利用普通数码相机估测松林叶面积指数与标准误

叶面积指数(LAI)与叶面积指数标准误(SEL)是植被的重要结构变量, 可为森林经营管理、开展病虫害防治检疫工作提供数据参考。针对条件复杂区域LAI与SEL测定仪法应用的限制性, 提出利用数码相机拍摄松林林冠图像, 经特征指数2G B计算图像叶覆盖度(用Cover表示)与叶覆盖度标准差(用Cover SD表示)两个指标, 构建LAI-Cover、SEL-Cover SD关系模型, 实现松林LAI与SEL的估测。利用福建省13个县(市)65组数据对该方法进行试验, 结果表明: Cover与LAI、Cover SD与SEL均呈极显著正相关关系, 可以用 LAI 3.095 5Cover=0.192 6e^3.0955cover 准确估测松林 LAI, 用 SEL = 1.105 9Cover SD ? 0.067 4 估测 SEL,, 两模型的R²分别为0.613 5、0.493 5, 估测精度达0.894 6、0.798 5。由此可见, 利用普通数码相机估测松林LAI与SEL具有较高的可行性与准确性, 可将该方法推广应用。     

基于多源无人机影像特征融合的冬小麦LAI估算

为探讨无人机多源影像特征融合估测作物叶面积指数的能力,该研究以冬小麦为研究对象,利用多旋翼无人机搭载高清数码相机和UHD185成像光谱仪获取研究区冬小麦关键生育期（扬花期、灌浆期）的可见光和高光谱影像。综合考虑可见光、高光谱影像特征与冬小麦叶面积指数的相关性及影像特征重要性进行特征筛选,然后,以可见光植被指数、纹理特征、可见光植被指数+纹理特征、高光谱波段、高光谱植被指数及高光谱波段+植被指数分别作为输入变量构建多元线性回归、支持向量回归和随机森林回归的叶面积指数估测模型（单传感器数据源）;以优选的两种影像特征结合支持向量回归、随机森林回归构建叶面积指数估测模型（两种传感器数据源）,比较分析单源与多源影像特征监测冬小麦叶面积指数的性能。进一步地,考虑到小区土壤空间异质性会影响冬小麦叶面积指数估测结果,该研究探讨了不同影像采样面积下基于单源遥感数据构建的小麦叶面积指数估测模型精度。研究结果表明：在扬花期和灌浆期,使用两种影像优选特征构建的随机森林回归估测模型精度最佳,验证集决定系数分别为0.733和0.929,均方根误差为0.193和0.118。可见光影像采样面积分别为30%和50%,高光谱影像采样面积为65%时,基于单源影像特征构建的随机森林回归估测模型在扬花期和灌浆期效果最好。综上,该研究结果可为无人机遥感监测作物生理参数提供有价值的依据和参考。     

Modeling leaf area index from litter collection and tree data in a deciduous broadleaf forest

Leaf area index (LAI) is an important index in ecological and meteorological studies. The litter trap method is commonly used to measure LAI in deciduous forests. To reduce the time consumed in sorting leaf litterfall by species in the litter trap method, we developed four models to predict LAI using litter traps and tree census data. The local dominance model, which estimates the leaf litterfall amount of each species by their local dominance, predicted mean and spatial variability of LAI most accurately compared to the 2 models that did not take into account spatial heterogeneity of species distribution within a forest or the model that estimated litterfall amount from leaf dispersal function. Therefore, this model can be employed instead of sorting leaf litter by species. Furthermore, we found that leaf mass per area (LMA) of at least 10 dominant species are essential for accurate estimation of LAI. Present results suggest that spatial variability of LAI is mainly due to spatial variance of leaf litterfall followed by spatial heterogeneity of species distribution within a forest, and difference in LMA among species.     

