摘 要：氮肥对苎麻生长及产量品质形成具有重要意义。传统氮素检测方法存在费时、费力、时效性差等缺点；高光谱遥感技术能有效监测作物多项生理指标，从而帮助实时掌握作物的生长态势和营养情况。本研究设置4个施氮水平，即N0（不施肥）、N1（纯氮273kg/hm2）、N2（纯氮332kg/hm2）、N3（纯氮390kg/hm2，常规施用量），以及2个追肥时期，即封行期（a）和旺长期（b），利用光谱技术分析不同处理苎麻在冠层和叶片两个尺度下的光谱特征差异，然后通过分析多尺度高光谱数据与苎麻叶片氮含量（LNC）的相关性，分别采用偏最小二乘回归（PLSR）、支持向量机（SVM）和随机森林（RF）三种机器学习方法构建了关键生育时期（苗期、封行期、旺长期、成熟期）苎麻LNC估测模型，并进行了对比分析。结果表明：多个生育时期冠层光谱模型的精度都优于叶片光谱模型，基于冠层光谱波段构建的苎麻LNC估测模型在成熟期精度最高（R2=0.795，RMSE=0.608），基于叶片光谱波段构建的苎麻LNC估测模型在旺长期精度最高（R2=0.670，RMSE=0.470）；采用RF算法构建的LNC估测模型在多个生育时期中表现效果最佳，总体性能稳定且精度较高。综上，基于多尺度高光谱技术的苎麻叶片氮含量估测是可行的，尤其基于冠层尺度的估测更易操作，这为苎麻氮素反演提供了更优的手段。
关键词：苎麻；叶片氮含量；高光谱；多尺度
苎麻是荨麻科苎麻属多年生草本纤维植物[1]。我国拥有丰富的苎麻种质资源，种植面积和原麻产量占世界的90%以上[2]。苎麻用途多样，具有独特的经济[3-8]、药用[9-10]、生态价值，发展前景广阔。氮素是苎麻生长和产量品质形成所必需的最重要的营养元素[11]，快速准确地获取苎麻氮素营养状况，有助于科学、高效地制定氮肥管理策略，提高氮肥利用效率及降低环境污染。传统苎麻氮素营养诊断方法以大田调查取样、实验室测量为主，这种方法耗费大量人力、物力和时间，很难实时、精准地获取苎麻氮素状况。随着光谱技术的发展，高光谱遥感技术在作物叶绿素、叶面积指数以及氮磷钾等各种生理生态参数的估测研究中广泛应用并取得不少成果。如白雪娇[12]找出了不同生育期冠层叶片氮含量、叶绿素含量及叶面积指数回归拟合效果最好的光谱变量，并构建了估测模型。付虹雨等[13]基于无人机苎麻冠层RGB影像，通过数据融合和机器学习方法实现了苎麻产量估测。岳云开等[14]利用无人机多光谱遥感技术对苎麻叶绿素含量进行监测，最终筛选出成熟期的随机森林（RF）模型用于苎麻叶绿素含量反演。王仁红等[15]研究发现利用高光谱手段反演氮营养指数具有可行性。张筱蕾等[16]利用高光谱成像技术实现了对油菜叶片氮含量快速监测及氮素含量分布情况的可视化。Inoue等[17]利用400~900nm波段范围的水稻冠层高光谱图像构建了叶片氮素营养回归模型。梁亮等[18]利用一阶微分光谱构建归一化氮指数，并建立了偏最小二乘回归（PLSR）及支持向量机（SVM）算法的冠层氮含量估测模型。姚霞等[19]利用不同算法的红边位置建立了小麦冠层氮素含量估算模型，并进行了比较分析。薛利红等[20]发现水稻冠层光谱反射率与叶片氮积累量呈显著相关，尤其是近红外与绿光波段的比值（R810/R560）与叶片氮积累量（LNA）呈显著线性关系，不受氮肥水平和生育时期的影响，回归方程为LNA=0.859R810/R560-1.1596。可见，利用该技术，通过分析不同氮营养状况作物的冠层光谱差异，构建基于作物冠层光谱的氮素营养估测模型，能够定量预测作物氮素含量。
