Типичные характеристики спектрального отражения для здоровой зеленой травы и открытой сухой почвы в интервале длин волн от 250 до 1 000 нм. Иллюстрация из: Jensen J. Remote Sensing of the Environment: An Earth Resource Perspective. 2nd Edition. — Pearson Education, 2014.
Закономерности спектрального отражения растений, связанные с их физиологическим состоянием, служат основой для создания вегетационных индексов.
Закономерности спектрального отражения растений, связанные с их физиологическим состоянием, служат основой для создания вегетационных индексов.
GEE-9. Индексы. Арифметика каналов
Код примера
“Работа, работа — иди в штат Дакота. Оттуда — в Небраску, с Небраски — на Аляску“. Если что, мы находимся в Небраске. Загрузим два снимка этого штата:
А теперь рассчитаем один из “водных” индексов — Normalized Difference Water Index (NDWI). Вычисляют его по формуле:
NDWI = (Green - NIR) / (Green + NIR).
По сути, это перевернутый NDVI. Вода в нем имеет высокие значения, а растительность — низкие (отрицательные). Вычислить его можно аналогично NDVI:
Добавим индексы к одному из снимков:
А теперь рассчитаем индекс EVI. Он использует сразу три канала, так что
Можно выполнять математические операции над разными снимками. Например, вычислим разность значений каналов B8 (NIR):
Код примера
#GEE #индексы
Код примера
“Работа, работа — иди в штат Дакота. Оттуда — в Небраску, с Небраски — на Аляску“. Если что, мы находимся в Небраске. Загрузим два снимка этого штата:
var image = ee.Image("COPERNICUS/S2_SR/20220711T171859_20220711T172712_T14TNL");
var image2 = ee.Image("COPERNICUS/S2_SR/20220721T171859_20220721T172912_T14TNL");
Вычислим нормализованный разностный вегетационный индекс NDVI*ссылка*. Для этого есть специальная функция normalizedDifference()
var ndvi = image.normalizedDifference(['B8', 'B4']);Чем выше NDVI, тем больше в пикселе здоровой (фотосинтезирующей) растительности. Водные объекты имеют отрицательный NDVI.
А теперь рассчитаем один из “водных” индексов — Normalized Difference Water Index (NDWI). Вычисляют его по формуле:
NDWI = (Green - NIR) / (Green + NIR).
По сути, это перевернутый NDVI. Вода в нем имеет высокие значения, а растительность — низкие (отрицательные). Вычислить его можно аналогично NDVI:
var ndwi = image.normalizedDifference(['B3', 'B8']);Но мы не ищем легких путей, а рассчитаем NDWI так, будто не знаем о существовании
normalizedDifference(): var ndwi = (image.select('B3').subtract(image.select('B8'))
.divide(image.select('B3').add(image.select('B8'))));
Математические операции с каналами задаются функциями: add (+), subtract (-), divide (/). Нетрудно догадаться, что есть еще multiply (*). Полный список операций здесь.Добавим индексы к одному из снимков:
function addInd(image) {
var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI');
var ndwi = image.normalizedDifference(['B8', 'B4']).rename('NDWI');
return image.addBands([ndvi, ndwi], null, true);
}
image = addInd(image);
Обратите внимание на переименование каналов с помощью rename(). Без этого, каналы будут иметь ничего не говорящие имена nd, nd_1, …А теперь рассчитаем индекс EVI. Он использует сразу три канала, так что
normalizedDifference() не поможет. Запись через add/subtract и т. п. будет слишком длинной. К счастью, в Earth Engine можно записать операции над каналами в виде математических выраженийvar evi = image.expression(То есть, сначала записали выражение, а потом описали обозначения входящих в него каналов.
'2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))', {
'NIR': image.select('B5'),
'RED': image.select('B4'),
'BLUE': image.select('B2')
});
Можно выполнять математические операции над разными снимками. Например, вычислим разность значений каналов B8 (NIR):
var difB8 = (image2.select('B8')).subtract(image.select('B8'));
Создадим новый снимок из подготовленных нами индексов.var newBands = [ndvi, ndwi, evi, difB8];Теперь у нас будет снимок, состоящий из каналов NDVI, NDWI, EVI и DIF.
var image3 = ee.Image(newBands).rename(['NDVI','NDWI','EVI','DIF']);
Код примера
#GEE #индексы
Уровни обработки спутниковых данных
Уровень 0 (L0). Необработанные данные с сопутствующей служебной информацией — основа для последующей обработки.