A review of applications of model–data fusion to studies of terrestrial carbon fluxes at different scales

Model–data fusion is defined as matching model prediction and observations by varying model parameters or states using statistical estimation. In this paper, we review the history of applications of various model–data fusion techniques in studies of terrestrial carbon fluxes in two approaches: top-down approaches that use measurements of global CO₂ concentration and sometimes other atmospheric constituents to infer carbon fluxes from the land surface, and bottom-up approaches that estimate carbon fluxes using process-based models. We consider applications of model–data fusion in flux estimation, parameter estimation, model error analysis, experimental design and forecasting. Significant progress has been made by systematically studying the discrepancies between the predictions by different models and observations. As a result, some major controversies in global carbon cycle studies have been resolved, robust estimates of continental and global carbon fluxes over the last two decades have been obtained, and major deficiencies in the atmospheric models for tracer transport have been identified. In the bottom-up approaches, various optimization techniques have been used for a range of process-based models. Model–data fusion techniques have been successfully used to improve model predictions, and quantify the information content of carbon flux measurements and identify what other measurements are needed to further constrain model predictions. However, we found that very few studies in both top-down and bottom-up approaches have quantified the errors in the observations, model parameters and model structure systematically and consistently. We therefore suggest that future research will focus on developing an integrated Bayesian framework to study both model and measurement errors systematically.     

基于人工神经网络方法的冬小麦叶面积指数反演

实践中,大尺度上测量叶面积指数（LAI）很难实现,利用遥感技术进行LAI的定量反演成为当前研究的重点。该文应用MODIS地表反射率数据反演冬小麦叶面积指数,假设MODIS像元由作物和土壤混合,建立了SAILH模型与裸土反射率组成的线性光谱混合模型,基于人工神经网络的方法进行LAI反演,获得了北京顺义冬小麦种植区在2001年4月1个时间序列的LAI。研究表明,此方法能够较好的获取大区域尺度上的LAI,对冬小麦长势监测具有重要意义。     

华北平原冬小麦相对蒸散与叶面积指数及表层土壤含水量的关系

冬小麦相对蒸散(农田蒸散量ET与自由水面蒸发量ET_0之比)表征冬小麦受土壤水分和作物生长状况制约下的耗水规律。冬小麦生长季利用大型蒸渗仪测定农田蒸散,用E601型水面蒸发器测定水面蒸发,并用平行观测方法测定叶面积指数,分析冬小麦相对蒸散与叶面积指数和表层土壤含水量的关系,并建立了冬小麦返青～收获期相对蒸散与叶面积指数和0～60cm表层土壤含水量的经验公式为。在田间条件下由RE和ET_0推算出小麦耗水量ET,并可用于冬小麦适时、适量灌溉管理。     

北方地区叶面积指数变化对蒸散和产水量的影响

越来越多的证据表明伴随植树造林/再造林等工程实施,我国北方地区叶面积指数(LAI)近年来变化明显。但有关植树造林等引起的LAI变化对水循环的影响仍存在争议。本研究利用卫星遥感LAI数据和生态过程模型(BEPS)评价了2000—2014年北方地区LAI变化对蒸散和产水量的影响。首先评价了北方地区LAI的变化趋势;在此基础上采用"去趋势"法去除LAI变化趋势而仅保留其年际变化;而后分别基于原始和去趋势后LAI序列驱动BEPS模拟北方地区蒸散;最后基于两种情景比较分析LAI变化对蒸散和产水量的影响。结果表明,北方地区LAI发生显著变化的地区占北方地区面积的20.2%,其中LAI显著升高和显著降低地区面积分别占18.8%和5.5%。在像元尺度上,LAI升高会促进蒸散并降低产水量,LAI降低则相反。在区域尺度上,LAI升高分别对蒸散和产水量产生了显著的正负效应;LAI变化对水循环影响取决于研究区覆盖范围和研究区内LAI升高和降低的比例。考虑到LAI升高对产水量可能产生的负效应和北方地区的缺水危机,未来植树造林活动或许应该考虑更多集中于南方地区。     