为提高作物氮素营养估测精度，不少学者探索了不同尺度光谱源检测作物氮素含量的潜力。杨天成[21]使用ASD（Analytical Spectral Devices）公司生产的FieldSpec3地物光谱仪获取高光谱数据、无人机数据及模拟卫星反射率数据，在叶片和冠层两种尺度上构建了小麦钾营养监测的光谱模型。董淼[22]采用光谱分析与室内叶绿素含量化学分析相结合的方法，分别在叶片和冠层尺度上对红富士苹果光谱反射率进行分析，选取叶绿素含量光谱敏感波段进行模型的构建。Zhu等[23]使用叶片和冠层尺度的高光谱变量（H-变量）作为统计叶绿素含量（LCC）模型的输入，通过Pearson相关过滤和递归特征消除程序确定了建模的最佳H-变量。李栋[24]利用连续小波分析方法，在叶片和冠层水平提取了叶绿素含量敏感的小波特征，并构建了基于小波特征的多尺度叶绿素估测模型。田明璐[25]研究发现冬小麦叶片和冠层SPAD值估算模型中，使用敏感光谱参数为自变量的支持向量回归（SVR）精度最高。丁雅[26]在叶片和冠层尺度上分析了不同时期枣原始光谱和一阶光谱反射率的变化特征，将不同时期叶片、冠层光谱与营养元素进行相关性分析，构建了枣叶片、冠层营养元素含量的高光谱估测模型。罗丹[27]通过对小麦叶片全氮含量与对应的冠层和叶片光谱数据进行相关性分析，确立了对氮素敏感的波段，并基于此建立估算叶片氮含量的模型，结果表明，基于径向基函数（RBF）网络在冠层和叶片尺度上构建的模型具有较高决定系数和较低误差，在检验中R2均在0.9以上，RMSE均小于0.2，是估算叶片氮含量的最佳模型。以上研究表明，基于多尺度光谱数据利用高光谱技术估测作物叶片氮含量是可行的。
当前还未有利用多尺度光谱估测苎麻叶片氮含量的研究报道，为此，本研究基于不同生育时期冠层和叶片两个尺度的光谱数据，通过分析光谱反射率与叶片全氮含量的相关性，利用PLSR、SVM、RF算法构建不同尺度的苎麻叶片全氮含量高光谱估测模型，以期为实时监测苎麻氮素营养状况及植株长势提供技术支持。
1 材料与方法
1.1 试验材料及试验设计
试验于2022年4—11月在湖南农业大学苎麻试验基地进行（28°10′51′′N，113°04′34′′E），供试苎麻品种为中苎2号。试验采用随机区组设计，设置4个施氮水平：N0（不施氮肥）、N1（纯氮273kg/hm2)、N2（纯氮332kg/hm2）、N3（常规施肥量，纯氮390kg/hm2）；另设有2个追肥时期，分别为封行期（a）和旺长期（b）。60%的氮肥基施，剩余40%的氮肥一次性追施。以N3水平封行期追肥作为CK，共7个处理（N0、N1-a、N1-b、N2-a、N2-b、CK、N3-b），每个处理重复3次，总共21个试验小区。磷肥（P2O5150kg/hm2）和钾肥（K2O300kg/hm2）均作为基肥一次性施入。
1.2 数据采集与处理
1.2.1 地面高光谱数据采集与处理
冠层高光谱数据利用FieldSpecHandHeld2便携式地物光谱仪（ASD，美国）进行采集，仪器波长范围325～1075nm，光谱分辨率3nm@700nm，光谱采样间隔1.5nm，视场角25°。叶片高光谱数据利用FieldSpec3（ASD，美国）地物光谱仪进行采集，内置石英卤素灯，光源稳定。
于两季苎麻（头麻、二麻）的关键生育时期（苗期、封行期、旺长期、成熟期）进行数据采集，共进行了8次采集任务，均在晴朗无云少风天的10—14时完成。冠层光谱数据采集时，每小区测定前均用标准白板校正，然后每小区均匀选取2个采样点，使仪器光纤探头距苎麻冠层上方70cm进行测定，每个采样点重复测定3次，以平均值作为该小区的冠层光谱反射率数据。叶片光谱测定前同样进行白板校正，每个小区随机选择4蔸（选蔸后定蔸），每蔸选择2株测得其倒三叶4条光谱数据，取平均值作为该叶片的最终光谱。
1.2.2 苎麻叶片全氮含量的测定
光谱测定完后，采集每个生育时期样本点的苎麻倒三叶，装入标记好的信封中带回实验室，放入烘箱104℃杀青30min后70~80℃烘干，称重，然后采用凯氏定氮法测定苎麻叶片全氮含量（LNC）：将叶片样品磨碎后进行消化，直至溶液变清澈透明为止，待消化液冷却后，使用AA3型连续流动分析仪测定消化液中全氮含量，计算出苎麻叶片全氮含量。
1.3模型构建与评估
