基于方向反射率的大尺度叶面积指数反演算法及其验证
基于反射光谱技术的植物叶面积指数提取方法研究

基于反射光谱技术的植物叶面积指数提取方法研究植物叶面积指数,简称LAI,是描述植物叶片覆盖面积的指标。
它是衡量植被覆盖和生长状况的重要参数之一,对于农业、林业、生态环境等领域都有着重要的意义。
LAI的测量方法有许多种,如直接法、间接法、模型法等。
其中,反射光谱技术作为一种快速、无损、可操作性强的方法,受到了广泛关注。
一、反射光谱技术的原理反射光谱技术是利用植被反射的太阳辐射能,通过反射光谱仪等仪器进行测量和分析。
太阳辐射能中含有可见光、红外线等波段的光谱信息。
当太阳辐射能照射在植被上时,植被吸收和反射的光谱信息会随植被的叶绿素、水分、叶面积等因素而发生变化,这些变化可以通过反射光谱仪进行反映和分析。
二、反射光谱技术在LAI测量中的应用反射光谱技术在LAI测量中的应用主要是通过分析植被反射光谱信息提取LAI指标。
通常采用的方法是将可见光波段和近红外波段反射率之比,即NDVI (Normalized Difference Vegetation Index)作为LAI的估算指标。
NDVI的公式为:(NIR-VIS)/(NIR+VIS),其中NIR为近红外波段反射率,VIS为可见光反射率。
NDVI的取值范围为-1至1,通常情况下,NDVI值越高,表示植被覆盖越好,LAI值也会随之增加。
三、反射光谱技术在不同植被类型中的应用差异反射光谱技术在不同植被类型中的应用存在着一定的差异。
不同的植被类型具有不同的反射光谱特性,这些特性直接影响着NDVI与LAI之间的关系。
例如,草地等低植被覆盖场景下,NDVI值与LAI值之间的相关性并不强,需要结合其他因素进行综合分析。
而森林等高植被覆盖场景下,NDVI与LAI之间的相关性较强,能够较为准确地估算出LAI值。
四、反射光谱技术在LAI测量中存在的问题反射光谱技术在LAI测量中存在着一些问题,这些问题主要来自于NDVI指标的局限性。
首先,NDVI只能反映植被覆盖的情况,无法直接反映植被密度和叶面积等参数。
植被物理遥感反演叶面积指数(lai)的基本原理

植被物理遥感是使用遥感手段对地球表面植被进行观测和研究的一门科学。
而植被的生长状态对于环境和气候变化有着重要的影响,因此研究植被的生长状态是遥感科学的重要内容之一。
而植被叶面积指数(L本人)作为一个重要的生长状态指标,在植被生长研究中有着重要的作用。
本文将从植被物理遥感的基本原理出发,结合L本人的意义和遥感技术的方法,对植被叶面积指数的反演进行详细介绍。
一、植被物理遥感的基本原理植被物理遥感是利用电磁波在地球大气和植被上的相互作用特性,通过遥感手段来获得植被信息的一种研究方法。
它主要基于以下几个基本原理:1. 光谱特征:植被反射和吸收不同波长的电磁波具有不同的特征,通过对这些特征的分析可以获取植被的信息。
2. 辐射传输:植被对不同波段的光有着不同的透过、反射和散射特性,通过对辐射传输的研究可以了解植被在不同波段下的特性。
3. 植被生理过程:植物的生长状况和生理过程与其在不同波段上的反射、吸收等特性存在相关性,通过对植被生理过程的研究可以推断植被在遥感数据中的表现。
以上基本原理为植被物理遥感的开展提供了理论基础,并为植被信息的提取和解释奠定了基础。
二、叶面积指数(L本人)的意义叶面积指数(Leaf Area Index,简称L本人)是指植被表面单位面积上叶片的总表面积与该单位面积的比值。
L本人的大小反映了植被的生物量、生长状态和生态功能,同时也是评价植被覆盖度和光能利用效率的重要参数。
1. 生物量:L本人与植被的生物量密切相关,L本人较高表示植被的叶面积较大,通常意味着植被覆盖度较高,生物量也较高。
2. 生态功能:L本人反映了植被的光合作用能力和蒸腾作用强弱,对于了解植被的生态功能和生态系统的健康状况有着重要的指导意义。
3. 环境变化:L本人的变化对于环境变化和气候变化有着一定的响应,通过监测L本人的变化可以了解植被对环境变化的响应和适应能力。
由于L本人在植被研究和生态环境监测中的重要作用,因此通过遥感手段反演L本人成为了研究的重要课题之一。
叶面积指数遥感反演模型与算法研究

叶面积指数遥感反演模型与算法研究近年来,随着遥感技术的发展和应用广泛,叶面积指数(Leaf Area Index,简称LAI)的遥感反演成为植被研究领域的重要课题之一。
LAI是描述植被叶片分布密度和叶片面积的指标,对于了解植被生长状态、生态环境监测以及农作物生产等方面具有重要的意义。