基于氮素效应的烤烟叶面积指数动态模拟

为明确不同施氮水平下烤烟群体叶面积指数的动态特征以及其与活动积温的关系,本研究以‘豫烟12’、‘秦烟96’、‘云烟87’为供试材料,设4个施氮水平,分别为N0(0 kg·hm~(-2))、N1(30 kg·hm~(-2))、N2(60 kg·hm~(-2))、N3(90 kg·hm~(-2)),测定分析不同积温下烤烟群体叶面积指数及其动态特征,利用Curve Expert 1.40软件模拟并通过极限值法筛选建立了归一化积温模型,为烤烟群体光合结构的改善提供一定的理论依据。结果表明:1)烤烟群体叶面积指数随移栽后活动积温呈偏度0的单峰曲线变化,而随着施氮水平的增加呈现增加趋势,相同施氮水平下烤烟群体叶面积指数峰值大小表现为‘秦烟96’‘云烟87’‘豫烟12’。2)有理函数模型y=(a+bx)/(1+cx+dx2)具有较好的模拟效果和生物学意义,能够很好地模拟烤烟群体相对叶面积指数随相对活动积温的变化,决定系数为0.980 7**;利用2015年试验数据对模型进行检验,模拟准确度(k)均大于0.958,精确度(R2)均大于0.95,均方根误差RMSE均小于6.04%。3)模型参数在某些品种和施氮水平之间表现出显著差异性,品种和施氮量主要通过调节模型参数b、c、d实现对整个模拟模型的调节。4)烤烟群体相对叶面积指数变化速率曲线呈"N"型变化,反映了烤烟群体叶面积指数的实际变化趋势。5)施氮量对模型次级参数具有调节作用,随着施氮量增加烤烟群体平均叶面积指数、叶面积指数最大值呈增加趋势,可作为烤烟群体叶面积指数氮素调节的重要参考指标。该模型的建立可以为烤烟群体发育动态监测以及烤烟群体叶片光合特性的提升提供理论依据和决策支持。     

基于偏角光谱检索算法的油菜和水稻LAI反演研究

叶面积指数(LAI)是评价植被长势及产量预测的重要指标,对其进行精准快速估测有助于植被的生长状态诊断和管理。本研究以不同施氮水平、不同栽种方式下的油菜和不同品种水稻为试验对象,基于冠层高光谱曲线形态,引入偏角光谱检索算法(DABSR)提取光谱偏角,同时采用植被指数法和主成分分析法进行对比分析,探索适用于水稻、油菜LAI估算的统一模型构建方法。研究结果表明,估算油菜LAI时,DABSR反演精度较高,预测R~2、RMSEP分别为0.74、0.47,偏移量MNB为0.16;主成分分析法反演精度次之,预测R~2、RMSEP、MNB分别为0.73、0.48、-0.04;而植被指数法受不同生育期油菜株型、覆盖度影响反演精度普遍较低,精度较高模型的预测R~2、RMSEP、MNB分别为0.61、0.57、0.17。在估算水稻LAI时,DABSR反演精度最优,预测R~2、RMSEP、MNB可达0.70、0.80、0.05。综合考虑模型的验证精度、特征选择的合理性以及模型计算效率,DABSR偏角光谱检索法估算油菜和水稻LAI具有较高精度,且受施肥水平、栽种方式、生长期等因素影响较小,为构建精确的植被LAI统一估算模型提供了新思路。     

不同时空分辨率遥感数据融合估算冬小麦叶面积指数

高时空分辨率叶面积指数(leaf area index,LAI)数据能反映作物的长势动态变化,为作物长势评估和产量预测提供有效的生长指标依据。该文综合利用混合像元线性分解与数据同化算法,以高空间分辨率SPOT-5数据反演的LAI修正高时间分辨率HJ-CCD数据反演的LAI序列,生成了覆盖冬小麦主要生育期的高空间分辨率LAI序列,并结合SPOT-5反演的LAI和实测LAI值分析了像元纯度、高空间分辨率遥感数据同化景数对融合效果的影响。结果表明,采用数据融合方法生成的LAI与检验LAI具有较高的一致性,但像元纯度对融合效果影响较大;基于2景SPOT-5影像能够提高LAI序列估测精度,且优于基于1景SPOT-5影像的融合效果。该研究结果可为冬小麦生长监测提供技术支撑。     

