加固。

    5 討 論

    5.1 基于時(shí)序InSAR的地表形變監(jiān)測(cè)

    以寬城縣為例,開(kāi)展基于時(shí)序InSAR技術(shù)的地表形變監(jiān)測(cè)。采用2018年6月3日至2020年7月31日32景Sentinel-1A升軌影像,基于SBAS-InSAR方法提取地表形變。由于滑坡通常發(fā)生于坡度大于10°的山區(qū),因此對(duì)形變結(jié)果進(jìn)行掩膜,僅保留坡度大于10°地區(qū)的形變,并與本文方法識(shí)別的滑坡隱患進(jìn)行疊加(見(jiàn)圖9),底圖為寬城縣的山體陰影圖,圖中白色區(qū)域表示InSAR技術(shù)失相干或者為平原地區(qū)。寬城縣86.8%的區(qū)域出現(xiàn)失相干,不能提取到有效形變,且形變速率值較小,最大值為16 mm/a,形變存在不確定性。此外,62.5%的隱患均位于失相干地區(qū)。圖9中存在地表形變的地區(qū)主要有3類(lèi):①? 本文方法識(shí)別的滑坡災(zāi)害隱患區(qū);②? 不具有滑坡形貌特征,非滑坡隱患區(qū);③? 與人類(lèi)工程活動(dòng)無(wú)關(guān)的地表形變區(qū)。因此,在植被茂密和地形陡峭的影響下,InSAR技術(shù)在研究區(qū)不能有效檢測(cè)到滑坡隱患,具有明顯局限性。

    5.2 與其他機(jī)器學(xué)習(xí)算法比較

    與2種經(jīng)典機(jī)器學(xué)習(xí)算法隨機(jī)森林(Random Forest,RF)和梯度提升樹(shù)(Gradient Boosting Decision Tree,GBDT)比較隱患識(shí)別精度,展示本文方法的優(yōu)勢(shì)。采用準(zhǔn)確率(Accuracy)、精確率(Precision,P)、F1分?jǐn)?shù)(F1-Score)、Kappa系數(shù)、均方誤差(RMSE)5個(gè)指標(biāo)對(duì)模型的性能和精度進(jìn)行評(píng)估,驗(yàn)證精度如圖10所示,可見(jiàn),本文提出的CNN算法的隱患識(shí)別精度明顯優(yōu)于RF和GBDT兩種機(jī)器學(xué)習(xí)算法。

    6 結(jié) 論

    本文提出了耦合變化檢測(cè)與深度學(xué)習(xí)的人工滑坡隱患自動(dòng)識(shí)別新思路,在InSAR技術(shù)難以開(kāi)展的植被茂密且地形陡峭的河北省涉縣、邢臺(tái)縣和寬城縣地區(qū)進(jìn)行應(yīng)用,取得了較好的識(shí)別效果,為滑坡隱患識(shí)別提供了新思路和新方法。研究主要得出以下結(jié)論。

    (1) 變化檢測(cè)技術(shù)能夠提取人類(lèi)工程活動(dòng)導(dǎo)致的地表覆被變化地區(qū),如削坡建房、削坡修路等人類(lèi)工程活動(dòng)變化區(qū)域,為人工滑坡隱患識(shí)別提供了有效靶區(qū)。

    (2) 本文提出的耦合變化檢測(cè)和CNN的隱患識(shí)別方法,建立在滑坡災(zāi)害隱患發(fā)生發(fā)育的孕災(zāi)環(huán)境和致災(zāi)因素上,綜合了隱患的活動(dòng)性(面積擴(kuò)張)、對(duì)植被的破壞、地形的控制作用以及人類(lèi)工程活動(dòng)誘發(fā)影響,取得了較好的識(shí)別結(jié)果,可應(yīng)用于其他滑坡災(zāi)害易發(fā)高發(fā)地區(qū)。

    參考文獻(xiàn):

    [1] 高楊.人工堆填體滑坡遠(yuǎn)程滑動(dòng)機(jī)理研究[D].北京:中國(guó)地質(zhì)大學(xué)(北京),2018.