LAI反演的研究方法主要包括基于光谱反射信息的方法和基于光密度曲线的方法。
其中,基于光谱反射信息的方法是目前应用较多的一种方法,通过遥感数据获取植被光谱特征,进而建立LAI与光谱拟合曲线之间的关系。
这类方法的优势在于遥感数据获取相对容易,可以实现大范围和高时间分辨率的观测。
然而,由于植被光谱信息的受限以及大尺度观测中存在的光谱混合效应,该方法常常存在精度较低的问题。
为提高LAI反演的精度和准确性,研究人员提出了一系列的反演模型和算法。
例如,基于遥感数据的全谱反演模型在LAI反演中取得了很好的效果。
全谱反演模型利用不同波段的遥感数据,建立LAI与多波段反射率之间的数学关系,通过回归分析等方法得到LAI的估计值。
此外,还有基于机器学习算法的LAI反演模型,如支持向量机(Support Vector Machine,简称SVM)和随机森林(Random Forest)等算法。
除了基于光谱信息的反演方法外,还有一些基于结构参数和水分信息的反演模型。
这些模型通过获取植被结构参数的遥感数据,建立LAI与植被结构参数之间的关系,从而实现LAI的反演。
同时,一些结合物理模型的反演方法也被广泛应用于LAI反演研究中。
例如,利用射线传输理论,通过估计叶片表面饱和度和角度因子等参数,建立LAI与这些参数之间的联系,可以实现LAI的反演。
此外,还有一些新兴的技术和方法在LAI反演中得到了应用。
例如,基于人工智能的深度学习算法可以通过耦合遥感数据和地理数据,利用深度神经网络等方法进行LAI反演,具有较高的精度和准确性。
此外,时间序列的遥感数据分析方法也被广泛应用于LAI反演研究中,通过分析植被的时空动态变化,可以得到LAI的时序变化规律。
高光谱反演叶面积指数 影响因素

高光谱反演叶面积指数影响因素摘要:叶面积指数是一种重要的植物生长参数,可以反映植物叶片在单位地面积上的叶片面积。
为了更好地监测和管理农作物生长状况,采用高光谱成像技术反演叶面积指数,已成为研究热点。
本文主要对高光谱反演叶面积指数的影响因素进行了探讨,并提出了相应的对策和建议。
引言高光谱成像技术是一种有效的反演叶面积指数的方法。
它基于高光谱数据的分析和处理技术,可以快速准确地获取植物的光谱信息,从而实现对叶面积指数的反演。
本文将从高光谱反演叶面积指数的影响因素出发,分析它们的影响因素和反演方法,并提出相应的建议。
1.植被生长状况植被生长状况是影响高光谱反演叶面积指数的最主要因素之一。
由于植被生长的不同阶段具有不同的光谱反射性质和叶面积指数,因此需要在不同的生长阶段对植被进行监测和反演。
2.大气影响大气对高光谱数据的传输和反演是产生误差的主要因素之一。
大气中的水汽、氧气、二氧化碳等气体对光谱的吸收和反射会产生干扰,影响反演结果的准确性。
3.地表覆盖材料地表覆盖材料的类型和构成也是影响高光谱反演叶面积指数的重要因素之一。
不同的地表材料对光谱的吸收和反射作出不同的响应,因此需要对地表材料进行分类,以便更好地反演叶面积指数。
4.遥感数据处理方法高光谱数据的处理方法也是影响叶面积指数反演精度的一个因素。
其中主要有光谱强度校正、空间校正和数据预处理等处理方法。
合理运用这些方法可以有效地提高反演准确性和精度。
1.常规的基于光谱反演方法通过高光谱数据和叶面积指数的关系建立光谱反演的模型,进行对叶面积指数的反演。
2.机器学习方法机器学习是一种使用计算机算法,通过分析大量数据来预测未来发展趋势的方法。
机器学习模型包括支持向量机、随机森林、神经网络等,这些模型可以有效地提高反演结果的准确性。
对策和建议1.充分考虑植被生长因素,对不同阶段的植被进行监测和反演。
2.合理选择高光谱数据处理方法,避免由数据处理带来的误差和干扰。
基于高光谱遥感农作物叶面积指数反演方法比较论文

基于高光谱遥感的农作物叶面积指数反演方法的分析与比较摘要:高光谱遥感技术作为反演农作物叶面积指数(lai)的一个有力工具,近几年来已经越来越被国内外学者所重视。
本文比较系统地总结了利用高光谱遥感反演lai值的一般方法,即包括试验田建立、光谱数据采集、lai值测定、hvi值计算、反演模型的生成五个步骤。
总结出了一些常见农作物的最佳的lai值定量反演模型,便于今后相关研究时查阅。