基于无人机遥感影像的大豆叶面积指数反演研究

作物叶面积指数的遥感反演是农业定量遥感研究热点之一,利用无人机遥感监测系统获取农作物光谱信息精确反演叶面积指数对精准农业生产与管理意义重大。本研究以山东省嘉祥县一带的大豆种植区为试验区,设计以多旋翼无人机为平台同步搭载Canon Power Shot G16数码相机和ADC-Lite多光谱传感器组成的无人机农情监测系统开展试验,分别获取大豆结荚期和鼓粒期的遥感影像。使用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合田间同步实测叶面积指数(leaf area index,LAI)数据,采用经验模型法分别构建了单变量和多变量LAI反演模型,通过决定系数(R2)、均方根误差(RMSE)和估测精度(EA)3个指标筛选出最佳模型。研究表明,有选择性地分时期进行农作物的叶面积指数反演是必要的,鼓粒期作为2个生育期中大豆LAI反演的最佳时期,其NDVI线性回归模型对大豆LAI的解释能力最强,R2=0.829,RMSE=0.301,反演大豆LAI最准确,EA=85.4%,生成的鼓粒期大豆LAI分布图反映了当地当时大豆真实长势情况。因此,以多旋翼无人机为平台同步搭载高清数码相机和多光谱传感器组成的无人机农情监测系统对研究大豆叶面积指数反演是可行性,可作为指导精准农业研究的一种新方法。     

油菜红边特征及其叶面积指数的高光谱估算模型

在2003～2004年油菜生长季,选用6个油菜品种,设置3个氮素水平的小区试验。在不同发育期同步测定油菜冠层的光谱反射率及对应叶片的叶面积指数。利用油菜冠层的光谱反射率数据提取红边参数,分析其变化规律,油菜叶面积指数与红边参数的相关性,估算结果表明：油菜冠层红边一阶导数光谱具有“双峰” 现象,红边位置λ_red位于690～720 nm之间,在油菜生长旺盛期间出现“红边平台”,前期有“红移”,后期有“蓝移”现象;叶面积指数与冠层光谱红边参数λ_red、Dλ_red、S_red之间在开花前存在显著相关,但开花后相关性不显著;利用开花前的红边参数可以估算油菜的叶面积指数,开花后的红边参数不能用于估算油菜的叶面积指数;最后建立了不同时期和开花前油菜叶面积指数的估算模型。     

基于支持向量机回归的冬小麦叶面积指数遥感反演

利用单一植被指数反演叶面积指数(LAI)时,存在不同程度的饱和性且每种指数只能包含部分波段的信息,该文提出利用支持向量机回归的方法进行叶面积指数的反演,可以用更多的波段信息作为输入参数以提高LAI反演精度。选取冬小麦起身期、拔节期和灌浆期的实测光谱和叶面积指数数据,用统计回归的方法分别建立NDVI-LAI和RVI-LAI模型,用支持向量机回归(SVR)方法分别建立以NDVI、RVI以及蓝、绿、红和近红外4个波段数据作为输入参数的回归预测模型,即NDVI-SVR、RVI-SVR和NRGB-SVR模型。上述5个模型分别利用对应时期的环境星HJ-CCD数据进行验证。结果表明:NDVI和RVI与叶面积指数(LAI)的回归模型预测的结果与实测值的RMSE分别为0.98与0.97;预测精度分别为59.2%与59.3%。以NDVI和RVI结合实测叶面积指数(LAI)训练并预测的结果与实测值的均方根误差RMSE分别为0.71与0.83预测精度分别为70.4%与67.1%。以蓝(B)、绿(G)、红(R)以及近红外(NIR)波段作为输入参数回归并预测的RMSE值为0.42,预测精度为81.7%。通过支持向量机回归预测具有更好的拟合效果,可以输入更多波段信息,提高了叶面积遥感反演精度,对冬小麦的多个生育期均具有较好的适用性。     

Key variable for simulating critical nitrogen dilution curve of wheat: Leaf area ratio-driven approach