    [2] 汪潮,徐世光,李文堯,等.填土與切坡影響下滑坡的特征與防治[J].低溫建筑技術(shù),2016,38(2):149-152.

    [3] 馮玉濤,牟海峰,周小平,等.堆積體陡斜坡路基滑坡機(jī)制及其處治對(duì)策[J].災(zāi)害學(xué),2021,36(3):57-59.

    [4] 鐘儲(chǔ)漢,王強(qiáng),樊茜佑,等.InSAR技術(shù)在黑方臺(tái)滑坡隱患早期識(shí)別中的應(yīng)用[J].山西建筑,2021,47(16):164-165.

    [5] 戴可人,鐵永波,許強(qiáng),等.高山峽谷區(qū)滑坡災(zāi)害隱患InSAR早期識(shí)別—以雅礱江中段為例[J].雷達(dá)學(xué)報(bào),2020,9(3):554-568.

    [6] FOBERT M,SINGHROY V,SPRAY J.InSAR monitoring of landslide activity in Dominica[J].Remote Sensing,2021,13(4):815.

    [7] 劉國(guó)祥.InSAR應(yīng)用實(shí)例及其局限性分析[J].四川測(cè)繪,2005(3):44-48.

    [8] MORETTO S,BOZZANO F,MAZZANTI P.The role of satellite InSAR for landslide forecasting:limitations and openings[J].Remote Sensing,2021,13(18):3735.

    [9] 劉世振,鄧建華,馮國(guó)正,等.機(jī)載LiDAR在山區(qū)型河道地形測(cè)繪中的適用性研究[J].人民長(zhǎng)江,2021,52(1):108-113.

    [10] 羅靖筠,房浩,孫秀娟,等.河北省泥石流分布特征及防治對(duì)策[J].中國(guó)地質(zhì)災(zāi)害與防治學(xué)報(bào),2009,20(2):31-35.

    [11] 王瑞豐,翟延亮,張寶君,等.基于GIS與AHP耦合技術(shù)的承德地區(qū)地質(zhì)災(zāi)害危害性評(píng)價(jià)[J].現(xiàn)代地質(zhì),2021,160:1-12.

    [12] 張?chǎng)锡?,陳秀萬(wàn),李飛,等.高分辨率遙感影像的深度學(xué)習(xí)變化檢測(cè)方法[J].測(cè)繪學(xué)報(bào),2017,46(8):999-1008.

    [13] LECUN Y,BOTTOU L,BENGIO Y.Gradient-based learning applied to document recognition[J].Proceedings of the IEEE,1998,86(11):2278-2324.

    [14] GOODFELLOW I,BENGIO Y,COURVILLE A.Deep learning[M].Cambridge:MIT Press,2016.

    [15] LECUN Y,RANZATO M.Deep learning tutorial[C]∥IMLS.International Conference on Machine Learning(ICML′13),Atlanta:IMLS,2013.

    [16] LIU R,MENG G,YANG B,et al.Dislocated time series convolutional neural architecture:an intelligent fault diagnosis approach for electric machine[J].IEEE Transactions on Industrial Informatics,2016,13(3):1310-1320.

    [17] HINTON G E,SRIVASTAVA N,KRIZHEVSKY A,et al.Improving neural networks by preventing co-adaptation of feature detectors[J].Computer Science,2012,3(4):212-223.

    [18] NAIR V,HINTON G E.Rectified linear units improve restricted Boltzmann machines[C]∥IMLS.Proceedings of the 2010 International Conference on Machine Learning,Madison:Omnipres,2010.

    [19] TRIMBLE.eCognition developer 8.7:user guide[R].Munich:Trimble Germany GmbH,2011.

    [20] BREIMAN L I,F(xiàn)RIEDMAN J H,OISHEN R A,et al.Classification and regression trees[J].Biometrics,1984,40(3):358.

    [21] 劉辰光.基于植被護(hù)坡的河道淺層滑坡防護(hù)技術(shù)[J].水利科技與經(jīng)濟(jì),2021,27(5):55-59.

