植被指数时间序列论文-曾德裕,卢晓宁,黄玥,杨柳青,孟成真

2020-12-171024 views

导读:本文包含了植被指数时间序列论文开题报告文献综述及选题提纲参考文献,主要关键词:Landsat,NDVI,数据融合,傅里叶分析

植被指数时间序列论文文献综述

曾德裕,卢晓宁,黄玥,杨柳青,孟成真[1](2019)在《离散Landsat归一化植被指数的时间序列融合构建》一文中研究指出结合滑动窗的使用,提出了一种基于傅里叶逼近和线性融合降尺度的时间序列构建方法。在时间序列上逐像元对离散的Landsat数据进行傅里叶逼近,并同分辨率较低的AVHRR传感器数据进行融合,实现了试验区Landsat植被指数的时间序列构建,结合作为实际观测数据的Landsat数据对模型结果的精度进行验证。结果表明,模型结果在色调与纹理等图像特征方面与实际观测数据一致,构建了白色冰雪覆盖区域的NDVI,构建结果与周边地表具有非常好的空间连续性,且整幅影像不存在明显的块状效应;模型结果与实际观测数据具有较高的相关性(平均0.869 2)和较低的均方根误差(平均0.043 5),平均高达75.04%的像元误差在±0.05之间,高达97.64%的像元误差在±0.1之间,并且误差呈良好的正态分布。模型精度对输入数据量存在一定依赖,同时对混合像元的处理方面尚存在一定的改进空间。(本文来源于《湖北农业科学》期刊2019年12期)

张展骞[2](2019)在《基于植被指数时间序列的洪涝灾害遥感监测模型》一文中研究指出黑龙江省作为农业大省,是我国重要的粮食输出基地,因其特殊的地理位置与独有的气候条件和土壤类型,旱灾、洪涝灾害、雹灾、风灾等各种农业灾害频繁发生。近几年,由于气候条件不断恶化,极端天气出现的情况越来越多,农业灾害发生率明显增高,对该省的农业发展产生了重大影响。洪涝灾害已成为黑龙江省发生最频繁的农业灾害之一,严重的洪涝灾害对耕地以及农作物有着极大的影响。因此,及时准确的对农业洪涝灾害进行监测并对黑龙江省农业洪涝灾害时空特征进行分析,不仅可以保障粮食安全,也可以为灾前预警、灾中监测、灾后救援以及灾损评估工作提供可靠的数据与理论支撑。传统的洪涝灾害监测方式主要基于野外调查与采样,会耗费大量人力与物力,且带有一定人为主观因素,对灾害信息的评估并不准确,获取的信息严重滞后。随着遥感技术的出现,使及时、准确的监测大范围灾害成为可能,更适用于农业灾害监测工作。本文选取黑龙江省叁个典型区域建叁江垦区、九叁垦区和大庆地区作为研究区,利用16天合成的250 m空间分辨率的MODIS植被指数数据,构建植被指数时间序列模型,基于植被指数时间序列变化规律确定灾害判别阈值,提取出农业灾害范围,并与高分辨率影像数据与地面实测数据以及保险公司上报数据进行提取结果验证,最后对于时间序列曲线进行生长期突变检测,提取出洪涝灾害范围,并分析黑龙江省2016年洪涝灾害时空格局特征及成因,主要研究结论如下:(1)基于植被指数时间序列提取的灾害范围精度较高。通过提取研究区内典型灾害所在区域经过SG滤波后的中值植被指数(归一化植被指数的中值)时间序列曲线,作为该区域农作物标准长势曲线,与实际长势曲线对比,构建植被指数时间序列灾害监测模型(S_(AUC)),选取10为最佳阈值,提取灾害范围,并对结果进行精度验证,在16次验证结果中,平均相对误差为13.26%,验证精度达到了86.74%,实用性较强,并将模型运用到黑龙江省的农业灾害监测中,与高分辨率影像灾害监测结果对比,提取精度达到81.4%,相似度较高,可以应用于大范围、长时间的农业灾害动态监测中。(2)基于植被指数时间序列的分析与判别,可以有效进行洪涝灾害监测。利用洪涝灾害与其他类型灾害在时间序列上的差异,发现农作物在受到洪涝灾害后在曲线上会有突变形态产生,依据对生长期的突变检测,提取出洪涝灾害信息,与上报的投保地块数据和高分辨率同期影像数据相比,提取精度达81.7%。在16个已知灾害中,提取出了所有涝灾,剩余非洪涝灾害类型有2个划分为洪涝灾害,正确率为87.5%,洪涝灾害提取精度较高,可以实际应用于农业洪涝灾害监测中。(3)黑龙江省洪涝灾害的时空分布特征受气象因素、地形因素、土壤因素影响。根据提取的2016年黑龙江省洪涝灾害范围,结果显示,黑龙江省2016年洪涝灾害主要发生在6月下旬,主要分布于佳木斯、鹤岗、双鸭山以及齐齐哈尔等城市,结合2016年气候数据以及土壤、地形数据,发现这叁个因素与洪涝灾害之间的相关性较高。结果表明,基于MODIS植被指数时间序列的农业灾害监测模型能够进行及时、有效的进行农业灾害监测,提取出受灾范围,根据得到的区域受灾信息可以进而得到大范围农业受灾信息。依据对植被指数时间序列生长期的突变检测,能够以较高的精度提取出洪涝灾害范围,具有适用性及实用性,可以作为洪涝灾害监测与灾情评估的依据之一,同时能够为黑龙江省气象部门提供洪涝灾害信息统计数据,为农业洪涝灾害预警提供更加科学、及时的信息。(本文来源于《东北农业大学》期刊2019-06-01)