关键词:高光谱遥感;叶面积指数(lai);反演模型abstract: high spectrum remote sensing technology as the inversion of crop leaf area index ( lai ) are a powerful tool, in recent years it has been pay more and more attention of both domestic and foreign scholars. the paper systematically summed up the use of hyperspectral remote sensing inversion of lai value general methods, including experimental field establishment, data acquisition, lai value, hvi value calculation, determination of inversion model is generated in five steps. summarizes some common crop optimal lai value quantitative inversion model for future related research, consulting.key words: remote sensing; leaf area index (lai); inversion model中图分类号:s127文献标识码:a 文章编号:引言遥感技术是指远距离、在不直接接触目标物体情况下,通过接收目标物体反射或辐射的电磁波,探测地物波谱信息,并获取目标地物的光谱数据与图像,从而实现对地物的定位、定性或定量的描述。
基于环境卫星数据的森林叶面积指数遥感反演与验证——以大兴安岭

t h a t t h e a c c u r a c y o f L A I r e t r i e v e d m o d e l b a s e d S i m p l e R a t i o( S R)w a s t h e h i g h e s t w i t h a n R — s q u a r e o f 0 . 6 0 6 a n d R MS E o f
a c a s e s t u d y / / L I U Z h e n b o , Z H A N G L i l i , G E Y u i a n , G U Z h u j u n
Ab s t r a c t : I n t h i s s t u d y , f o r e s t l e a f a r e a i n d e x( L A I )w a s m a p p e d u s i n g I AI r e t r i e v e d m o d e l b a s e d O i l r e m o t e s e n s i n g f o r e s t
森 赫 经 目 与 保 护
d o i : 1 0 . 1 3 3 6 0 / j . i s s n . 1 0 0 0 - 8 1 0 1 . 2 0 1 5 . 0 4 . 0 3 1 中图分类号 : r P 7 9
基 于 环 境 卫 星 数 据 的 森 林 叶 面 积 指 数 遥 感 反 演 与 验 证
以大 兴安岭 加 格 达奇林 区为例
刘振 波 , 张 丽丽 , 葛 云健 , 顾祝 军
( 1 . 南京信息工程大学气象灾害省部共建教育部重点实验室 , 南京信息工程大学地理与遥感学院 ,
南京 2 1 0 0 4 4 ; 2 . 南京晓庄学院生物化工与环境工程学院)
基于prosail模型并在冠层覆盖度参与优化下作物叶面积指数反演方法

基于ProSAIL模型的作物叶面积指数反演方法一、引言作物叶面积指数(Leaf Area Index, LAI)是衡量作物生长状态和生产力的重要指标之一。
准确地估计作物的叶面积指数对于作物生长监测、农业管理和粮食生产预测具有重要意义。
然而,传统的基于实地测量或遥感数据分析的LAI估算方法存在成本高、工作量大和时间耗费长等问题。
为了克服这些问题,基于反射率模型的LAI估算方法被广泛研究和应用。
本文将探讨基于ProSAIL模型并在冠层覆盖度参与优化下的作物叶面积指数反演方法。
二、ProSAIL模型基本原理ProSAIL模型是植被反射率模型的一种,它基于能量守恒和光传输原理模拟植被光谱响应。
该模型考虑了植被结构对光的吸收、散射和透射的影响,可以通过输入植被参数如叶面积指数、叶片角度分布和冠层覆盖度等来模拟不同植被类型的光谱响应。
三、冠层覆盖度参与优化的作物LAI反演3.1 数据采集和处理进行作物LAI反演需要获取多光谱遥感数据,如Landsat、MODIS等。