    [22] 廖代強(qiáng),馬力.重慶市山體滑坡發(fā)生條件初步分析[C]∥中國(guó)氣象學(xué)會(huì).新世紀(jì)氣象科技創(chuàng)新與大氣科學(xué)發(fā)展:中國(guó)氣象學(xué)會(huì)2003年年會(huì)“城市氣象與科技奧運(yùn)”分會(huì)論文集,北京:氣象出版社,2003.

    [23] SERRA J.Image analysis and mathematical morpholog[M].London:Academic Press,1982.

    [24] ZHU M.Recall,precision and average precision[D].Waterloo:University of Waterloo,2004.

    [25] RIJSBERGEN C J V.Information retrieval[M].London:Butterworth,1979.

    (編輯:高小雲(yún))

    Automatic identification of engineering landslide hazards based on deep learning

    LONG Xingyu1,2,LI Hui1,BAI Xueshan1,ZHAI Xing1,WANG Xianmin2,PAN Yi3

    (1.Hebei Key Laboratory of Geological Resources and Environment Monitoring and Protection,Hebei Survey Institute of Environmental Geology,Shijiazhuang 050000,China; 2.Institute of Geophysics and Geomatics,China University of Geosciences,Wuhan 430074,China; 3.Hebei Vocational College of Geology,Shijiazhuang 050000,China)

    Abstract:

    Aiming at the problem of engineering landslide hazard identification in dense vegetation and steep terrain areas,an automatic identification idea of engineering landslide hazard by coupling change detection and deep learning was proposed.The hazard identification index system composed of image spectrum,NDVI,land use,elevation,slope and surface coverage vegetation change was constructed,and a deep learning convolutional neural network CNN algorithm was established.The application verification was carried out in Shexian County,Xingtai County and Kuancheng County of Hebei Province with dense vegetation and steep terrain,and 134 hidden dangers of engineering landslide hazards from 2016 to 2020 were automatically identified.The results of visual verification and field investigation showed that the recognition accuracy of this method was 91.9%,and the F1 score was 93.6%.This method is universal in the vast area,which can provide a new idea for the automatic identification of landslide hazards and a scientific basis for the rational planning of human engineering activities.

    Key words:

    human engineering activity;landslide hazard;landslide hazard identification;remote sensing image;digital elevation model;convolutional neural network;change detection