路中,雷国平,马泉来,郭晶鹏,王居午[3](2018)在《基于重构的Landsat 8时间序列数据和温度植被指数的区域旱情监测》一文中研究指出为了快速且准确地估算大区域范围内土壤水分信息,实现松嫩平原北部区域旱情的监测。基于Landsat 8时间序列数据,计算归一化植被指数(NDVI)和地表温度指数(LST)的时间序列数据,在此基础上利用Savitzky-Golay(S-G)滤波对所得时间序列数据进行了重构,弥补因受云和大气影响而产生的噪声。然后根据重构后的NDVI和LST数据,求得温度植被指数(TVDI);探讨TDVI和土壤湿度之间的关系,构建土壤湿度反演模型,并结合野外实测数据对模型精度进行了验证。结果表明:(1)S-G滤波可以有效地弥补因受云和大气影响而产生的不足,提高Landsat 8时间序列数据的质量;(2)温度植被干旱指数可以有效地反映土壤湿度状况,经过S-G滤波处理后的数据反演精度更高(RMSE=2.14%);(3)经过S-G滤波处理后的Landsat 8数据可以更为精确实现大区域范围内时间序列的旱情监测,为区域旱情的监测提供借鉴。(本文来源于《水土保持研究》期刊2018年05期)

李新星[4](2017)在《基于时间序列植被指数的水稻发育期提取和估产》一文中研究指出随着遥感技术的发展,传统农业也在不断地向高科技农业发展,以遥感技术为手段,为农业信息技术的发展提供了有效的技术支撑。不仅大面积农作物面积提取、发育期提取、长势监测、产量估算成为了可能,还为许多其他问题提供了大量的影像资料和分析方法。长时间序列植被指数数据集因其时间跨度长、能够反映相当长一段时期内作物生长的季相和年际变化,因而其应用越来越受到关注。本文使用AVHRR NDVI长时间序列数据提取作物生育期,首先解决原始时间序列数据的去噪问题,使用几种滤波方法对原始时间序列数据去噪,得到平滑的时间序列曲线,然后利用不同滤波方法重构得到的时间序列数据集提取水稻关键生长发育期。利用GIMMSNDVI长时间序列数据进行水稻估产,用去趋势化方法分离趋势产量和遥感产量,然后建立遥感产量与估产因子的回归模型,最后对江苏省进行水稻遥感估产。研究表明,利用滤波处理后的长时间序列AVHRRNDVI逐日数据能够提取水稻移栽期、成熟期和抽穗期,并能将误差控制在±16天以内;对抽穗期和成熟期的识别误差控制在±6天以内。利用产量去趋势化方法建立的估产模型能够预报江苏省水稻产量,预报产量与统计产量的相对误差在10%以内。(本文来源于《浙江大学》期刊2017-12-15)