Уровень 1 (L1). Данные уровня 0, прошедшие геопривязку и радиометрическую коррекцию в системе координат съемочного устройства.
Уровень 2 (L2). Данные уровня 1, прошедшие дополнительно геометрическое трансформирование (на плоскость) или ортотрансформирование (с учетом рельефа) в заданной картографической проекции и системе координат, а также атмосферную коррекцию (если обрабатываются данные оптических сенсоров).
Данные уровней 1 и 2 — это стандартные продукты ДЗЗ, с которыми чаще всего имеет дело пользователь. Нередко, уровни разбиваются на подуровни, например, L1C или L2A. Смысл таких обозначений, как правило, описывается в руководствах по данным конкретного сенсора.
Уровень 3 (L3). Данные, полученные в результате дополнительной обработки данных уровня 2. Например, путем их усреднения и объединения в пространстве или во времени. Пример: 8-дневные композитные данные отражающей способности MOD09A1.
Уровень 4 (L4). Готовые данные, полученные в результате тематической или аналитической обработки данных ДЗЗ.
Отнесение данных к тому или иному уровню зависит от конкретного сенсора, и лучше всего ориентироваться на руководства по работе с данными этого сенсора. Мы привели усредненное описание, опирающееся на ГОСТ Р 59079-2020.
Если совсем коротко, то:
* уровень 0 — это сырые данные, использовать которые без обработки не получится;
* уровень 1 — данные, которые можно использовать сразу, но, возможно, придется допилить. Зависит от задачи;
* уровни 2 и 3 — данные, готовые к работе;
* уровень 4 — готовые карты.
#основы
Уровень 0 (L0). Необработанные данные с сопутствующей служебной информацией — основа для последующей обработки.
Уровень 1 (L1). Данные уровня 0, прошедшие геопривязку и радиометрическую коррекцию в системе координат съемочного устройства.
Уровень 2 (L2). Данные уровня 1, прошедшие дополнительно геометрическое трансформирование (на плоскость) или ортотрансформирование (с учетом рельефа) в заданной картографической проекции и системе координат, а также атмосферную коррекцию (если обрабатываются данные оптических сенсоров).
Данные уровней 1 и 2 — это стандартные продукты ДЗЗ, с которыми чаще всего имеет дело пользователь. Нередко, уровни разбиваются на подуровни, например, L1C или L2A. Смысл таких обозначений, как правило, описывается в руководствах по данным конкретного сенсора.
Уровень 3 (L3). Данные, полученные в результате дополнительной обработки данных уровня 2. Например, путем их усреднения и объединения в пространстве или во времени. Пример: 8-дневные композитные данные отражающей способности MOD09A1.
Уровень 4 (L4). Готовые данные, полученные в результате тематической или аналитической обработки данных ДЗЗ.
Отнесение данных к тому или иному уровню зависит от конкретного сенсора, и лучше всего ориентироваться на руководства по работе с данными этого сенсора. Мы привели усредненное описание, опирающееся на ГОСТ Р 59079-2020.
Если совсем коротко, то:
* уровень 0 — это сырые данные, использовать которые без обработки не получится;
* уровень 1 — данные, которые можно использовать сразу, но, возможно, придется допилить. Зависит от задачи;
* уровни 2 и 3 — данные, готовые к работе;
* уровень 4 — готовые карты.
#основы
Новая версия ISCE
ISCE (InSAR Scientific Computing Environment) — одна из старейших свободных библиотек для обработки данных радарной интерферометрии — перешла на развитие версии ISCE3. Проект является преемником ISCE2 и представляет собой полную переработку последнего, с упором на улучшение модульности, документации и разработки на основе тестирования.
Свободных библиотек для обработки данных радарной интерферометрии очень мало. Гораздо меньше, чем уссурийских тигров. Так что появление чего-то нового — большая радость для всех причастных.
Как и предыдущие версии библиотеки, ISCE3 работает под Linux и Mac OS.