同时,还需要获取作物生长期间的实地LAI观测数据作为参考。
将遥感数据进行预处理,包括大气校正、几何校正和辐射校正等。
3.2 ProSAIL模型参数化ProSAIL模型的参数化是指根据实地观测数据或遥感数据来确定模型的输入参数,如叶面积指数、叶片角度分布和冠层覆盖度等。
通过对接触到的光的比例和各种辐射的比例进行测量与建模,可以获取作物的生物物理参数。
3.3 冠层覆盖度的优化传统的作物LAI反演方法往往忽略了冠层覆盖度的影响,将其视为一个固定的参数。
然而,作物的生长过程中,冠层覆盖度会发生变化,对LAI的估计产生影响。
因此,本方法引入冠层覆盖度作为优化参数,使用优化算法对LAI进行反演。
3.4 优化算法冠层覆盖度的优化可以使用多种优化算法,如遗传算法、粒子群算法等。
这些算法可以通过迭代计算,不断优化冠层覆盖度参数,使得ProSAIL模型得到的光谱响应与实际观测数据拟合最优。
无人机多光谱数据反演叶面积指数方法研究

对本文的可见光和近红外波段几乎没有影响,所以本
文中的这些参数取固定值;叶面积指数 LAI 和观测角
Oza 的变化对光谱曲线的影响很大,从而可以利用此模
型进行 LAI 的定量反演。
2.1.2
模型反演
玉米属于水平型比较均一的植被,所以本文采用
PROSAIL 模型进行叶面积指数的反演。简单来说,本
文利用无人机获取的多光谱影像,以玉米为研究对
便、快捷、实时性强的特点,使得利用航空遥感进行
叶面指数反演得到了迅猛发展,如 Berni
[1-2]
利用航拍数
象,利用顾及敏感性分析的 prosail 模型和统计模型进
行玉米叶面积指数反演的研究,为无人机作为植被评估
据联合叶子水平辐射传输模型 (PROSPECT),灌顶盖
area index inversion from UAV multi-spectral images. The inversion results show that R2 of PROSAIL model is 0.79, and R2 of GNDVI model
is 0.82.The experiment shows that UAV multi-spectral images can be used to invert corn leaf area index, and the effect is good.
(1. Henan Water Survey Co., LTD, University, Zhengzhou 450003, China)
Abstract: Taking corn in the Qingdao area as research object, we used PROSAIL model and vegetation index model to study the method of leaf
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
4 N从快速变 化 到 平 稳 变 化 的 过 渡 点 值! 并 不 等 同 于 最 大 /6 4 N! 因 为 植 被 达 到 全 覆 盖 时 ! 由 于 多
次 散 射 的 影 响 !/6 4 N 仍 会 缓 慢 增 加!全 植 被 覆 盖 的 /6 4 N 值 大 概 相 当 于 叶 面 积 指 数 为 +’% 时 的
*$"
/ $ % D * D * #
!! 算法基本原理
[ " N 可以表示为叶面积密 度/ 与 冠 层 高 度\ 的 乘积 !
其 中 M 为测量 中采 用的天 顶角数 ! 于权重系 数 ! ?为 测量中采用的方位角数 ! $取每个环 中透过 " 0 3 D" & D *$ " 率对数的空间平均值 ! $不取平均透过 率的 D" 0 3 & D *$ 对数 ! 主要因 为 当 冠 层 中 存 在 叶 面 积 密 度 不 同 的 均 匀区时 ! 对这 些 区 域 透 过 率 取 平 均 会 低 估 叶 面 积 指
M
0
$ " *
光线路径长度与天顶角的关系为 / " 8" 8 9 < & & $\ D$ D$! 根据 / 与\ 得到[ " N 的表达式为 " $ %
[ " N $’$
" $ D" 3 8 9 < / 3 &$ &< &? &! 00
D D D D #
/ $ %
$ " ’
对于多角度观测& ! !M 采用上式 的离散 * $ "!! D *! 近似 ! 叶面积指数可以采用如下形式计算 !