胡文,刘焕军,张新乐,苏阳,臧红婷[5](2015)在《基于MODIS植被指数时间序列的耕地范围提取——以黑龙江省为例》一文中研究指出【目的】研究耕地范围提取的最优时间节点,提高耕地范围提取的时效性。【方法】依据归一化植被指数(NDVI)时间序列特征,选择2010~2013年不同时间节点NDVI时间序列作为输入变量,采用最大似然法、光谱角填图法和最小距离法对不同输入变量进行土地利用分类,将黑龙江省土地利用类型分为耕地、林地、草地、水域、居住用地和未利用地等6类,提取耕地范围。【结果】最大似然法在进行土地利用分类时优于其他方法;虽然作物生长期内(4~10月)的分类结果总体精度、Kappa系数和耕地制图精度最高,4~7月的分类结果略低于整个生长期的分类结果,但4~7月所用的数据更少、能更早地制图耕地范围;不同时期输入量结果均明显优于MODIS土地覆盖产品分类精度。【结论】基于MODIS NDVI时间序列能快速准确地提取耕地范围和获取最优时间节点,可提高耕地范围获取的时效性。(本文来源于《南方农业学报》期刊2015年08期)

刘寒,冯莉,朱榴骏,黄银友[6](2015)在《环境星归一化植被指数时间序列滤波算法比较》一文中研究指出由于环境卫星成像条件和卫星平台的限制,针对环境卫星归一化植被指数(HJ NDVI)时间序列中存在较多噪音的现象,该文比较分析了Savitzky-Golay(S-G)滤波法、非对称高斯函数拟合法(AG)、双逻辑曲线拟合法(DL)和时间序列谐波分析法(Hants)4种滤波算法。建立了南京市典型植被类型区域的HJ NDVI时间序列,对4种滤波方法进行实验。对比纯像元样点、样区的滤波结果以及滤波后5类典型植被的分类精度,评价4种滤波方法的滤波效果,并利用MODIS NDVI时序数据验证结果可靠性。结果表明:滑动窗口大小为5的S-G滤波的滤波效果最佳。该研究结论为基于HJ NDVI时间序列的应用研究滤波方法选择提供参考。(本文来源于《遥感信息》期刊2015年05期)

Jing,WANG,Jing-feng,HUANG,Xiu-zhen,WANG,Meng-ting,JIN,Zhen,ZHOU[7](2015)在《基于环境减灾卫星及Landsat-8卫星的植被指数时间序列的水稻物候期提取研究(英文)》一文中研究指出目的:鉴于中国南方地区单季稻种植区在关键生育期较难获得清晰影像的情况,利用相互校准方法并结合HJ-1 CCD和Landsat-8 OLI传感器,生成时间分辨率更高的植被指数时间序列数据,并比较不同植被指数在提取水稻物候期中的差异。创新点:本文通过传感器相互校准获得了具有更高时间分辨率的植被指数时间序列数据,同时研究了不同植被指数在提取水稻物候期中的有效性,从而提高了水稻物候期提取的精度。方法:利用最小二乘法对HJ-1 CCD和Landsat-8 OLI传感器提取的植被指数(EVI2和NDVI)进行相互校准,验证了不同传感器可互补使用;利用一致性分析方法,对比不同植被指数在提取单季稻物候期中的有效性;通过极值法和最大斜率法提取研究区单季稻的移栽期、抽穗期和成熟期;将利用两传感器相结合形成的新植被指数时间序列数据得到的水稻物候期提取结果,与用单一传感器得到结果进行对比,分析水稻物候期提取精度。结论:基于环境减灾卫星及Landsat-8卫星融合后得到的植被指数时间序列数据可以有效地提高南方单季稻物候期提取的精度,EVI2的提取效果优于NDVI,极值法和最大斜率法结合提取的单季稻物候期结果与野外调查及农气站统计结果较为吻合,可以很好地应用于实际业务中。(本文来源于《Journal of Zhejiang University-Science B(Biomedicine & Biotechnology)》期刊2015年10期)

