🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره جامع نقشهبرداری مزارع خرد با یادگیری عمیق و تصاویر ماهوارهای VHR برای توسعه پایدار
موضوع کلی: سنجش از دور و هوش مصنوعی در کشاورزی
موضوع میانی: نقشهبرداری و تحلیل زمینهای کشاورزی با دادههای ماهوارهای
📋 سرفصلهای دوره (100 موضوع)
- 1. مقدمه ای بر سنجش از دور در کشاورزی
- 2. اصول و مبانی تصاویر ماهواره ای
- 3. انواع ماهواره ها و سنجنده های مورد استفاده در کشاورزی
- 4. آشنایی با داده های ماهواره ای VHR و کاربردهای آن
- 5. مقدمه ای بر هوش مصنوعی و یادگیری عمیق در کشاورزی
- 6. مبانی یادگیری ماشین و یادگیری عمیق
- 7. آشنایی با شبکه های عصبی کانولوشنی (CNN)
- 8. معرفی معماری های رایج CNN برای پردازش تصاویر
- 9. پیش پردازش تصاویر ماهواره ای: تصحیحات هندسی و اتمسفری
- 10. افزایش کیفیت تصاویر ماهواره ای: تکنیک های شارپنینگ
- 11. شاخص های طیفی گیاهی: NDVI، EVI و سایر شاخص ها
- 12. محاسبه شاخص های طیفی در نرم افزارهای سنجش از دور
- 13. تحلیل سری زمانی شاخص های طیفی برای پایش پوشش گیاهی
- 14. آشنایی با نرم افزارهای سنجش از دور: QGIS، ENVI و Google Earth Engine
- 15. بارگیری و مدیریت داده های ماهواره ای در Google Earth Engine
- 16. برنامه نویسی Python برای پردازش تصاویر ماهواره ای
- 17. آشنایی با کتابخانه های Python برای سنجش از دور: GDAL، Rasterio
- 18. قطعه بندی تصاویر ماهواره ای: روش های سنتی و یادگیری عمیق
- 19. قطعه بندی تصاویر با استفاده از الگوریتم های مبتنی بر پیکسل
- 20. قطعه بندی تصاویر با استفاده از الگوریتم های مبتنی بر شیء
- 21. قطعه بندی تصاویر با استفاده از CNN ها: U-Net و Mask R-CNN
- 22. آماده سازی داده های آموزشی برای یادگیری عمیق
- 23. برچسب زنی تصاویر ماهواره ای برای قطعه بندی مزارع
- 24. تولید داده های آموزشی سنتتیک برای افزایش دقت مدل
- 25. انتخاب معماری مناسب CNN برای قطعه بندی مزارع خرد
- 26. آموزش مدل های یادگیری عمیق در Google Colab و AWS
- 27. تنظیم ابرپارامترهای مدل های یادگیری عمیق
- 28. ارزیابی عملکرد مدل های قطعه بندی: IoU، F1-score و Precision-Recall
- 29. بهینه سازی مدل های یادگیری عمیق برای بهبود دقت و سرعت
- 30. روش های افزایش دقت قطعه بندی مزارع با استفاده از تصاویر VHR
- 31. ادغام داده های ماهواره ای با داده های زمینی برای اعتبارسنجی
- 32. استفاده از داده های پهپادی (UAV) برای اعتبارسنجی مدل ها
- 33. طبقه بندی تصاویر ماهواره ای: روش های سنتی و یادگیری عمیق
- 34. طبقه بندی تصاویر با استفاده از الگوریتم های ماشین لرنینگ: SVM، Random Forest
- 35. طبقه بندی تصاویر با استفاده از CNN ها: ResNet، Inception
- 36. آماده سازی داده های آموزشی برای طبقه بندی محصولات زراعی
- 37. برچسب زنی تصاویر ماهواره ای برای طبقه بندی محصولات زراعی
- 38. انتخاب ویژگی های طیفی و بافتی مناسب برای طبقه بندی
- 39. آموزش مدل های یادگیری عمیق برای طبقه بندی محصولات زراعی