# # % & # ! & $ # 收稿 !$ # # % & " # & " ( 收修改稿 !$ 批准号 # $ % 中加合作 Q 批准号 #> 资助项目 ! $ * # + # " # + * * # $ ! " # ( " W K O 和国家重点基础研究发展规划" $ # # # # ! ! ) # # ! " 国家自然科学基金" # & . / 0 B . 3 < J J < 8 7 8 . 7 9 D 7 8 3 !, !3 E E
&( / 先固 定 ! 例 如 在 VS K W = V W = P 算 法 中 $ !所 有 冠 层被分为 ’ 类 7对于每一类 ! 一些变量被作 为 常 数 !
\! [ O W$ /0
$ " "
/ 可通过方向间隙率计算 ! 随机分布无限厚 水 平 均 匀 冠 层 ! & D 方向的平均
间隙率 D" 可以表示为路径长度 8" % 叶面积密 & & D$ D$ 度 / 和& 的指数函数 ! & D 方向叶面积投影系数 ]" D$ " $! D" 8" H & & & $; ’]" 5 D$ D$ D$ / 可以改写为 $ " $
/ 3 &? & 0<
相当 $ "!
" 卷 ! 第 # 期 !$ % % "年#月 !第!
+ + +
( % 数& !
上述推导表明 ! 通 过 方 向 间 隙 率 信 息 ! 可 以 反 演叶面积指数 7 由 于 光 线 的 可 逆 性 ! 上 式 对 于 顶 视 和底视应该同样 适 用 7 对 于 地 面 观 测 来 说 ! 方 向 间 隙率可通过测量冠 层 顶 部 与 底 部 的 辐 射 比 得 到 ! 但 对于卫星传感器高 度 和 尺 度 来 说 ! 这 种 做 法 显 然 不
一类是基于植被指 数 的 反 演 方 法 ! 主 要 是 通 过 建 立 植 被 指 数与叶面积指 数之间 的经 验关 系 来 反演 叶 面 积指数 7 目前用得比 较 多 的 植 被 指 数 有 标 准 化 差 值 植被指数 " 和比值 植 被 指 数 " !其他植被 /64 N$ 8 F$ 指数要么形式比 较 复 杂 ! 需 要 参 数 过 多 ! 要 么 与 叶 面积指数 " 关系不明显 ! 在 大 面 积 [ [ " N$ " N 反演中 用得不多 7 但 /64 N 和8 F 在消除土壤背景影响方
% $
&(
用其代表性值代替 ! 而 实 际 上 这 些 参 量 不 仅 可 能 变 化很大 ! 而且对反射率的影响也很大 7 杂和方法是遥感物 理 模 型 与 非 参 数 统 计 反 演 模 型结合 7 通过前向 模 型 产 生 数 据 集 ! 用 非 参 数 统 计 模型 " 如神经网络 % 局 部 回 归 等 方 法 $ 在方向反射和 待反演参数之间 建 立 联 系 7 与 查 找 表 方 法 相 比 ! 杂 和方 法 的一个主 要优势是 关键变 量 的变 化 能 够被 有 效解释 7 虽然 在 产 生 模 拟 数 据 时 可 能 用 到 很 多 变 量 ! 但杂和法可以将 输 出 只 与 几 个 关 键 输 入 变 量 建 立联系 7 因为非参数 统 计 模 型 可 以 对 数 据 进 行 非 线 性投影 ! 使一些因子被增强 ! 而其他因子被压缩 7 虽然遥感物理模 型 一 般 是 数 学 可 反 演 的 ! 但 这 些模型无法 提 供 辐 射 传 输 和 冠 层 结 构 的 真 实 描 述 ! 而且测量的反射 率 也 有 一 定 置 信 区 间 7 因 此 ! 对 这 些方法来说 ! 反演 过 程 并 不 总 是 惟 一 的 ! 不 同 的 生 物变量可以导致相 似 的 方 向 和 波 谱 特 征 ! 从 而 导 致 解的不稳定 7 总的来说 ! 遥感叶 面 积 指 数 的 反 演 方 法 目 前 还 处于 探 索 阶 段 ! 尚 缺 少 精 度 高 % 具 有 一 定 理 论 基 础 % 简单实用的反演算法 7
/6 4 N值 ! 饱和 /64 N 可以通过经验和模 型模 拟得到 ! 也
可通过统计实际方向 /64 N 值的方法获 得 ! 模型模 拟法首先模 拟 各 地 表 覆 盖 类 型 /64 N 与[ " N 的关 系曲线 ! 然 后 求 出 曲 线 的 拐 点 值 作 为 饱 和 /64 N! 该方法比较简单 % 快 速 ! 像 元 统 计 法 统 计 各 同 类 像 元点最大方向 /64 N 值直方图 ! 近似 取同类 像元点 最大 /64 N 值的 ) #f 作 为 饱 和 /64 N! 理 论 上 说 ! 这种方法 精 度 更 高 ! 但 需 要 有 足 够 多 的 样 本 支 持 ! 计算量也较大 !