汪业成[8](2014)在《HJ卫星归一化植被指数时间序列的异常区段校正与物候期识别》一文中研究指出HJ-1A/B小卫星星座搭载的多光谱传感器具有2天的重访能力,空间分辨率为30m,用其计算获得的环境卫星归一化植被指数(HJ NDVI)时间序列具有较高时空分辨率的特点。但因成像条件和卫星平台的限制,HJ NDVI时间序列中存在较多异常值,现有的时间序列重建方法不能很好地处理序列中的异常情况。同时,HJ NDVI在时间维度上的实际分辨能力尚不明确,缺乏应用和评价。对此,本文完成了如下研究:(1)论述了HJ NDVI时间序列的构建过程,完成了HJ NDVI时间序列与MODIS NDVI序列的对比,分析了HJNDVI时间序列异常值产生原因。研究表明,对于纯象元而言,MODIS和HJNDVI时间序列对地物变化的描述能力是相近的,两者的相关系数大于0.7。对于混合象元,HJNDVI时间序列能够更加精确地描述MODIS混合象元内各类地物的差异,说明HJ NDVI时间序列在具有较高空间分辨率特点的同时,还具备和MODIS NDVI类似的时间分辨能力。(2)实现了S-G滤波、非对称高斯函数拟合、时间序列谐波分析叁种方法对HJ NDVI时间序列的重建。重建结果表明,叁种常规重建方法都能完成对HJNDVI时间序列的重建,重建结果各有特色,在全年气象条件尚佳的区域有比较好的重建效果。但在很多情况下,HJ NDVI中的异常值过多,且容易出现异常区段,以致叁种重建方法都会产生重建效果异常,影响了序列的应用。因此需要针对性的对HJ NDVI时间序列的特点提出数据质量改善的方法。(3)提出MODIS协助下的HJ时间序列异常区段校正方法。针对现有重建方法对HJ NDVI时间序列重建结果的缺陷,提出在重建质量更为稳定的MODISNDVI时间序列协助下,修正HJ NDVI时间序列的异常区段。方法使用协整检验,判断NMDIS NDVI时间序列能够指导哪些HJ NDVI时间序列的重建。使用西格玛控制方法,判断HJ NDVI时间序列的异常区段,利用误差修正模型完成了异常区段的校正。经过异常区段校正后得到的HJ NDVI重建序列,能够更加正确地反应地物变化,为序列的进一步应用打下基础。(4)提出了一种基于HJ NDVI时间序列的植被物候期识别方法,论证了HJNDVI时间序列对植被物候期的识别能力。本文提出了物候期识别参数率定过程,寻找识别对象和HJ NDVI时间序列的特征对应关系,确定关键物候期的判别规则。利用经过异常区段校正和AG拟合函数拟合得到HJ NDVI重建序列及其一阶、二阶导数序列,完成了植被物候期的识别。结果表明,使用HJ NDVI时间序列能够判别稻、麦从出苗期至收获期共12个关键物候期,其中对冬小麦收获期等5个关键物候期的识别误差小于10d,其余物候期小于16d,和MODIS NDVI的对稻、麦的物候期识别能力相当。HJ NDVI时间序列在时间分辨能力和MODISⅥ产品类似的情况下,空间分辨率提升8倍,拥有广阔的应用前景。(本文来源于《南京大学》期刊2014-05-01)