    猜你喜歡
    變化檢測(cè)自動(dòng)識(shí)別隱患
    隱患隨手拍
    隱患隨手拍
    用于遙感圖像變化檢測(cè)的全尺度特征聚合網(wǎng)絡(luò)
    互聯(lián)網(wǎng)安全隱患知多少?
    隱患隨手拍
    基于多尺度紋理特征的SAR影像變化檢測(cè)
    基于稀疏表示的視網(wǎng)膜圖像對(duì)變化檢測(cè)
    自動(dòng)識(shí)別系統(tǒng)
    特別健康(2018年3期)2018-07-04 00:40:18
    基于Landsat影像的黃豐橋林場(chǎng)森林變化檢測(cè)研究
    金屬垃圾自動(dòng)識(shí)別回收箱
    欧美激情极品国产一区二区三区| 啪啪无遮挡十八禁网站| 中文亚洲av片在线观看爽 | 9191精品国产免费久久| 午夜免费鲁丝| 国内久久婷婷六月综合欲色啪| 国产精品成人在线| а√天堂www在线а√下载 | av国产精品久久久久影院| 一级黄色大片毛片| 久久 成人 亚洲| 亚洲欧洲精品一区二区精品久久久| 免费在线观看亚洲国产| 青草久久国产| 久久精品国产亚洲av高清一级| 老司机影院毛片| 午夜福利,免费看| 国产欧美日韩一区二区三| 亚洲片人在线观看| 日韩精品免费视频一区二区三区| 欧美精品高潮呻吟av久久| 亚洲少妇的诱惑av| 黑人巨大精品欧美一区二区蜜桃| 每晚都被弄得嗷嗷叫到高潮| 一二三四在线观看免费中文在| 757午夜福利合集在线观看| 看黄色毛片网站| 午夜免费鲁丝| 国产日韩一区二区三区精品不卡| 精品国产一区二区久久| 嫁个100分男人电影在线观看| 久久精品91无色码中文字幕| 国产午夜精品久久久久久| 美女高潮喷水抽搐中文字幕| 国产精品久久久人人做人人爽| 成人特级黄色片久久久久久久| 一本综合久久免费| 国内久久婷婷六月综合欲色啪| x7x7x7水蜜桃| 又大又爽又粗| 色94色欧美一区二区| 丰满的人妻完整版| 丝瓜视频免费看黄片| 国产成+人综合+亚洲专区| 淫妇啪啪啪对白视频| 成熟少妇高潮喷水视频| 欧美日韩一级在线毛片| 亚洲欧美一区二区三区黑人| 在线天堂中文资源库| 大陆偷拍与自拍| 久久中文看片网| 亚洲成人免费av在线播放| 欧美亚洲日本最大视频资源| 老熟妇乱子伦视频在线观看| 看黄色毛片网站| 黄片播放在线免费| 亚洲精品国产一区二区精华液| 精品久久久久久电影网| 18在线观看网站| 亚洲av熟女| 国产精品av久久久久免费| 中文字幕人妻丝袜一区二区| 校园春色视频在线观看| 色94色欧美一区二区| 一a级毛片在线观看| 国产无遮挡羞羞视频在线观看| 日日爽夜夜爽网站| 亚洲精品乱久久久久久| 在线观看午夜福利视频| 久久久久精品人妻al黑| 巨乳人妻的诱惑在线观看| 亚洲第一av免费看| 搡老岳熟女国产| 美女午夜性视频免费| 免费少妇av软件| tube8黄色片| 午夜福利欧美成人| 一a级毛片在线观看| 午夜福利一区二区在线看| 国产免费av片在线观看野外av| 国产主播在线观看一区二区| 久久狼人影院| 国内久久婷婷六月综合欲色啪| 久久久久久久精品吃奶| 中文字幕另类日韩欧美亚洲嫩草| 国产精品一区二区在线观看99| 精品久久久久久久毛片微露脸| 欧美日韩亚洲综合一区二区三区_| 91av网站免费观看| 一夜夜www| 日韩人妻精品一区2区三区| 嫁个100分男人电影在线观看| 欧美成狂野欧美在线观看| 国产熟女午夜一区二区三区| 热99re8久久精品国产| bbb黄色大片| 久久久国产成人精品二区 | 母亲3免费完整高清在线观看| 高清毛片免费观看视频网站 | 91九色精品人成在线观看| 搡老熟女国产l中国老女人| 