پایش زیست‌محیطی با پایتون: تحلیل داده‌های سنسور برای آینده‌ای پایدار

پایش زیست‌محیطی برای درک و کاهش اثرات تغییرات اقلیمی، آلودگی و تخریب منابع حیاتی است. با گسترش سنسورهای مقرون‌به‌صرفه و قدرت پایتون، اکنون می‌توانیم داده‌های زیست‌محیطی را در مقیاس‌های بی‌سابقه‌ای جمع‌آوری و تحلیل کنیم. این راهنما یک نمای کلی از نحوه استفاده از پایتون برای پایش زیست‌محیطی با تمرکز بر تحلیل داده‌های سنسور ارائه می‌دهد. ما تکنیک‌ها، کتابخانه‌ها و کاربردهای مختلف را بررسی خواهیم کرد تا شما را برای ساخت راه‌حل‌های پایدار توانمند سازیم.

چرا پایتون برای پایش زیست‌محیطی؟

پایتون به زبان اصلی علم داده و محاسبات علمی تبدیل شده است و به دلایل کلیدی زیر، گزینه‌ای ایده‌آل برای پایش زیست‌محیطی است:

• اکوسیستم غنی کتابخانه‌ها: پایتون مجموعه گسترده‌ای از کتابخانه‌ها را دارد که به طور خاص برای تحلیل داده، مصورسازی و یادگیری ماشین طراحی شده‌اند، مانند NumPy، Pandas، Matplotlib، Seaborn، Scikit-learn و غیره.
• سادگی استفاده: سینتکس واضح و مختصر پایتون، یادگیری و استفاده از آن را حتی برای افرادی که تجربه برنامه‌نویسی گسترده‌ای ندارند، آسان می‌کند.
• منبع‌باز و رایگان: پایتون یک زبان منبع‌باز است، به این معنی که استفاده و توزیع آن رایگان است و باعث تقویت همکاری و نوآوری در جامعه پایش زیست‌محیطی می‌شود.
• یکپارچگی با دستگاه‌های IoT: پایتون به طور یکپارچه با دستگاه‌ها و سنسورهای مختلف اینترنت اشیاء (IoT) ادغام می‌شود و امکان جمع‌آوری و پردازش داده‌ها به صورت بلادرنگ را فراهم می‌کند.
• سازگاری بین پلتفرمی: پایتون بر روی سیستم‌عامل‌های مختلف (ویندوز، macOS، لینوکس) اجرا می‌شود و آن را با محیط‌های سخت‌افزاری و نرم‌افزاری متفاوت سازگار می‌کند.

جمع‌آوری داده: اتصال به سنسورها

اولین قدم در پایش زیست‌محیطی، جمع‌آوری داده از سنسورها است. سنسورها می‌توانند طیف گسترده‌ای از پارامترهای زیست‌محیطی را اندازه‌گیری کنند، از جمله:

• کیفیت هوا: ذرات معلق (PM2.5, PM10)، ازن (O3)، دی‌اکسید نیتروژن (NO2)، دی‌اکسید گوگرد (SO2)، مونوکسید کربن (CO)
• کیفیت آب: pH، اکسیژن محلول (DO)، کدورت، رسانایی، دما، آلاینده‌ها
• اقلیم: دما، رطوبت، فشار، بارش، سرعت باد، تابش خورشیدی
• خاک: رطوبت، دما، pH، سطح مواد مغذی
• آلودگی صوتی: سطح دسی‌بل

سنسورها می‌توانند به میکروکنترلرها (مانند آردوینو، رزبری پای) یا دیتالاگرهای اختصاصی متصل شوند. این دستگاه‌ها داده‌ها را جمع‌آوری کرده و برای ذخیره‌سازی و تحلیل به یک سرور مرکزی یا پلتفرم ابری ارسال می‌کنند.