卫炜,吴文斌,李正国,杨鹏,胡琼[9](2014)在《时间序列植被指数重构方法比对研究》一文中研究指出时间序列植被指数在植被遥感监测中发挥着重要的作用,但其往往存在大量噪声影响,在应用之前需要进行时序植被指数重构。耕地植被指数是进行农作物长势监测与估产以及农业生态系统对气候变化响应等研究的重要工具,本研究借助MODIS植被指数产品,以东北叁省耕地为研究区域,针对非对称高斯函数拟合(AG)、双Logistic函数拟合(DL)和Savitzky-Golay滤波(SG)叁种常见的时序植被指数重构方法,从原始数据质量对时间序列植被指数重构的影响、不同重构方法对原始数据的保真性和基于不同重构方法的耕地生长季长度空间格局等方面进行了对比分析。首先对NDVI及其质量控制数据进行分析,探讨原始数据质量对时序植被指数重构的影响;然后选择若干随机抽样点,从定性和定量两个角度来评价不同方法对时序植被指数的重构效果;最后借助研究区的耕地物候特征,间接对不同的时序植被指数重构方法进行对比。结果表明,在东北叁省利用这叁种方法进行耕地时序植被指数重构时需要引入质量控制数据,AG拟合和DL拟合在该地区耕地时序植被指数重构时表现相似且比SG滤波更加适宜。(本文来源于《中国农业资源与区划》期刊2014年01期)

沙莎,郭铌,李耀辉,韩涛[10](2013)在《叁套NDVI长时间序列植被指数的对比——以玛曲为例》一文中研究指出NDVI/MODIS、NDVI/GIMMS和NDVI/NSMC是时间长度不同、空间分辨率相差甚远的3套NDVI数据集,如何集成应用这些不同时间长度、不同分辨率的数据进行相关研究,数据集间的比较是最基础的工作。本文以甘肃省甘南州玛曲县为例,用直方图、相关分析、趋势分析等方法研究了这3套NDVI产品数据集的相互关系。结果表明:1)NDVI/NSMC与NDVI/MODIS的直方图具有类似的图像分布特征,但是NDVI/MODIS数据分布范围更大;2)3套NDVI在数值上表现为NDVI/MODIS>NDVI/GIMMS>NDVI/NSMC;3)3套数据集空间图像特征一致,两两间均具有十分显着的空间相关性,其中1月份相对最弱,5、10月份最强,叁者相比NDVI/NSMC与NDVI/MODIS的空间相关性更强;4)1~3月、5~8月及年均的NDVI/GIMMS与NDVI/NSMC值存在显着的时间相关性,但两者逐年变化趋势存在较大差别,两者气候倾向率相差最大的高达5倍之多。NDVI/NSMC数据集在处理过程中可能未进行大气订正及交叉定标,这是造成共同源的NDVI/GIMMS与NDVI/NSMC差异较大的重要原因。(本文来源于《干旱气象》期刊2013年04期)