在线十欧美十亚洲十日本专区| 国产视频一区二区在线看| 天天躁夜夜躁狠狠躁躁| 精品人妻在线不人妻| 国产午夜精品久久久久久| 欧美在线一区亚洲| 在线观看日韩欧美| 久久久国产一区二区| 欧美久久黑人一区二区| 亚洲精品国产色婷婷电影| 欧美黄色淫秽网站| 老司机午夜十八禁免费视频| av福利片在线| 欧美日韩福利视频一区二区| 国产精华一区二区三区| 麻豆av在线久日| 久久人妻熟女aⅴ| 99国产综合亚洲精品| 91成年电影在线观看| 五月开心婷婷网| 国产三级黄色录像| 亚洲中文av在线| 亚洲av日韩精品久久久久久密| 国产一区二区三区综合在线观看| 免费在线观看完整版高清| 国产91精品成人一区二区三区| 国产av一区二区精品久久| 国产av一区二区精品久久| 在线永久观看黄色视频| 国产精品国产av在线观看| 80岁老熟妇乱子伦牲交| 国产主播在线观看一区二区| 国产淫语在线视频| 国产一区在线观看成人免费| 搡老岳熟女国产| 久久狼人影院| 精品人妻在线不人妻| 午夜福利一区二区在线看| 少妇粗大呻吟视频| 国产精品久久久久久精品古装| 国产成人欧美| 国产亚洲精品久久久久久毛片 | 天天添夜夜摸| 亚洲一码二码三码区别大吗| 男女之事视频高清在线观看| 久久精品国产亚洲av高清一级| 亚洲精品中文字幕一二三四区| 亚洲欧美一区二区三区黑人| 天天操日日干夜夜撸| 俄罗斯特黄特色一大片| 中文字幕人妻丝袜制服| 99国产综合亚洲精品| 在线看a的网站| 久久精品国产亚洲av高清一级| 男女下面插进去视频免费观看| 亚洲av欧美aⅴ国产| 国产成人影院久久av| 在线观看免费日韩欧美大片| 国产熟女午夜一区二区三区| 99久久国产精品久久久| 久久这里只有精品19| 日本vs欧美在线观看视频| e午夜精品久久久久久久| 成人国语在线视频| 国产精品免费大片| 国产片内射在线| 熟女少妇亚洲综合色aaa.| 女人被狂操c到高潮| 色精品久久人妻99蜜桃| av网站免费在线观看视频| 高清黄色对白视频在线免费看| 免费女性裸体啪啪无遮挡网站| 午夜福利在线免费观看网站| 久久香蕉国产精品| 亚洲久久久国产精品| 久久中文看片网| 久久中文看片网| 两个人免费观看高清视频| 天天影视国产精品| 久久久国产欧美日韩av| 免费在线观看影片大全网站| 久久香蕉精品热| 下体分泌物呈黄色| 欧美性长视频在线观看| 12—13女人毛片做爰片一| av天堂在线播放| 热99久久久久精品小说推荐| 在线天堂中文资源库| 深夜精品福利| 成人免费观看视频高清| av超薄肉色丝袜交足视频| 久久精品亚洲av国产电影网| 一进一出抽搐动态| 亚洲精品乱久久久久久| 亚洲avbb在线观看| 18禁黄网站禁片午夜丰满| 99久久综合精品五月天人人| 夜夜躁狠狠躁天天躁| 香蕉久久夜色| 久久久久国产精品人妻aⅴ院 | 久久精品国产a三级三级三级| av线在线观看网站| 巨乳人妻的诱惑在线观看| 精品国产一区二区三区四区第35| 亚洲成人国产一区在线观看| 久久香蕉国产精品| 亚洲九九香蕉| 亚洲一码二码三码区别大吗| 这个男人来自地球电影免费观看| 国产av又大| 日本vs欧美在线观看视频| 成人国语在线视频| 婷婷丁香在线五月| 成人18禁高潮啪啪吃奶动态图| 国产精品一区二区免费欧美| 一级毛片女人18水好多| 久久精品亚洲精品国产色婷小说| 国产亚洲av高清不卡| 男女午夜视频在线观看| 日本黄色日本黄色录像| cao死你这个sao货| 亚洲国产欧美一区二区综合| 18在线观看网站| 午夜精品久久久久久毛片777| aaaaa片日本免费| 人妻久久中文字幕网| 欧洲精品卡2卡3卡4卡5卡区| 丰满人妻熟妇乱又伦精品不卡| 久久人人爽av亚洲精品天堂| 