#InSAR #софт
ISCE (InSAR Scientific Computing Environment) — одна из старейших свободных библиотек для обработки данных радарной интерферометрии — перешла на развитие версии ISCE3. Проект является преемником ISCE2 и представляет собой полную переработку последнего, с упором на улучшение модульности, документации и разработки на основе тестирования.
Свободных библиотек для обработки данных радарной интерферометрии очень мало. Гораздо меньше, чем уссурийских тигров. Так что появление чего-то нового — большая радость для всех причастных.
Как и предыдущие версии библиотеки, ISCE3 работает под Linux и Mac OS.
#InSAR #софт
Когерентность, NDVI и наблюдения за растениями
Испанские коллеги решили исследовать связь радарной когерентности и NDVI, и обнаружили забавную закономерность.
Когерентность отражает степень согласованности рассеяния на паре радарных снимков. Если на поле что-то растет, это что-то постоянно шевелится, и когерентность будет низкой — снимка, снятые с интервалом в несколько суток, не коррелируют друг с другом. Еще когерентность будет низкой, если на одном снимке было поле зрелой пшеницы, а на втором оно уже убрано. Так можно отслеживать некоторые полевые работы. Высокая когерентность бывает у открытой земли (на обоих снимках). Это случается в начале сезона, пока на поле не появятся заметные всходы. Высока когерентность и после уборки, если фермер не спешит выполнить лущение стерни.
Таким образом, поведение когерентности, в некоторой степени, обратно NDVI. Много зеленой растительности — высокий NDVI и низкая когерентность, мало — низкий NDVI и высокая когерентность. Коллеги решили, что больше всего походит на NDVI отношение когерентностей: γVH/γVV (когерентность обозначена буквой γ, VH и VV — типы поляризации радарного сигнала). Хотя, судя по рисункам, можно было бы попробовать и 1-γVV.
Проблема сравнения радарных (когерентность) и оптических (NDVI) характеристик в том, что эти два способа наблюдений отражают слишком разные физические свойства растений и почвы. Но ученых, как видим, это не останавливает.
Зачем искать аналог NDVI среди радарных данных? Дело в том, что облачность препятствует оптическим наблюдениям, и в такие периоды мы не сможем судить о состоянии растений по NDVI. Радар же, в принципе, всепогоден. У него есть свои тонкости, но это — другая история.
Вместо использования радаров можно попытаться восстановить пропущенные из-за облачности значения во временных рядах NDVI. Например, в ИКИ знают, как это сделать.
#InSAR
Испанские коллеги решили исследовать связь радарной когерентности и NDVI, и обнаружили забавную закономерность.
Когерентность отражает степень согласованности рассеяния на паре радарных снимков. Если на поле что-то растет, это что-то постоянно шевелится, и когерентность будет низкой — снимка, снятые с интервалом в несколько суток, не коррелируют друг с другом. Еще когерентность будет низкой, если на одном снимке было поле зрелой пшеницы, а на втором оно уже убрано. Так можно отслеживать некоторые полевые работы. Высокая когерентность бывает у открытой земли (на обоих снимках). Это случается в начале сезона, пока на поле не появятся заметные всходы. Высока когерентность и после уборки, если фермер не спешит выполнить лущение стерни.
Таким образом, поведение когерентности, в некоторой степени, обратно NDVI. Много зеленой растительности — высокий NDVI и низкая когерентность, мало — низкий NDVI и высокая когерентность. Коллеги решили, что больше всего походит на NDVI отношение когерентностей: γVH/γVV (когерентность обозначена буквой γ, VH и VV — типы поляризации радарного сигнала). Хотя, судя по рисункам, можно было бы попробовать и 1-γVV.
Проблема сравнения радарных (когерентность) и оптических (NDVI) характеристик в том, что эти два способа наблюдений отражают слишком разные физические свойства растений и почвы. Но ученых, как видим, это не останавливает.
Зачем искать аналог NDVI среди радарных данных? Дело в том, что облачность препятствует оптическим наблюдениям, и в такие периоды мы не сможем судить о состоянии растений по NDVI. Радар же, в принципе, всепогоден. У него есть свои тонкости, но это — другая история.
Вместо использования радаров можно попытаться восстановить пропущенные из-за облачности значения во временных рядах NDVI. Например, в ИКИ знают, как это сделать.