& "(
面的能力较差 ! 而且 /64 N 的饱和点较 低 ! 很容易 达 到 饱 和! 在 [ " N 较 大 时 反 应 不 灵 敏7 此 外! ! 与叶面 积 指 数 之 间 的 经 验 关 系 随 地 域% /64 N = P 植被类型 % 生长季 等 的 变 化 而 变 化 ! 将 这 些 经 验 关 系用于遥感像元尺 度 反 演 时 会 带 来 很 大 的 误 差 7 与 其他方法相比 ! 经验 关 系 所 能 利 用 的 信 息 量 也 十 分 有限 7 另一类反演 [ " N 的方法是基于遥感物理模型 的 反演 7 由于遥感物理 模 型 的 参 数 具 有 明 确 的 物 理 含 义 ! 是反演研究的 重 点 7 对 于 基 于 遥 感 物 理 模 型 的 反演方法 来 说 ! 其 反 演 精 度 与 所 用 模 型 息 息 相 关 ! 因此高精度的遥 感 物 理 模 型 是 成 功 反 演 的 关 键 7 了 解各类遥感物理模 型 的 特 点 和 优 势 对 于 反 演 具 有 重 要意义 7 遥感物理模 型 按 其 理 论 基 础 可 分 为 混 浊 介 质模型 % 几何光学 模 型 % 混 合 模 型 和 数 值 模 拟 模 型
+ + $
" 卷 ! 第 # 期 !$ % % "年#月 !第!
* 大类 7 遥感物理模型的反 演 方 法 主 要 可 分 为 传 统 的 计 算机迭 代 的 反 演 方 法 % 查 找 表 法 % 杂 和 方 法 " 如神 经网络法等 $ 几 种7 传 统 的 计 算 机 迭 代 的 方 法 计 算 量较大 ! 不 适 合 逐 像 元 反 演 ! 对 于 大 数 据 集 来 说 ! 需要简化模型或算 法 ! 但 简 化 往 往 是 以 牺 牲 反 演 的 精度为代价 7 查找表法的出现在 一 定 程 度 上 解 决 了 传 统 计 算 机迭代方法面临 的 问 题 7 查 找 表 法 预 先 通 过 前 向 模 型构造表 格 ! 将 反 射 率 与 待 反 演 参 数 直 接 联 系 起 来 ! 这样在反演时只 需 在 表 格 中 进 行 查 找 和 内 插 等 操作即可 实 现 参 数 反 演 7 但 有 时 为 了 获 得 高 精 度 ! 表的维数 必 须 足 够 大 ! 必 然 导 致 在 线 搜 索 速 度 降 低 7 而且 ! 对于查找 表 方 法 来 说 ! 许 多 参 量 必 须 事
D" 0 3 & D$ ]" $ E" & & D$ D$! / $’ 8" & D$
" $ +
为以天顶角& E" & D$ D 穿过冠层的探针单位路径长度 ( + 与叶子的平均接触次数 & ! V / 0 0 ; @给出叶面积密度的解析解为 * ? < / 3 & & & D$ D D! / $ $ # E"