免费在线观看日本一区| 日日爽夜夜爽网站| 亚洲专区字幕在线| 国产精品免费视频内射| 亚洲色图av天堂| 欧美精品亚洲一区二区| 国产亚洲av高清不卡| 激情视频va一区二区三区| 久久婷婷成人综合色麻豆| 三上悠亚av全集在线观看| 老熟女久久久| 19禁男女啪啪无遮挡网站| 老鸭窝网址在线观看| 露出奶头的视频| 成在线人永久免费视频| 日韩欧美免费精品| 亚洲av欧美aⅴ国产| 国产极品粉嫩免费观看在线| 麻豆国产av国片精品| 亚洲精品自拍成人| 电影成人av| 亚洲国产精品一区二区三区在线| 国产一区二区三区在线臀色熟女 | 热re99久久精品国产66热6| 涩涩av久久男人的天堂| 十八禁网站免费在线| 久久中文字幕人妻熟女| 国产欧美日韩综合在线一区二区| 在线播放国产精品三级| 亚洲国产精品合色在线| 亚洲av成人不卡在线观看播放网| 一本一本久久a久久精品综合妖精| 交换朋友夫妻互换小说| 一进一出抽搐动态| 丰满人妻熟妇乱又伦精品不卡| 在线十欧美十亚洲十日本专区| 免费看a级黄色片| 成人免费观看视频高清| 制服诱惑二区| 午夜久久久在线观看| 欧美乱色亚洲激情| 婷婷成人精品国产| 丰满的人妻完整版| 亚洲国产欧美一区二区综合| 老司机福利观看| 丝袜美足系列| 丝袜在线中文字幕| 久久中文看片网| 久久久久国内视频| 国产成人啪精品午夜网站| 午夜福利欧美成人| 一a级毛片在线观看| 久久国产精品大桥未久av| 成人黄色视频免费在线看| 丰满迷人的少妇在线观看| 国产乱人伦免费视频| 国产精品久久久av美女十八| 老司机影院毛片| 99香蕉大伊视频| 精品国产乱子伦一区二区三区| 精品一区二区三区视频在线观看免费 | 国产在线观看jvid| 十八禁网站免费在线| 国产精品成人在线| 久久人妻av系列| 一边摸一边做爽爽视频免费| 一区福利在线观看| 这个男人来自地球电影免费观看| 欧美久久黑人一区二区| 国产成人欧美| 亚洲精品美女久久av网站| 国产黄色免费在线视频| √禁漫天堂资源中文www| 国产区一区二久久| 一级毛片高清免费大全| 亚洲精品中文字幕在线视频| 国产不卡av网站在线观看| 国产成人精品无人区| 亚洲成a人片在线一区二区| 久久国产亚洲av麻豆专区| 亚洲三区欧美一区| 国产主播在线观看一区二区| 视频区欧美日本亚洲| 麻豆国产av国片精品| 制服人妻中文乱码| 777久久人妻少妇嫩草av网站| 婷婷精品国产亚洲av在线 | 丰满人妻熟妇乱又伦精品不卡| 免费日韩欧美在线观看| 亚洲伊人色综图| 啦啦啦 在线观看视频| 国产欧美日韩一区二区精品| 久久久久久久久免费视频了| 亚洲午夜精品一区,二区,三区| 精品久久久久久,| 91成年电影在线观看| bbb黄色大片| 日日夜夜操网爽| 免费在线观看影片大全网站| 亚洲精品美女久久久久99蜜臀| 99riav亚洲国产免费| 成人18禁在线播放| 国产精品免费视频内射| 一区二区日韩欧美中文字幕| 男女下面插进去视频免费观看| 精品久久蜜臀av无| av不卡在线播放| 大型黄色视频在线免费观看| 亚洲国产看品久久| 日本a在线网址| 婷婷丁香在线五月| 超碰成人久久| 天天影视国产精品| 最近最新中文字幕大全免费视频| 成熟少妇高潮喷水视频| 岛国在线观看网站| 久久狼人影院| 99国产精品一区二区蜜桃av | 好男人电影高清在线观看| 国产三级黄色录像| 18禁黄网站禁片午夜丰满| 丁香六月欧美| 好男人电影高清在线观看| 91成年电影在线观看| 国产国语露脸激情在线看| 一级毛片女人18水好多| 国产一区二区三区视频了| 国产亚洲欧美在线一区二区| 两人在一起打扑克的视频| 亚洲色图综合在线观看| 亚洲精品中文字幕在线视频| 国产一区二区三区综合在线观看| 午夜精品久久久久久毛片777| 国精品久久久久久国模美| 亚洲全国av大片| 黑丝袜美女国产一区| 极品人妻少妇av视频| 美女福利国产在线| 国产精品影院久久| 国内毛片毛片毛片毛片毛片| 免费不卡黄色视频| 无限看片的www在线观看| 免费黄频网站在线观看国产| 亚洲国产精品一区二区三区在线| 一级片'在线观看视频| 成年人午夜在线观看视频| av欧美777| 久99久视频精品免费| 欧美国产精品一级二级三级| 免费日韩欧美在线观看| www.