植被指数时间序列论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

黑龙江省作为农业大省,是我国重要的粮食输出基地,因其特殊的地理位置与独有的气候条件和土壤类型,旱灾、洪涝灾害、雹灾、风灾等各种农业灾害频繁发生。近几年,由于气候条件不断恶化,极端天气出现的情况越来越多,农业灾害发生率明显增高,对该省的农业发展产生了重大影响。洪涝灾害已成为黑龙江省发生最频繁的农业灾害之一,严重的洪涝灾害对耕地以及农作物有着极大的影响。因此,及时准确的对农业洪涝灾害进行监测并对黑龙江省农业洪涝灾害时空特征进行分析,不仅可以保障粮食安全,也可以为灾前预警、灾中监测、灾后救援以及灾损评估工作提供可靠的数据与理论支撑。传统的洪涝灾害监测方式主要基于野外调查与采样,会耗费大量人力与物力,且带有一定人为主观因素,对灾害信息的评估并不准确,获取的信息严重滞后。随着遥感技术的出现,使及时、准确的监测大范围灾害成为可能,更适用于农业灾害监测工作。本文选取黑龙江省叁个典型区域建叁江垦区、九叁垦区和大庆地区作为研究区,利用16天合成的250 m空间分辨率的MODIS植被指数数据,构建植被指数时间序列模型,基于植被指数时间序列变化规律确定灾害判别阈值,提取出农业灾害范围,并与高分辨率影像数据与地面实测数据以及保险公司上报数据进行提取结果验证,最后对于时间序列曲线进行生长期突变检测,提取出洪涝灾害范围,并分析黑龙江省2016年洪涝灾害时空格局特征及成因,主要研究结论如下:(1)基于植被指数时间序列提取的灾害范围精度较高。通过提取研究区内典型灾害所在区域经过SG滤波后的中值植被指数(归一化植被指数的中值)时间序列曲线,作为该区域农作物标准长势曲线,与实际长势曲线对比,构建植被指数时间序列灾害监测模型(S_(AUC)),选取10为最佳阈值,提取灾害范围,并对结果进行精度验证,在16次验证结果中,平均相对误差为13.26%,验证精度达到了86.74%,实用性较强,并将模型运用到黑龙江省的农业灾害监测中,与高分辨率影像灾害监测结果对比,提取精度达到81.4%,相似度较高,可以应用于大范围、长时间的农业灾害动态监测中。(2)基于植被指数时间序列的分析与判别,可以有效进行洪涝灾害监测。利用洪涝灾害与其他类型灾害在时间序列上的差异,发现农作物在受到洪涝灾害后在曲线上会有突变形态产生,依据对生长期的突变检测,提取出洪涝灾害信息,与上报的投保地块数据和高分辨率同期影像数据相比,提取精度达81.7%。在16个已知灾害中,提取出了所有涝灾,剩余非洪涝灾害类型有2个划分为洪涝灾害,正确率为87.5%,洪涝灾害提取精度较高,可以实际应用于农业洪涝灾害监测中。(3)黑龙江省洪涝灾害的时空分布特征受气象因素、地形因素、土壤因素影响。根据提取的2016年黑龙江省洪涝灾害范围,结果显示,黑龙江省2016年洪涝灾害主要发生在6月下旬,主要分布于佳木斯、鹤岗、双鸭山以及齐齐哈尔等城市,结合2016年气候数据以及土壤、地形数据,发现这叁个因素与洪涝灾害之间的相关性较高。结果表明,基于MODIS植被指数时间序列的农业灾害监测模型能够进行及时、有效的进行农业灾害监测,提取出受灾范围,根据得到的区域受灾信息可以进而得到大范围农业受灾信息。依据对植被指数时间序列生长期的突变检测,能够以较高的精度提取出洪涝灾害范围,具有适用性及实用性,可以作为洪涝灾害监测与灾情评估的依据之一,同时能够为黑龙江省气象部门提供洪涝灾害信息统计数据,为农业洪涝灾害预警提供更加科学、及时的信息。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

植被指数时间序列论文参考文献

[1].曾德裕,卢晓宁,黄玥,杨柳青,孟成真.离散Landsat归一化植被指数的时间序列融合构建[J].湖北农业科学.2019

[2].张展骞.基于植被指数时间序列的洪涝灾害遥感监测模型[D].东北农业大学.2019

[3].路中,雷国平,马泉来,郭晶鹏,王居午.基于重构的Landsat8时间序列数据和温度植被指数的区域旱情监测[J].水土保持研究.2018

[4].李新星.基于时间序列植被指数的水稻发育期提取和估产[D].浙江大学.2017

[5].胡文,刘焕军,张新乐,苏阳,臧红婷.基于MODIS植被指数时间序列的耕地范围提取——以黑龙江省为例[J].南方农业学报.2015

[6].刘寒,冯莉,朱榴骏,黄银友.环境星归一化植被指数时间序列滤波算法比较[J].遥感信息.2015

[7].Jing,WANG,Jing-feng,HUANG,Xiu-zhen,WANG,Meng-ting,JIN,Zhen,ZHOU.基于环境减灾卫星及Landsat-8卫星的植被指数时间序列的水稻物候期提取研究(英文)[J].JournalofZhejiangUniversity-ScienceB(Biomedicine&Biotechnology).2015

[8].汪业成.HJ卫星归一化植被指数时间序列的异常区段校正与物候期识别[D].南京大学.2014

[9].卫炜,吴文斌,李正国,杨鹏,胡琼.时间序列植被指数重构方法比对研究[J].中国农业资源与区划.2014

[10].沙莎,郭铌,李耀辉,韩涛.叁套NDVI长时间序列植被指数的对比——以玛曲为例[J].干旱气象.2013

转载请注明:阿里论文网 » 植被指数时间序列论文-曾德裕,卢晓宁,黄玥,杨柳青,孟成真

上一篇
下一篇

相关文章