مثال: خواندن داده‌های کیفیت هوا از یک سنسور با استفاده از پایتون

بیایید سناریویی را در نظر بگیریم که می‌خواهیم داده‌های کیفیت هوا را از سنسوری متصل به یک رزبری پای بخوانیم. می‌توانیم از کتابخانه `smbus` برای ارتباط با سنسور از طریق پروتکل I2C (Inter-Integrated Circuit) استفاده کنیم.

```python import smbus import time # I2C address of the sensor SENSOR_ADDRESS = 0x48 # Register addresses for PM2.5 and PM10 PM25_REGISTER = 0x02 PM10_REGISTER = 0x04 # Initialize I2C bus bus = smbus.SMBus(1) # Use bus 1 for Raspberry Pi def read_pm_data(): # Read PM2.5 value bus.write_byte(SENSOR_ADDRESS, PM25_REGISTER) time.sleep(0.1) pm25_data = bus.read_i2c_block_data(SENSOR_ADDRESS, PM25_REGISTER, 2) pm25 = pm25_data[0] * 256 + pm25_data[1] # Read PM10 value bus.write_byte(SENSOR_ADDRESS, PM10_REGISTER) time.sleep(0.1) pm10_data = bus.read_i2c_block_data(SENSOR_ADDRESS, PM10_REGISTER, 2) pm10 = pm10_data[0] * 256 + pm10_data[1] return pm25, pm10 if __name__ == "__main__": try: while True: pm25, pm10 = read_pm_data() print(f"PM2.5: {pm25} μg/m³") print(f"PM10: {pm10} μg/m³") time.sleep(5) except KeyboardInterrupt: print("\nExiting...") ```

توضیح:

• این کد کتابخانه‌های `smbus` و `time` را وارد می‌کند.
• آدرس I2C سنسور و آدرس‌های رجیستر برای PM2.5 و PM10 را تعریف می‌کند.
• تابع `read_pm_data()` مقادیر PM2.5 و PM10 را از سنسور با استفاده از ارتباط I2C می‌خواند.
• بلوک `main` به طور مداوم مقادیر PM2.5 و PM10 را هر 5 ثانیه می‌خواند و چاپ می‌کند.

این یک مثال پایه است و کد مشخص بسته به سنسور و پروتکل ارتباطی مورد استفاده متفاوت خواهد بود.

ذخیره‌سازی داده: انتخاب پایگاه داده مناسب

پس از جمع‌آوری داده‌ها، باید آنها را برای تحلیل‌های بعدی در یک پایگاه داده ذخیره کنید. چندین گزینه پایگاه داده برای داده‌های پایش زیست‌محیطی مناسب هستند، از جمله:

• پایگاه‌های داده سری زمانی (TSDBs): InfluxDB، TimescaleDB، Prometheus. این پایگاه‌های داده به طور خاص برای ذخیره و پرس‌وجوی داده‌های سری زمانی طراحی شده‌اند که در پایش زیست‌محیطی رایج است. آنها ویژگی‌هایی مانند ذخیره‌سازی کارآمد، نمایه‌سازی و پرس‌وجوی داده‌های دارای برچسب زمانی را ارائه می‌دهند.
• پایگاه‌های داده رابطه‌ای (RDBMS): PostgreSQL، MySQL. این پایگاه‌های داده همه‌کاره هستند و می‌توانند انواع مختلف داده‌ها، از جمله داده‌های سری زمانی را مدیریت کنند. آنها یکپارچگی قوی داده و خواص ACID (اتمی بودن، سازگاری، جداسازی، دوام) را فراهم می‌کنند.
• پایگاه‌های داده NoSQL: MongoDB، Cassandra. این پایگاه‌های داده برای ذخیره داده‌های بدون ساختار یا نیمه‌ساختاریافته، مانند خوانش‌های سنسور با ویژگی‌های متغیر، مناسب هستند. آنها مقیاس‌پذیری و انعطاف‌پذیری را ارائه می‌دهند.
• ذخیره‌سازی مبتنی بر ابر: AWS S3، Google Cloud Storage، Azure Blob Storage. این سرویس‌ها ذخیره‌سازی مقیاس‌پذیر و مقرون‌به‌صرفه برای مجموعه داده‌های بزرگ فراهم می‌کنند.

انتخاب پایگاه داده به نیازهای خاص پروژه شما، از جمله حجم داده، پیچیدگی پرس‌وجوها و نیازهای مقیاس‌پذیری بستگی دارد. برای داده‌های سری زمانی، TSDBها به طور کلی گزینه ترجیحی هستند.

تحلیل داده: کشف بینش‌ها

تحلیل داده هسته اصلی پایش زیست‌محیطی است. این فرآیند شامل پاکسازی، پردازش و تحلیل داده‌های سنسور برای استخراج بینش‌های معنادار است. پایتون مجموعه غنی از کتابخانه‌ها را برای تحلیل داده فراهم می‌کند، از جمله:

• NumPy: برای محاسبات عددی و دستکاری آرایه‌ها.
• Pandas: برای دستکاری و تحلیل داده‌ها، شامل پاکسازی داده، فیلتر کردن، گروه‌بندی و تجمیع.
• SciPy: برای محاسبات علمی، شامل تحلیل آماری، پردازش سیگنال و بهینه‌سازی.

پاکسازی و پیش‌پردازش داده‌ها

داده‌های خام سنسور اغلب حاوی نویز، مقادیر گمشده و داده‌های پرت هستند. پاکسازی و پیش‌پردازش داده‌ها گام‌های اساسی برای اطمینان از دقت و قابلیت اطمینان تحلیل هستند. تکنیک‌های رایج عبارتند از:

• مدیریت مقادیر گمشده: جایگزینی مقادیر گمشده با استفاده از تکنیک‌هایی مانند جایگزینی با میانگین، میانه یا درون‌یابی.
• تشخیص و حذف داده‌های پرت: شناسایی و حذف داده‌های پرت با استفاده از روش‌های آماری مانند Z-score یا روش IQR (دامنه بین چارکی).
• هموارسازی داده‌ها: اعمال تکنیک‌های هموارسازی مانند میانگین متحرک یا فیلترهای Savitzky-Golay برای کاهش نویز.
• نرمال‌سازی داده‌ها: مقیاس‌بندی داده‌ها به یک محدوده مشترک (مانند 0 تا 1) برای بهبود عملکرد الگوریتم‌های یادگیری ماشین.

مثال: پاکسازی داده با Pandas

بیایید پاکسازی داده را با استفاده از کتابخانه Pandas نشان دهیم.