#InSAR
Привет метеорологам
Совсем недавно, метеорологи переживали о том, что большие спутниковые группировки могут создать помехи наблюдениям за погодой. Вскоре нам предстоит узнать, так это или нет.
Сначала в декабре прошлого года Федеральная комиссия по связи США (FCC) выдала компании SpaceX разрешение на запуск 7 500 спутников из предлагаемой ею группировки Gen2 Starlink. Это позволит компании начать развертывание на низкой околоземной орбите системы связи, которая в конечном итоге будет состоять из 29 988 спутников. Первые 7500 спутников будут выведены на орбитальные оболочки* высотой 525 километров и наклонением 53 градуса, 530 километров и 43 градуса, а также 535 километров и 33 градуса.
А 8 февраля FCC одобрила план компании Amazon по развертыванию и эксплуатации группировки из 3236 широкополосных спутников связи Ka-диапазона под названием Project Kuiper (Проект Койпер). Группировку планируется распределить по трем орбитальным оболочкам на высотах 590 км, 610 км и 630 км над Землей.
В обоих случаях, FCC одобрило планы компаний с ограничениями. Но эти ограничения касаются соблюдения условий по предотвращению столкновений на орбите, и не затрагивают вопросы помех наблюдениям на близких диапазонах.
Скоро во всем мире прибавится широкополосной связи. Будем звонить друг другу и обсуждать погоду.
*орбитальной оболочкой называют совокупность круговых орбит с одинаковой высотой, а часто, и с одинаковым наклонением.
Совсем недавно, метеорологи переживали о том, что большие спутниковые группировки могут создать помехи наблюдениям за погодой. Вскоре нам предстоит узнать, так это или нет.
Сначала в декабре прошлого года Федеральная комиссия по связи США (FCC) выдала компании SpaceX разрешение на запуск 7 500 спутников из предлагаемой ею группировки Gen2 Starlink. Это позволит компании начать развертывание на низкой околоземной орбите системы связи, которая в конечном итоге будет состоять из 29 988 спутников. Первые 7500 спутников будут выведены на орбитальные оболочки* высотой 525 километров и наклонением 53 градуса, 530 километров и 43 градуса, а также 535 километров и 33 градуса.
А 8 февраля FCC одобрила план компании Amazon по развертыванию и эксплуатации группировки из 3236 широкополосных спутников связи Ka-диапазона под названием Project Kuiper (Проект Койпер). Группировку планируется распределить по трем орбитальным оболочкам на высотах 590 км, 610 км и 630 км над Землей.
В обоих случаях, FCC одобрило планы компаний с ограничениями. Но эти ограничения касаются соблюдения условий по предотвращению столкновений на орбите, и не затрагивают вопросы помех наблюдениям на близких диапазонах.
Скоро во всем мире прибавится широкополосной связи. Будем звонить друг другу и обсуждать погоду.
*орбитальной оболочкой называют совокупность круговых орбит с одинаковой высотой, а часто, и с одинаковым наклонением.
Основы дистанционного зондирования Земли
Дистанционное зондирование: определение, учебники для новичков
Спектральные диапазоны
Характеристики космических снимков:
* пространственное разрешение
** номинальное пространственное разрешение
** наземный интервал дискретизации
** линейное разрешение на местности
** какую характеристику выбрать?
* радиометрическое, спектральное и временное разрешение
Отражение. Углы съемки
Спектральная отражательная способность
* водной поверхности
* почвы
* растительности
* снега и льда
Вегетационные индексы, SAVI (1,2,3)
Комбинации каналов на примере Landsat
Уровни обработки спутниковых данных
Атмосферная коррекция данных оптических сенсоров: часть 1, часть 2
Определение температуры земной поверхности со спутника
Городские тепловые аномалии (острова тепла и холода)
Активные и пассивные методы наблюдения
Диапазоны работы радаров
Словарик радарных терминов
Схема работы радара
Геометрия радарной системы
Разрешение радара по дальности
Разрешение радара по азимуту
Радар с синтезированной апертурой
Геометрические особенности радарных снимков: искажение масштаба вдоль наклонной дальности, смещения рельефа
Радиометрические особенности радарных данных: спекл
Изменение яркости радарных снимков по дальности
Интерпретация радарных снимков:
* геометрия
* шероховатость поверхности, еще один критерий шероховатости поверхности
* отражение от почвы
* растительность
* электрические свойства
* поляризация сигнала
* вода и лед
* городская застройка
* итоги
Распространение радарных сигналов в атмосфере
Полосы радиопомех на радарных снимках
Характеристики отраженного радарного сигнала. Площади и углы падения. Выбор между σ0 и γ0
Процедура обработки радарных данных Sentinel-1 в SNAP
Доработка данных Sentinel-1 на платформе Google Earth Engine
Sentinel-1: данные SLC и GRD
Режимы радарной съемки
Литература по радарной съемке
#основы
Дистанционное зондирование: определение, учебники для новичков
Спектральные диапазоны
Характеристики космических снимков:
* пространственное разрешение
** номинальное пространственное разрешение
** наземный интервал дискретизации
** линейное разрешение на местности
** какую характеристику выбрать?
* радиометрическое, спектральное и временное разрешение
Отражение. Углы съемки
Спектральная отражательная способность
* водной поверхности
* почвы
* растительности
* снега и льда
Вегетационные индексы, SAVI (1,2,3)
Комбинации каналов на примере Landsat
Уровни обработки спутниковых данных
Атмосферная коррекция данных оптических сенсоров: часть 1, часть 2
Определение температуры земной поверхности со спутника
Городские тепловые аномалии (острова тепла и холода)
Активные и пассивные методы наблюдения
Диапазоны работы радаров
Словарик радарных терминов
Схема работы радара
Геометрия радарной системы
Разрешение радара по дальности
Разрешение радара по азимуту
Радар с синтезированной апертурой
Геометрические особенности радарных снимков: искажение масштаба вдоль наклонной дальности, смещения рельефа
Радиометрические особенности радарных данных: спекл
Изменение яркости радарных снимков по дальности
Интерпретация радарных снимков:
* геометрия
* шероховатость поверхности, еще один критерий шероховатости поверхности
* отражение от почвы
* растительность
* электрические свойства
* поляризация сигнала
* вода и лед
* городская застройка
* итоги
Распространение радарных сигналов в атмосфере
Полосы радиопомех на радарных снимках
Характеристики отраженного радарного сигнала. Площади и углы падения. Выбор между σ0 и γ0
Процедура обработки радарных данных Sentinel-1 в SNAP
Доработка данных Sentinel-1 на платформе Google Earth Engine
Sentinel-1: данные SLC и GRD
Режимы радарной съемки
Литература по радарной съемке
#основы
Характеристики космических снимков: радиометрическое, спектральное и временное разрешение
Основными характеристиками снимков являются:
* пространственное разрешение;
* радиометрическое разрешение;
* спектральное разрешение;
* временное разрешение.
О пространственном разрешении мы уже говорили, сегодня обсудим три оставшихся.
Радиометрическое разрешение снимков определяется числом бит, на которые разделена энергия, зарегистрированная спутниковым сенсором. Например, радиометрическое разрешение 8 бит соответствует 256 уровням градации яркости. Другими словами, радиометрическое разрешение — это количество уровней дискретизации, соответствующих переходу яркости от абсолютно черного к абсолютно белому цвету в данном канале сенсора.
Чем выше радиометрическое разрешение, тем точнее отображается зарегистрированный сигнал (картинка в следующем посте), но при этом увеличивается и размер файла снимка.
Радиометрическое разрешение сенсора MSS на первых трех Ландсатах составляло 6 бит, то есть снимки имели всего 64 градации яркости. Сенсоры TM на четвертом и пятом спутниках имели уже 8-битное разрешение. У Landsat 7 ETM+ радиометрическое разрешение составило 9 бит, у Landsat 8 OLI — 12 бит, а у запущенного в сентябре 2021 года Landsat 9 (OLI-2) — 14 бит. Заметим, что сейчас все снимки Ландсатов (Landsat Collection 2) приведены к одному радиометрическому разрешению 16 бит. Тем не менее, чтобы построить временной ряд, состоящий из снимков нескольких Ландсатов, нужны некоторые ухищрения.
Спектральное разрешение соответствует количеству и ширине спектральных каналов, регистрируемых сенсором. В зависимости от спектрального разрешения, снимки делятся на:
* монохроматические (чаще всего, панхроматические);
* мультиспектральные (от 2 до нескольких десятков каналов);
* гиперспектральные (может быть более 100 каналов).