试验共获得两季苎麻608个样本的LNC数据，将每个生育时期的样本（152个）随机按3∶1比例划分为训练集和验证集。采用ViewSpecPro6.2软件对冠层和叶片光谱数据进行预处理，输出原始光谱及一阶导数光谱，然后利用MicrosoftExcel2016软件进行数据整理。用SPSSStatistics27软件进行数据统计，采用Pearson相关性分析求取苎麻LNC与光谱反射率的相关系数，挑选出相关性最大的波段作为特征波段。将筛选的特征波段作为输入变量构建模型，分别采用PLSR、SVM和RF构建苎麻LNC估测模型。使用决定系数（R2）、均方根误差（RMSE）作为模型评价指标，R2值越大、相对应的RMSE值越小，说明模型预测能力越好。
2结果与分析
2.1不同施氮水平对苎麻LNC的影响
图1和图2分别展示了2022年头麻、二麻各生育时期LNC在不同施氮水平下的差异，可以看出，随着生育时期的后移，不同处理苎麻LNC之间的差异加大，并且随着施氮水平的提升，LNC表现出明显的增大趋势，表现为N3>N2>N1>N0。N2水平下不同追肥时期对苎麻LNC的影响较大，大多生育时期表现出显著差异。总体来说，低氮水平下，封行期追肥的LNC值较高；高氮水平下，封行期追肥对生育早期的LNC贡献较大，而生育晚期，旺长期追肥对LNC的积累贡献更大。
柱上不同小写字母表示同一生育时期不同处理间在0.05水平差异显著，下同。
图1 不同时期、不同施氮水平头麻叶片氮含量变化
图2 不同时期、不同施氮水平二麻叶片氮含量变化
2.2 基于冠层光谱的苎麻LNC估测
2.2.1 冠层光谱波段筛选
采用Pearson相关性分析方法探究不同生育时期苎麻LNC与冠层一阶导数光谱之间的相关关系，从而筛选出可用于LNC估测的波段。结果（图3）显示，苎麻LNC与一阶导数光谱在多个生育时期都存在显著（P＜0.05）或极显著（P＜0.01，下同）相关关系，其中，苗期在414~420、456~460、545~551nm波段呈极显著正相关，其余波段不显著；封行期在896~921nm波段呈极显著正相关，在972~1074nm波段呈极显著负相关；旺长期在329、998nm呈显著相关，在1020~1044nm波段呈极显著正相关；成熟期在445~457、852~868nm波段呈极显著正相关，在904~915nm波段呈极显著负相关。可见，封行期LNC与苎麻冠层一阶导数光谱之间的相关关系最强（P＜0.01），其次为成熟期、旺长期、苗期。
在上述分析的基础上，选取各生育时期与LNC极显著相关的特征波长，用于构建苎麻LNC估测模型。苎麻冠层一阶导数光谱在苗期414~420、456~460、545~551nm波段存在一定差异，因此选取该波段范围内的3个拐点（414、459、550nm）作为特征波长，其中414nm特征波长与苎麻LNC相关性最高，相关系数为0.536；封行期筛选出的特征波长为913、996、1029、1070nm，其中996nm波长与苎麻LNC相关性最高，相关系数为-0.592；旺长期筛选出的特征波长为329、998、1021、1044nm，其中1044nm波长与苎麻LNC相关性最高，相关系数为-0.552。成熟期特征筛选的波长为413nm、456nm、866nm、908nm，其中908nm波长与苎麻LNC相关性最高，相关系数为-0.580。
图3 不同生育时期苎麻LNC与冠层一阶光谱之间的相关关系
2.2.2 基于冠层光谱的苎麻LNC估测模型构建及验证
将筛选的苗期特征波长（414、459、550nm）、封行期特征波长（913、996、1029、1070nm）、旺长期特征波长（329、998、1021、1044nm）、成熟期特征波长（413、456、866、908nm）作为输入变量，构建基于一阶导数光谱特征LNC的估测模型。表1为不同生育时期苎麻LNC估测模型精度评价结果，可以看出，在苗期PLSR建模效果最好，估测模型精度最高（R2=0.506，RMSE=0.695）；在封行期，RF的LNC估测模型精度最高（R2=0.694，RMSE=0.440）；同样在旺长期，RF的LNC估测模型精度最好（R2=0.676，RMSE=0.382）；在成熟期，RF的LNC估测模型精度优于SVM、PLSR，其中RF的LNC估测模型（R2=0.795，RMSE=0.608），PLSR的LNC估测模型（R2=0.617，RMSE=0.624），SVM的LNC估测模型（R2=0.778，RMSE=0.503）。通过比较发现，3种机器学习模型估测LNC的精度存在差异，虽然苗期以PLSR的LNC估测模型建模效果最优，但RF模型的也较优，而且封行期、旺长期和成熟期均以RF的LNC估测模型精度最高，因此，综合来看，以RF构建的LNC估测模型在苎麻4个生育时期的表现最佳。