```python import pandas as pd import numpy as np # Sample sensor data with missing values and outliers data = { 'timestamp': pd.to_datetime(['2023-10-26 00:00:00', '2023-10-26 00:05:00', '2023-10-26 00:10:00', '2023-10-26 00:15:00', '2023-10-26 00:20:00']), 'temperature': [25.5, 26.0, np.nan, 27.5, 100.0], # NaN and outlier 'humidity': [60.0, 62.0, 61.0, 63.0, 65.0] } df = pd.DataFrame(data) # 1. Handle Missing Values (Mean Imputation) df['temperature'].fillna(df['temperature'].mean(), inplace=True) # 2. Outlier Detection and Removal (Z-score) from scipy import stats z = np.abs(stats.zscore(df['temperature'])) threshold = 3 # Z-score threshold df = df[z < threshold] # Print the cleaned DataFrame print(df) ```

توضیح:

• این کد یک DataFrame پانداس با داده‌های نمونه سنسور ایجاد می‌کند که شامل مقادیر گمشده (NaN) و یک داده پرت (100.0) است.
• مقادیر گمشده در ستون 'temperature' را با مقدار میانگین آن ستون پر می‌کند.
• Z-score را برای هر مقدار در ستون 'temperature' محاسبه کرده و داده‌های پرتی که Z-score آنها بزرگتر از 3 است را حذف می‌کند.
• در نهایت، DataFrame پاکسازی شده را چاپ می‌کند.

تحلیل سری‌های زمانی

داده‌های زیست‌محیطی اغلب در طول زمان جمع‌آوری می‌شوند، که تحلیل سری‌های زمانی را به یک تکنیک حیاتی تبدیل می‌کند. تحلیل سری‌های زمانی شامل تحلیل نقاط داده‌ای است که به ترتیب زمانی نمایه‌سازی شده‌اند. تکنیک‌های رایج عبارتند از:

• تحلیل روند: شناسایی جهت کلی داده‌ها در طول زمان.
• تحلیل فصلی بودن: شناسایی الگوهای تکرارشونده که در فواصل زمانی منظم رخ می‌دهند.
• تحلیل خودهمبستگی: اندازه‌گیری همبستگی بین یک سری زمانی و مقادیر با تأخیر آن.
• پیش‌بینی: پیش‌بینی مقادیر آینده بر اساس داده‌های تاریخی.