Панхроматические снимки используют один широкий диапазон спектра и имеют более высокое пространственное разрешение по сравнению с остальными каналами съемочной аппаратуры. Их используют для повышения пространственного разрешения данных других каналов. Сама процедура повышения разрешения при помощи панхроматического канала называется “паншарпенинг” (pansharpening). Например, за счет использования панхроматического канала в WorldView-3 пространственное разрешение каналов видимого света можно поднять с 1.24 м до 0.31 м.
Мультиспектральные снимки делает большинство современных спутниковых сенсоров.
Гиперспектральные снимки формируются сенсорами, использующими более узкие спектральные диапазоны и большее количество каналов. Это позволяет сделать регистрируемый спектр практически непрерывным.
Временное разрешение определяет повторяемость съемки определенной области на поверхности Земли. Временное разрешение зависит от высоты орбиты, ширины полосы обзора, количества спутников в группировке. Например, находящийся на солнечно-синхронной орбите высотой 705 км, Landsat 8 имеет временное разрешение 16 суток, а группировка из Landsat 8 и 9 — уже 8 суток. Временное разрешение съемки геостационарных спутников (высота орбиты около 36000 км) составляет 15–30 минут.
#основы
Основными характеристиками снимков являются:
* пространственное разрешение;
* радиометрическое разрешение;
* спектральное разрешение;
* временное разрешение.
О пространственном разрешении мы уже говорили, сегодня обсудим три оставшихся.
Радиометрическое разрешение снимков определяется числом бит, на которые разделена энергия, зарегистрированная спутниковым сенсором. Например, радиометрическое разрешение 8 бит соответствует 256 уровням градации яркости. Другими словами, радиометрическое разрешение — это количество уровней дискретизации, соответствующих переходу яркости от абсолютно черного к абсолютно белому цвету в данном канале сенсора.
Чем выше радиометрическое разрешение, тем точнее отображается зарегистрированный сигнал (картинка в следующем посте), но при этом увеличивается и размер файла снимка.
Радиометрическое разрешение сенсора MSS на первых трех Ландсатах составляло 6 бит, то есть снимки имели всего 64 градации яркости. Сенсоры TM на четвертом и пятом спутниках имели уже 8-битное разрешение. У Landsat 7 ETM+ радиометрическое разрешение составило 9 бит, у Landsat 8 OLI — 12 бит, а у запущенного в сентябре 2021 года Landsat 9 (OLI-2) — 14 бит. Заметим, что сейчас все снимки Ландсатов (Landsat Collection 2) приведены к одному радиометрическому разрешению 16 бит. Тем не менее, чтобы построить временной ряд, состоящий из снимков нескольких Ландсатов, нужны некоторые ухищрения.
Спектральное разрешение соответствует количеству и ширине спектральных каналов, регистрируемых сенсором. В зависимости от спектрального разрешения, снимки делятся на:
* монохроматические (чаще всего, панхроматические);
* мультиспектральные (от 2 до нескольких десятков каналов);
* гиперспектральные (может быть более 100 каналов).
Панхроматические снимки используют один широкий диапазон спектра и имеют более высокое пространственное разрешение по сравнению с остальными каналами съемочной аппаратуры. Их используют для повышения пространственного разрешения данных других каналов. Сама процедура повышения разрешения при помощи панхроматического канала называется “паншарпенинг” (pansharpening). Например, за счет использования панхроматического канала в WorldView-3 пространственное разрешение каналов видимого света можно поднять с 1.24 м до 0.31 м.
Мультиспектральные снимки делает большинство современных спутниковых сенсоров.
Гиперспектральные снимки формируются сенсорами, использующими более узкие спектральные диапазоны и большее количество каналов. Это позволяет сделать регистрируемый спектр практически непрерывным.
Временное разрешение определяет повторяемость съемки определенной области на поверхности Земли. Временное разрешение зависит от высоты орбиты, ширины полосы обзора, количества спутников в группировке. Например, находящийся на солнечно-синхронной орбите высотой 705 км, Landsat 8 имеет временное разрешение 16 суток, а группировка из Landsat 8 и 9 — уже 8 суток. Временное разрешение съемки геостационарных спутников (высота орбиты около 36000 км) составляет 15–30 минут.
#основы