Nitrogen (N) dilution curves, a pivotal tool for N nutrition diagnosis, have been developed using different winter wheat (Triticum aestivum L.) tissues. However, few studies have attempted to establish critical nitrogen (N_c) dilution curves based on the leaf area ratio (LAR) to improve the monitoring accuracy of N status. In this study, three field experiments using eight N treatments and four wheat varieties were conducted in Jiangsu Province of China from 2013 to 2016. The empirical relationship of LAR with shoot biomass (expressed as dry matter) was developed under different N conditions. The results showed that LAR was a reliable index, which reduced the effects of wheat varieties and years compared with the traditional indicators. The N nutrition index (NNI) based on the LAR approach (NNI-LAR) produced equivalent results to that based on shoot biomass. Moreover, the NNI-LAR better predicted accumulated N deficit and best estimated the relative yield compared with the other two indicator-based NNI models. Therefore, the LAR-based approach improved the prediction accuracy of N_c, accumulated N deficit, and relative yield, and it would be an optimal choice to conveniently diagnose the N status of winter wheat under field conditions.     

基于赤池信息量准则的冬小麦叶面积指数高光谱估测

冬小麦叶面积指数(leaf area index,LAI)是描述冠层结构的重要参数之一,对评价其长势和预测产量具有重要意义。该文利用灰色关联分析(grey relational analysis,GRA)对植被指数进行排序,用偏最小二乘法(partial least squares regression,PLS)选择不同的植被指数个数作为自变量进行回归建模,通过赤池信息量准则(Akaike’s information criterion,AIC)选择AIC值最小的模型作为冬小麦LAI最优估算模型,即GRA、PLS和AIC 3种方法整合建立冬小麦LAI最优估算模型。使用2008-2009年在中国北京通州区和顺义区获取的整个生育期冬小麦LAI和配套的光谱数据进行建模,利用2009-2010相关数据进行验证。研究表明:采用GRA评价标准与冬小麦LAI关联度最大的植被指数是VOG1,关联度最小的植被指数是SR;通过AIC建立的以8个植被指数作为自变量的冬小麦LAI模型效果最优,建模集的决定系数R2和标准误SE分别为0.76和0.009,验证集的R2和相对均方根误差RRMSE分别为0.63和0.004,预测模型和验证模型均具有较高的精度和可靠性。结果表明采用GRA-PLS-AIC方法进行冬小麦LAI反演是可行的,为提高冬小麦LAI遥感预测精度提供了一种有效的方法。     

冬小麦叶面积指数高光谱遥感反演方法对比

冬小麦叶面积指数(LAI,leafarea index)是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数(R2)为0.990、均方根误差(RMSE)为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。     

Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing

冬小麦叶面积指数（LAI, leaf area index）是评价其长势和预测产量的重要农学参数,高光谱遥感能够实现快速无损地监测叶面积指数。该文旨在将田间监测与高光谱遥感相结合,探索研究不同冬小麦叶面积指数高光谱反演方法的模拟精度及适应性。针对国际上普遍应用的2种高光谱遥感反演LAI模型方法,即回归分析法和BP神经网络法,在介绍2种LAI反演模型的基础上,选择位于黄淮海平原的山东省济南市长清区为研究区域,通过ASD地物光谱仪和SunScan冠层分析系统对冬小麦的冠层光谱及LAI变化进行田间观测,然后利用回归分析法和BP神经网络法构建冬小麦LAI反演模型,将模型估算LAI值和田间观测LAI值进行比对,分析评价2种方法的反演精度。结果表明,BP神经网络法较回归分析法估算冬小麦LAI的精度有较大提高,检验方程的决定系数（R2）为0.990、均方根误差（RMSE）为0.105。利用BP神经网络法构建反演模型能较好的对冬小麦LAI进行反演。研究结果可为不同冬小麦长势遥感监测提供理论和技术上的支持,并为大尺度传感器监测冬小麦长势和估产提供参考。     