کتابخانه‌های پایتون مانند `statsmodels` و `Prophet` ابزارهایی برای انجام تحلیل سری‌های زمانی فراهم می‌کنند. `statsmodels` طیف گسترده‌ای از مدل‌های آماری، از جمله مدل‌های ARIMA (میانگین متحرک یکپارچه خودرگرسیو) را ارائه می‌دهد، در حالی که `Prophet` به طور خاص برای پیش‌بینی داده‌های سری زمانی با فصلی بودن قوی طراحی شده است.

مثال: تجزیه سری زمانی با statsmodels

```python import pandas as pd import matplotlib.pyplot as plt from statsmodels.tsa.seasonal import seasonal_decompose # Sample time series data (replace with your actual data) data = { 'timestamp': pd.to_datetime(pd.date_range(start='2023-01-01', end='2023-12-31', freq='D')), 'temperature': [20 + 10*np.sin(i/30) + np.random.normal(0, 2) for i in range(365)] } df = pd.DataFrame(data) df.set_index('timestamp', inplace=True) # Decompose the time series result = seasonal_decompose(df['temperature'], model='additive', period=30) # Plot the components plt.figure(figsize=(12, 8)) plt.subplot(411) plt.plot(df['temperature'], label='Original') plt.legend(loc='upper left') plt.subplot(412) plt.plot(result.trend, label='Trend') plt.legend(loc='upper left') plt.subplot(413) plt.plot(result.seasonal, label='Seasonal') plt.legend(loc='upper left') plt.subplot(414) plt.plot(result.resid, label='Residual') plt.legend(loc='upper left') plt.tight_layout() plt.show() ```

توضیح:

• این کد یک DataFrame پانداس با داده‌های سری زمانی نمونه ایجاد می‌کند که نمایانگر خوانش‌های دمای روزانه است.
• از تابع `seasonal_decompose` از کتابخانه `statsmodels` برای تجزیه سری زمانی به مؤلفه‌های روند، فصلی و باقیمانده استفاده می‌کند.
• سری زمانی اصلی و مؤلفه‌های آن را برای مصورسازی الگوهای زیربنایی رسم می‌کند.

مصورسازی داده: انتقال یافته‌ها

مصورسازی داده برای انتقال یافته‌های شما به مخاطبان گسترده‌تر حیاتی است. پایتون چندین کتابخانه برای ایجاد نمودارها و گراف‌های آموزنده و جذاب بصری ارائه می‌دهد، از جمله:

• Matplotlib: یک کتابخانه بنیادی برای ایجاد مصورسازی‌های ایستا، تعاملی و متحرک.
• Seaborn: یک کتابخانه سطح بالا که بر روی Matplotlib ساخته شده است و رابط کاربری زیباتر و کاربرپسندتری برای ایجاد مصورسازی‌های آماری فراهم می‌کند.
• Plotly: یک کتابخانه برای ایجاد مصورسازی‌های تعاملی و مبتنی بر وب.
• Bokeh: کتابخانه دیگری برای ایجاد برنامه‌های کاربردی وب و داشبوردهای تعاملی.

مثال: ایجاد نمودار خطی با Matplotlib

```python import matplotlib.pyplot as plt import pandas as pd import numpy as np #Sample Data dates = pd.to_datetime(pd.date_range(start='2023-01-01', end='2023-01-10')) temperatures = [10, 12, 15, 14, 16, 18, 17, 19, 20, 22] data = {'date': dates, 'temperature': temperatures} df = pd.DataFrame(data) # Creating the plot plt.figure(figsize=(10, 6)) plt.plot(df['date'], df['temperature'], marker='o', linestyle='-') # Adding title and labels plt.title('Daily Temperature Trend') plt.xlabel('Date') plt.ylabel('Temperature (°C)') # Adding grid for better readability plt.grid(True) # Rotating date labels for better readability plt.xticks(rotation=45) # Show the plot plt.tight_layout() plt.show() ```

توضیح:

• ما `matplotlib.pyplot` را برای رسم نمودار وارد می‌کنیم.
• داده‌های نمونه با تاریخ‌ها و دماها ایجاد می‌کنیم.
• یک نمودار خطی با تاریخ‌ها در محور x و دماها در محور y ایجاد می‌کنیم.
• عنوان، برچسب‌ها و شبکه برای وضوح بیشتر اضافه می‌کنیم.
• برچسب‌های محور x (تاریخ‌ها) برای خوانایی بهتر چرخانده شده‌اند.