表1 基于冠层光谱的不同生育时期苎麻LNC估测模型
2.3 基于叶片光谱的苎麻LNC估测
2.3.1 叶片光谱波段筛选
采用Pearson相关性分析方法探究不同生育时期苎麻LNC与叶片一阶导数光谱之间的相关关系，从而筛选出可用于LNC估测的波段。结果（图4）显示，苎麻LNC与叶片一阶导数光谱在多个生育时期都存在显著或极显著相关关系。其中，苗期在2036~2087nm波段范围内呈极显著正相关，其余波段不显著；封行期苎麻LNC与叶片一阶导数光谱在480~490nm波段范围内呈极显著负相关，在970~996、2067~2093nm波段范围内呈极显著正相关；旺长期在全波段范围内均较低，在1012nm处相对较高；成熟期在1435~1458nm波段范围内呈极显著正相关，在2285~2293nm波段范围内呈极显著负相关。
基于上述分析，选取相关系数曲线中达到极显著相关水平的波长作为特征波长，用于构建叶片尺度的苎麻LNC估测模型：苗期选取2036~2087nm波段范围内的3个拐点（2061、2073、2077nm）作为特征波长，其中位于近红外波段范围内的2061nm波长与LNC相关系数最高，达0.684；封行期筛选的特征波长为488、981、2084nm，其中488nm波长与苎麻LNC相关性最高，相关系数为-0.501；旺长期筛选的特征波长为354、399、427、1012nm，其中1012nm波长与苎麻LNC相关性最高，相关系数为0.401；成熟期筛选的特征波长为1449、1683、2292、2313nm，其中2292nm波长与苎麻LNC相关性最高，相关系数为-0.564。
图4 不同生育时期苎麻LNC与叶片一阶光谱之间的相关关系
2.3.2 基于叶片光谱波段的苎麻LNC模型构建及验证
将筛选的苗期特征波长（414、459、550nm）、封行期特征波段（913、996、1029、1070nm）、封行期特征波段（329、998、1021、1044nm）、成熟期特征波段（413、456、866、908nm）作为输入变量，构建基于一阶导数光谱特征的LNC估测模型。由表2可知，基于叶片特征光谱的苎麻LNC估测模型估测精度较高。在苗期，RF建模效果最好，模型精度最高，验证集的R2为0.622，RMSE为0.356；在封行期，也是RF的LNC估测模型精度最高，验证集的R2为0.656，RMSE为0.437；在旺长期，PLSR的LNC估测模型精度最好，验证集的R2和RMSE分别为0.670和0.470；在成熟期，RF的LNC估测模型精度优于SVM、PLSR，验证集R2为0.606，RMSE为0.409。综合来看，基于RF构建的LNC估测模型在4个生育时期中表现较优。
表2 基于叶片光谱的不同生育时期苎麻LNC估测模型
3 讨论与结论
严文淦等[28]对高产田每季纤用苎麻出苗-齐苗、齐苗-封行、封行-黑脚、黑脚-成熟四个营养生长阶段的养分含量及吸收量进行了研究，发现高产田三季麻各营养阶段植株体内养分含量和吸收量均不相同，表现为前期养分含量高，之后逐渐下降，但吸收量则以中、后期较高，吸氮高峰一般出现在封行黑脚期，此时期各季麻吸氮量达到总吸收量的26.9%~42.4%。本研究中不同施氮水平下苎麻LNC随着施氮量的增加呈现先增加再降低趋势，并在旺长期达到顶峰，随后成熟期下降，说明麻株吸氮高峰出现在封行-旺长期，与前人研究结果一致。不同施氮水平间比较，头麻、二麻苗期和旺长期的LNC均在N3-b处理下最大，封行期和成熟期均在CK处理（N3-a）下最大。