自偷自拍.com| 捣出白浆h1v1| 91国产中文字幕| 国产日韩一区二区三区精品不卡| 亚洲专区字幕在线| 99久久人妻综合| 捣出白浆h1v1| 国产熟女午夜一区二区三区| 人人妻人人添人人爽欧美一区卜| 国产视频一区二区在线看| 久久精品国产清高在天天线| 在线观看午夜福利视频| 国产高清videossex| 亚洲欧美日韩另类电影网站| 欧美黑人精品巨大| 人成视频在线观看免费观看| 国产精品久久电影中文字幕 | 午夜精品国产一区二区电影| 国产欧美亚洲国产| 别揉我奶头~嗯~啊~动态视频| 看黄色毛片网站| 国产不卡一卡二| 制服诱惑二区| 不卡av一区二区三区| 一区福利在线观看| 男女之事视频高清在线观看| 色尼玛亚洲综合影院| 老司机靠b影院| 丝袜美腿诱惑在线| 亚洲第一欧美日韩一区二区三区| 欧美日韩精品网址| 国产一卡二卡三卡精品| 制服诱惑二区| 91九色精品人成在线观看| 午夜福利乱码中文字幕| 中文欧美无线码| 99久久99久久久精品蜜桃| 精品国产一区二区三区四区第35| 亚洲人成电影观看| 丝袜美足系列| 国产高清激情床上av| 亚洲熟女精品中文字幕| 亚洲欧美一区二区三区久久| 国产又色又爽无遮挡免费看| 成人手机av| netflix在线观看网站| 亚洲国产看品久久| tocl精华| 两性午夜刺激爽爽歪歪视频在线观看 | 精品人妻熟女毛片av久久网站| 无人区码免费观看不卡| 精品无人区乱码1区二区| 久久精品亚洲精品国产色婷小说| 两个人免费观看高清视频| 欧美日韩视频精品一区| 美国免费a级毛片| 黄色女人牲交| 中文字幕人妻熟女乱码| 在线国产一区二区在线| av欧美777| 成人手机av| 亚洲一区二区三区不卡视频| 国产精品久久久av美女十八| 亚洲人成电影观看| 757午夜福利合集在线观看| 99在线人妻在线中文字幕 | 男人舔女人的私密视频| 欧美亚洲 丝袜 人妻 在线| 又黄又爽又免费观看的视频| 少妇裸体淫交视频免费看高清 | 亚洲熟妇中文字幕五十中出 | www.999成人在线观看| 国产精品 国内视频| 国产激情欧美一区二区| av在线播放免费不卡| 99热国产这里只有精品6| 国产精品国产高清国产av | 欧美精品av麻豆av| 日韩欧美国产一区二区入口| 老鸭窝网址在线观看| 一区二区三区国产精品乱码| 久久精品aⅴ一区二区三区四区| 午夜精品久久久久久毛片777| 国产精品久久久久成人av| 亚洲av美国av| 老司机午夜福利在线观看视频| 国产无遮挡羞羞视频在线观看| 免费女性裸体啪啪无遮挡网站| 黄色怎么调成土黄色| 午夜免费成人在线视频| 国产成人精品久久二区二区91| 黄色毛片三级朝国网站| 精品国产美女av久久久久小说| 国产亚洲欧美精品永久| 精品亚洲成a人片在线观看| 一级片免费观看大全| 精品国产乱子伦一区二区三区| 日韩成人在线观看一区二区三区| 欧美成狂野欧美在线观看| 黑人操中国人逼视频| 午夜免费观看网址| 久久久国产成人精品二区 | 久久香蕉精品热| 亚洲性夜色夜夜综合| 国产激情久久老熟女| 亚洲色图av天堂| 黄色视频不卡| 首页视频小说图片口味搜索| 超碰成人久久| 久久久水蜜桃国产精品网| 777米奇影视久久| 