یادگیری ماشین برای پایش زیست‌محیطی

یادگیری ماشین می‌تواند برای ساخت مدل‌های پیش‌بینی‌کننده و خودکارسازی وظایف در پایش زیست‌محیطی استفاده شود. برخی از کاربردهای یادگیری ماشین عبارتند از:

• پیش‌بینی کیفیت هوا: پیش‌بینی سطح کیفیت هوای آینده بر اساس داده‌های تاریخی و شرایط هواشناسی.
• پایش کیفیت آب: تشخیص ناهنجاری‌ها و پیش‌بینی پارامترهای کیفیت آب.
• مدل‌سازی تغییرات اقلیمی: شبیه‌سازی سناریوهای اقلیمی و ارزیابی اثرات تغییرات اقلیمی.
• شناسایی منبع آلودگی: شناسایی منابع آلودگی بر اساس داده‌های سنسور و اطلاعات جغرافیایی.

کتابخانه `Scikit-learn` پایتون مجموعه جامعی از الگوریتم‌های یادگیری ماشین برای طبقه‌بندی، رگرسیون، خوشه‌بندی و کاهش ابعاد را فراهم می‌کند.

مثال: پیش‌بینی کیفیت هوا با Scikit-learn

بیایید پیش‌بینی کیفیت هوا را با استفاده از یک مدل رگرسیون خطی ساده نشان دهیم.

```python import pandas as pd from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error # Sample air quality data (replace with your actual data) data = { 'temperature': [20, 22, 25, 24, 26, 28, 27, 29, 30, 32], 'humidity': [60, 62, 65, 64, 66, 68, 67, 69, 70, 72], 'pm25': [10, 12, 15, 14, 16, 18, 17, 19, 20, 22] # PM2.5 concentration } df = pd.DataFrame(data) # Prepare the data X = df[['temperature', 'humidity']] y = df['pm25'] # Split the data into training and testing sets X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # Train the linear regression model model = LinearRegression() model.fit(X_train, y_train) # Make predictions on the test set y_pred = model.predict(X_test) # Evaluate the model mse = mean_squared_error(y_test, y_pred) print(f"Mean Squared Error: {mse}") # Predict PM2.5 for a new set of conditions new_data = pd.DataFrame({'temperature': [25], 'humidity': [63]}) predicted_pm25 = model.predict(new_data)[0] print(f"Predicted PM2.5: {predicted_pm25}") ```

توضیح:

• این کد یک DataFrame پانداس با داده‌های نمونه کیفیت هوا، شامل دما، رطوبت و غلظت PM2.5 ایجاد می‌کند.
• داده‌ها را به مجموعه‌های آموزشی و آزمایشی تقسیم می‌کند.
• یک مدل رگرسیون خطی را با استفاده از داده‌های آموزشی، آموزش می‌دهد.
• بر روی مجموعه آزمایشی پیش‌بینی انجام می‌دهد و مدل را با استفاده از میانگین مربعات خطا ارزیابی می‌کند.
• غلظت PM2.5 را برای مجموعه جدیدی از شرایط پیش‌بینی می‌کند.

ساخت یک سیستم پایش زیست‌محیطی بلادرنگ

برای ایجاد یک سیستم پایش زیست‌محیطی بلادرنگ، می‌توانید تکنیک‌های مورد بحث بالا را با مؤلفه‌های زیر ترکیب کنید:

• سنسورها: سنسورهایی را انتخاب کنید که برای پارامترهای زیست‌محیطی که می‌خواهید پایش کنید، مناسب باشند.
• میکروکنترلرها/دیتالاگرها: از میکروکنترلرها یا دیتالاگرها برای جمع‌آوری داده از سنسورها استفاده کنید.
• پروتکل ارتباطی: از یک پروتکل ارتباطی مانند Wi-Fi، تلفن همراه یا LoRaWAN برای انتقال داده‌ها به یک سرور مرکزی استفاده کنید.
• ذخیره‌سازی داده: یک پایگاه داده برای ذخیره داده‌ها انتخاب کنید.