LNC是评估苎麻植株氮状态的重要指标，通过精准、无损、高效、及时获取田间苎麻LNC信息，既能有效合理地为苎麻生长提供肥料，又能最大限度地减少对周围环境损害，实现苎麻产量和肥料利用效率最大化。利用高光谱传感器获取的高频光谱信息被认为是评估作物氮素营养状况的定量指标，通过构建敏感波段或植被指数与特定作物参数之间的反演模型使快速检索作物参数成为可能[29]。
本研究采用Pearson相关性分析筛选与LNC显著相关的特征波段，选用PLSR、SVM、RF3种机器学习算法，从叶片、冠层两个尺度探讨了利用光谱数据估测苎麻LNC的可行性及准确性。通过比较所建模型在苎麻不同生育时期的表现发现，在基于冠层光谱波段构建的苎麻LNC估测模型中，除苗期为PLSR建模效果最好（验证集R2为0.506，RMSE为0.695），封行期、旺长期、成熟期均为RF建模精度最高，验证集R2分别为0.694、0.676、0.795，RMSE分别为0.440、0.382、0.608；在基于叶片光谱波段构建的苎麻LNC估测模型中，苗期、封行期、成熟期均以RF建立的模型估测精度最高，验证集R2分别为0.622、0.656、0.606，RMSE分别为0.356、0.437、0.409，而旺长期是PLSR建模效果最好，验证集R2和RMSE分别为0.670和0.470。综合来看，RF模型在苎麻多个生育时期两个尺度的LNC估测中表现稳定且精度较优，这也与顾晨等[30]的研究结论相一致。
另外，两个尺度间比较，基于冠层光谱波段构建的苎麻LNC估测模型在成熟期精度最高（R2=0.795，RMSE=0.608），基于叶片光谱波段构建的苎麻LNC估测模型在旺长期精度最高（R2=0.670，RMSE=0.470），但冠层尺度的光谱测定更便利，在苎麻LNC估测方面具有优势。
综上，基于冠层光谱数据构建的RF模型更适用于苎麻LNC的估测，可推广性较高。但本研究只是基于田间试验开展苎麻冠层和叶片尺度的氮素营养诊断研究，单一平台获取的作物信息较为有限，在光谱分辨率、时间分辨率和空间分辨率等方面很难全面兼顾，应用性还需进一步考证，今后可以利用无人机和卫星遥感数据对研究结果进一步验证。
参考文献
[1] 李宗道.麻作的理论与技术[M]. 上海：上海科学技术出版社，1980.
[2] 成雄伟. 我国苎麻纺织工业历史现状及发展[J]. 中国麻业科学，2007(增刊)：77-85.
[3] Lin C C，Yen M H，Lo T S，et al. The antiinflammatory and liver protective effects of Boehmeria nivea and B. nivea subsp. nippononivea in rats[J]. Phytomedicine，1997，4(4)：301-308.
[4] Lin C C，Yen M H，Lo T S，et al. Evaluation of the hepatoprotective and antioxidant activity of Boehmeria nivea var. nivea and B. nivea var. tenacissima[J]. Journal of Ethnopharmacology，1998， 60(1)：9-17.
[5] Huang K L，Lai Y K，Lin C C，et al. Inhibition of hepatitis B virus production by Boehmeria nivea root extract in HepG2 2. 2. 15 cells[J]. World Journal of Gastroenterology，2006，12(35)：5721-5725.
[6] Jin C H, Maekawa M. Evaluating an enzyme treatment of ramie fabrics[J]. Textile Research Journal, 2001, 71(9): 779-782.