国产高清视频在线播放一区| 亚洲精华国产精华精| 91九色精品人成在线观看| 十八禁网站免费在线| 午夜久久久在线观看| 老熟女久久久| 久久九九热精品免费| 国产亚洲av高清不卡| 欧美激情高清一区二区三区| 免费一级毛片在线播放高清视频 | 国产男女内射视频| 国产在线观看jvid| 人人妻人人澡人人看| 黄网站色视频无遮挡免费观看| 亚洲七黄色美女视频| 国产成人免费无遮挡视频| av视频免费观看在线观看| 在线av久久热| 国产高清视频在线播放一区| 在线观看午夜福利视频| 色老头精品视频在线观看| 欧美日韩中文字幕国产精品一区二区三区 | 久久久久视频综合| 伊人久久大香线蕉亚洲五| 国产精品偷伦视频观看了| 下体分泌物呈黄色| 人成视频在线观看免费观看| 久久精品国产综合久久久| 欧美老熟妇乱子伦牲交| 可以免费在线观看a视频的电影网站| 国产99白浆流出| 大型av网站在线播放| 看黄色毛片网站| 99热只有精品国产| 一级片'在线观看视频| 999久久久国产精品视频| av超薄肉色丝袜交足视频| 在线观看舔阴道视频| 男女床上黄色一级片免费看| 久久久久国产一级毛片高清牌| 午夜精品国产一区二区电影| av超薄肉色丝袜交足视频| av电影中文网址| 国产欧美日韩精品亚洲av| 黑人猛操日本美女一级片| 久久久国产欧美日韩av| 男人操女人黄网站| 久热爱精品视频在线9| 国产伦人伦偷精品视频| 一级毛片女人18水好多| 80岁老熟妇乱子伦牲交| 在线av久久热| 久久久久久久国产电影| 男人的好看免费观看在线视频 | 国产一区二区三区在线臀色熟女 | 看黄色毛片网站| 91精品三级在线观看| 欧美久久黑人一区二区| 18禁国产床啪视频网站| 精品第一国产精品| 亚洲久久久国产精品| 看免费av毛片| 捣出白浆h1v1| 看免费av毛片| 捣出白浆h1v1| 亚洲精品国产一区二区精华液| 天天躁狠狠躁夜夜躁狠狠躁| 两人在一起打扑克的视频| av线在线观看网站| 精品国产一区二区久久| 国产精品亚洲一级av第二区| 久久精品91无色码中文字幕| 国产精品免费视频内射| 久久精品91无色码中文字幕| 国产精品99久久99久久久不卡| 国产精品久久久久久人妻精品电影| 欧美激情久久久久久爽电影 | 成人永久免费在线观看视频| 亚洲人成77777在线视频| 亚洲av片天天在线观看| 露出奶头的视频| 久久精品国产综合久久久| 天天添夜夜摸| netflix在线观看网站| 国产精品自产拍在线观看55亚洲 | 19禁男女啪啪无遮挡网站| 亚洲精品av麻豆狂野| 亚洲中文av在线| 99国产精品99久久久久| 女性生殖器流出的白浆| 少妇猛男粗大的猛烈进出视频| 99在线人妻在线中文字幕 | 在线永久观看黄色视频| 法律面前人人平等表现在哪些方面| 国产又爽黄色视频| 91麻豆av在线| 一a级毛片在线观看| av网站在线播放免费| 国产精品香港三级国产av潘金莲| 亚洲成国产人片在线观看| 免费少妇av软件| 久久久国产一区二区| 久久亚洲精品不卡| 丰满人妻熟妇乱又伦精品不卡| 国产精品久久久人人做人人爽| 国产高清videossex| 精品乱码久久久久久99久播| 人妻丰满熟妇av一区二区三区 | 18禁裸乳无遮挡免费网站照片 | 少妇猛男粗大的猛烈进出视频| 99在线人妻在线中文字幕 | 亚洲久久久国产精品| 国产精品电影一区二区三区 | 黄色a级毛片大全视频| 日韩熟女老妇一区二区性免费视频| 成人永久免费在线观看视频| 视频在线观看一区二区三区| 999久久久精品免费观看国产| 国产成人av教育| 精品视频人人做人人爽| 久久人人爽av亚洲精品天堂| 90打野战视频偷拍视频| 亚洲va日本ⅴa欧美va伊人久久| 国产精品成人在线|