• پردازش داده: از پایتون برای پاکسازی، پردازش و تحلیل داده‌ها استفاده کنید.
• مصورسازی داده: داشبوردها یا برنامه‌های کاربردی وب برای مصورسازی داده‌ها ایجاد کنید.
• سیستم هشدار: یک سیستم هشدار برای اطلاع‌رسانی به شما هنگام عبور از آستانه‌های معین پیاده‌سازی کنید.

ملاحظات اخلاقی

در هنگام استقرار سیستم‌های پایش زیست‌محیطی، در نظر گرفتن پیامدهای اخلاقی بسیار مهم است. این شامل موارد زیر است:

• حریم خصوصی داده‌ها: اگر سیستم داده‌های مکانی یا شخصی را جمع‌آوری می‌کند، از حریم خصوصی افراد اطمینان حاصل کنید.
• امنیت داده‌ها: سیستم را از دسترسی غیرمجاز و نشت داده‌ها محافظت کنید.
• دقت داده‌ها: برای جمع‌آوری و تحلیل داده‌های دقیق و قابل اعتماد تلاش کنید.
• شفافیت: در مورد هدف و عملکرد سیستم شفاف باشید.
• مشارکت جامعه: جامعه را در طراحی و استقرار سیستم درگیر کنید.

نمونه‌های جهانی از کاربرد پایتون در پایش زیست‌محیطی

• پروژه شهروند هوشمند (بارسلونا، اسپانیا): یک پلتفرم جهانی که ابزارهای منبع‌بازی را برای شهروندان جهت جمع‌آوری و به اشتراک‌گذاری داده‌های زیست‌محیطی فراهم می‌کند و از پایتون برای پردازش و مصورسازی داده‌ها استفاده می‌کند.
• آژانس حفاظت از محیط زیست (EPA، ایالات متحده): به طور گسترده از پایتون برای تحلیل داده، مدل‌سازی و مصورسازی داده‌های زیست‌محیطی مرتبط با کیفیت هوا و آب استفاده می‌کند.
• پروژه OpenAQ (جهانی): یک پلتفرم منبع‌باز که داده‌های کیفیت هوا را از سراسر جهان جمع‌آوری می‌کند و از پایتون برای دریافت داده، پردازش و توسعه API استفاده می‌کند.
• مؤسسات تحقیقاتی مختلف در سراسر جهان: از پایتون برای مدل‌سازی اقلیمی، مطالعات اکولوژیکی و پایش تنوع زیستی استفاده می‌کنند.
• ابتکارات کشاورزی هوشمند: در سراسر جهان، کشاورزان از پایتون برای تحلیل داده‌های سنسور از مزارع خود، بهینه‌سازی آبیاری، استفاده از کود و کنترل آفات بهره می‌برند.

نتیجه‌گیری

پایتون یک پلتفرم قدرتمند و همه‌کاره برای پایش زیست‌محیطی و تحلیل داده‌های سنسور ارائه می‌دهد. با بهره‌گیری از اکوسیستم غنی کتابخانه‌های پایتون و سادگی استفاده از آن، می‌توانید راه‌حل‌های پایداری برای مقابله با چالش‌های فوری زیست‌محیطی بسازید. این راهنما یک نمای کلی از تکنیک‌ها و کاربردهای کلیدی ارائه داده است. ما شما را تشویق می‌کنیم که بیشتر کاوش کرده و با استفاده از قدرت پایتون به آینده‌ای پایدارتر کمک کنید. ترکیب فناوری‌های در دسترس و پلتفرم‌های منبع‌باز مانند پایتون، افراد و سازمان‌ها را در سراسر جهان توانمند می‌سازد تا خطرات زیست‌محیطی را پایش و کاهش دهند، که منجر به تصمیم‌گیری آگاهانه‌تر و سیاره‌ای سالم‌تر می‌شود.

منابع بیشتر

• مستندات Pandas: https://pandas.pydata.org/docs/
• مستندات Matplotlib: https://matplotlib.org/stable/contents.html
• مستندات Scikit-learn: https://scikit-learn.org/stable/
• مستندات statsmodels: https://www.statsmodels.org/stable/index.html
• آموزش‌های پایش زیست‌محیطی در RealPython.com: https://realpython.com/ (عبارت "environmental monitoring" را جستجو کنید)