基于混合像元分解模型的森林叶面积指数反演

在叶面积指数（LAI）遥感估算中,常用的基于统计的遥感反演方法难以处理"同物异谱,同谱异物"的难题,该文从研究地物组分物理结构着手,采用像元分解的方法建立LAI的遥感反演模型,不仅能很好的解决这个难题,而且反演方法简便可行、具有普适性。该研究先对TM数据做最小噪声分离（MNF）并基于影像本身选择端元,经混合像元分解得到研究区植被覆盖度,再根据植被覆盖度与LAI的关系,用多次散射过程冠层模型求解迭代的方法逐步逼近准确的LAI值。最终选择植被、土壤、水体和水泥建筑4个端元,采用非限制性线性混合像元分解模型来分解影像,4个端元分解影像的平均误差为0.0028,端元质量好,分解效果较好。结果证明：混合像元分解模型和多次散射过程冠层模型相结合来反演森林叶面积指数的方法,能很好的预测森林LAI;研究区样点实测值与预测值的拟合度R2为0.8219,均方根误差RMSE为0.368,两者存在很强的相关性。该研究可为森林资源遥感定量估算提供技术支撑,为森林资源空间配置的优化调整与辅助解决方案的提出提供参考。     

基于夏玉米冠层内辐射分布的不同层叶面积指数模拟

为了模拟夏玉米冠层内各层叶面积指数垂直分布,光合有效辐射（photosynthetically active radiation, PAR）是研究作物群体光合作用和长势的重要特征参数,阐明冠层内PAR的垂直分布规律与冠层结构等参数之间的相关关系,可为遥感定量反演冠层结构参数提供模型基础。该文基于PAR在冠层内的辐射传输规律结合冠层结构模拟不同太阳高度角的PAR透过率垂直分布模型,并用地面冠层分析仪测量值进行验证,结果表明模型对封垄前玉米抽雄期冠层内PAR透过率垂直分布模拟精度较高。通过不同太阳高度角PAR透过率的垂直分布模型结合消光系数运用不同算法分别反演层叶面积指数（leaf area index, LAI）,并与不同高度层LAI实测值进行比较。结果显示：Bonhomme& Chartier算法反演不同高度层LAI精度较高,上层均方根误差（root mean square error,RMSE）为0.18,中层RMSE为0.55,下层RMSE为0.09。不同太阳高度角反演结果存在差异,30°和45°高度角均能较好地反演下层LAI,RMSE分别为0.11与0.09;30°高度角反演中层LAI精度较高,RMSE为0.30;45°高度角反演上层LAI精度较高,RMSE为0.18。结果表明基于不同太阳高度角构建的层LAI反演模型更适于实现夏玉米不同高度层LAI的遥感估算。该研究可为模拟垄行结构冠层内LAI垂直分布提供参考。     

A Bayesian framework for model calibration, comparison and analysis: Application to four models for the biogeochemistry of a Norway spruce forest

Four different parameter-rich process-based models of forest biogeochemistry were analysed in a Bayesian framework consisting of three operations: (1) Model calibration, (2) Model comparison, (3) Analysis of model-data mismatch.Data were available for four output variables common to the models: soil water content and emissions of N₂O, NO and CO₂. All datasets consisted of time series of daily measurements. Monthly averages and quantiles of the annual frequency distributions of daily emission rates were calculated for comparison with equivalent model outputs. This use of the data at model-appropriate temporal scale, together with the choice of heavy-tailed likelihood functions that accounted for data uncertainty through random and systematic errors, helped prevent asymptotic collapse of the parameter distributions in the calibration.Model behaviour and how it was affected by calibration was analysed by quantifying the normalised RMSE and r² for the different output variables, and by decomposition of the MSE into contributions from bias, phase shift and variance error. The simplest model, BASFOR, seemed to underestimate the temporal variance of nitrogenous emissions even after calibration. The model of intermediate complexity, DAYCENT, simulated the time series well but with large phase shift. COUP and MoBiLE-DNDC were able to remove most bias through calibration.The Bayesian framework was shown to be effective in improving the parameterisation of the models, quantifying the uncertainties in parameters and outputs, and evaluating the different models. The analysis showed that there remain patterns in the data - in particular infrequent events of very high nitrogenous emission rate - that are unexplained by any of the selected forest models and that this is unlikely to be due to incorrect model parameterisation.