[7] de Toledo G S P，da Silva L P，de Quadros A R B，et al. Productive performance of rabbits fed with diets containing ramie (Boehmeria nivea) hay in substitution to alfalfa (Medicago sativa) hay[C]//9th World Rabbit Congress, June 10-13, 2008, Verona, Italy. 2008：827-830.
[8] Li E K，Zhao J B，Liu L，et al. Digestible energy and metabolizable energy contents of konjac flour residues and ramie in growing pigs[J]. Animal Nutrition，2018，4(2)：228-233.
[9] 陈保锋，陈建华，母波，等. 苎麻药用研究进展[J]. 中国麻业科学，2016，38(5)：237-241.
[10]Wang Q，Muzammal R，Peng D X，et al. Antioxidant capacity and α-glucosidase inhibitory activity of leaf extracts from ten ramie cultivars[J]. Industrial Crops and Products，2018，122：430-437.
[11]张泽，马露露，洪帅，等. 滴灌棉田植株氮营养指数的高光谱诊断研究[J].棉花学报，2020，32(5)：392-403.
[12]白雪娇. 冬小麦氮素营养及其冠层生物理化参量高光谱遥感监测[D]. 杨凌：西北农林科技大学，2013.
[13]付虹雨，王薇，岳云开，等. 基于数据融合和机器学习的多年生苎麻产量估测[J]. 山东农业科学， 2023，55(10)：158-166.
[14]岳云开，陈建福，赵亮，等. 基于无人机多光谱遥感的苎麻叶绿素含量反演[J]. 山东农业科学，2023，55(7)：152-158.
[15]王仁红，宋晓宇，李振海，等. 基于高光谱的冬小麦氮素营养指数估测[J]. 农业工程学报，2014，30(19)：191-198.
[16]张筱蕾，刘飞，聂鹏程，等. 高光谱成像技术的油菜叶片氮含量及分布快速检测[J]. 光谱学与光谱分析，2014，34(9)：2513-2518.
[17]Inoue Y，Penuelas J. An AOTF-based hyperspectral imaging system for field use in eco-physiological and agricultural applications[J]. International Journal of Remote Sensing，2001，22(18)：3883-3888.
[18]梁亮，杨敏华，邓凯东，等. 一种估测小麦冠层氮含量的新高光谱指数[J].生态学报，2011，31(21)：6594-6605.
[19]姚霞，田永超，刘小军，等. 不同算法红边位置监测小麦冠层氮素营养指标的比较[J]. 中国农业科学，2010，43(13)：2661-2667.
[20]薛利红，曹卫星，罗卫红，等. 基于冠层反射光谱的水稻群体叶片氮素状况监测[J]. 中国农业科学，2003，36(7)：807-812.
[21]杨天成. 基于叶片和冠层光谱的小麦钾素营养监测研究[D]. 南京：南京农业大学，2020.
[22]董淼. 苹果叶片和冠层叶绿素含量高光谱估算模型[D]. 乌鲁木齐：新疆农业大学，2018.
[23]Zhu W X，Sun Z G，Yang T，et al. Estimating leaf chlorophyll content of crops via optimal unmanned aerial vehicle hyperspectral data at multi-scales[J]. Computers and Electronics in Agriculture，2020，178： 105786.
[24]李栋. 基于连续小波分析的小麦生长指标光谱监测研究[D]. 南京：南京农业大学，2016.
[25]田明璐. 西北地区冬小麦生长状况高光谱遥感监测研究[D]. 杨凌：西北农林科技大学，2017.
[26]丁雅. 枣叶片和冠层营养元素含量高光谱估测模型[D]. 乌鲁木齐：新疆农业大学，2018.
[27]罗丹. 基于高光谱遥感的冬小麦氮素营养指标监测研究[D]. 杨凌：西北农林科技大学，2017.
[28]严文淦，王敏裳，等. 高产苎麻吸肥规律与土壤营养条件的研究[J]. 土壤肥料，1983 (5)：24-26.
[29]黄亮平. 高光谱遥感在农作物生长监测的应用研究进展[J]. 农村经济与科技，2019，30(5)：42-44.
[30]顾晨. 基于机器学习的小麦 SPAD 值与水稻产量测报方法研究[D]. 扬州：扬州大学，2023.
文章摘自：陈建福,岳云开,付虹雨,等.基于多尺度高光谱技术的苎麻叶片氮含量估测[J/OL].山东农业科学,1-11[2025-02-10].