- 40. ارزیابی عملکرد مدل های طبقه بندی: دقت کلی، ماتریس درهم ریختگی
- 41. روش های افزایش دقت طبقه بندی محصولات زراعی با استفاده از تصاویر VHR
- 42. تلفیق داده های قطعه بندی و طبقه بندی برای تولید نقشه های دقیق مزارع
- 43. تخمین سطح زیر کشت محصولات زراعی در مزارع خرد
- 44. بررسی دقت تخمین سطح زیر کشت با روش های مختلف
- 45. تطبیق نتایج با آمار رسمی و داده های میدانی
- 46. شناسایی الگوهای کشت و تناوب زراعی با استفاده از داده های ماهواره ای
- 47. تحلیل تغییرات پوشش گیاهی در طول زمان
- 48. پایش سلامت گیاهان با استفاده از شاخص های طیفی و یادگیری عمیق
- 49. تشخیص بیماری ها و آفات گیاهی با استفاده از تصاویر ماهواره ای
- 50. ارزیابی خسارت های ناشی از بلایای طبیعی بر مزارع
- 51. تخمین عملکرد محصولات زراعی با استفاده از مدل های مبتنی بر سنجش از دور
- 52. مدل سازی عملکرد محصولات با استفاده از الگوریتم های یادگیری ماشین
- 53. ادغام داده های ماهواره ای با داده های هواشناسی و خاک برای تخمین عملکرد
- 54. ارزیابی اثرات تغییر اقلیم بر کشاورزی در مقیاس ملی
- 55. تحلیل آسیب پذیری مناطق کشاورزی در برابر تغییر اقلیم
- 56. توسعه سیستم های پشتیبانی تصمیم برای کشاورزان
- 57. بهینه سازی مصرف آب در کشاورزی با استفاده از داده های ماهواره ای
- 58. پایش آبیاری و مدیریت منابع آب در مزارع
- 59. بررسی اثرات روش های مختلف آبیاری بر عملکرد محصولات
- 60. ارزیابی کارایی کوددهی و مصرف نهاده ها در کشاورزی
- 61. پایش رشد گیاهان و تعیین زمان مناسب کوددهی
- 62. بهینه سازی مصرف کود با استفاده از داده های ماهواره ای و یادگیری عمیق
- 63. ارزیابی پایداری کشاورزی و اثرات زیست محیطی
- 64. تحلیل اثرات کشاورزی بر تنوع زیستی و منابع طبیعی
- 65. توسعه شاخص های پایداری کشاورزی مبتنی بر سنجش از دور
- 66. کاربرد داده های ماهواره ای در مدیریت پایدار زمین های کشاورزی
- 67. شناسایی مناطق مستعد تخریب و بیابان زایی
- 68. ارائه راهکارهای مدیریتی برای حفظ و احیای زمین های کشاورزی
- 69. کاربرد داده های ماهواره ای در ردیابی زنجیره تامین محصولات کشاورزی
- 70. تایید اصالت و منشاء محصولات کشاورزی با استفاده از تصاویر ماهواره ای
- 71. ارتقای شفافیت و پاسخگویی در زنجیره تامین
- 72. نقش سنجش از دور در برنامه ریزی و سیاست گذاری کشاورزی
- 73. ارائه اطلاعات دقیق و به روز برای تصمیم گیری های کلان
- 74. بهبود مدیریت بحران و کاهش خسارت های ناشی از بلایای طبیعی
- 75. ارائه خدمات اطلاعاتی به کشاورزان برای افزایش بهره وری
- 76. بررسی چالش ها و فرصت های استفاده از سنجش از دور در کشاورزی
- 77. محدودیت های فنی و اقتصادی در استفاده از تصاویر ماهواره ای
- 78. راهکارهای غلبه بر چالش ها و استفاده بهینه از ظرفیت های سنجش از دور
- 79. آینده سنجش از دور و هوش مصنوعی در کشاورزی
- 80. روند های نوظهور در فناوری های سنجش از دور و یادگیری عمیق
- 81. نقش داده های بزرگ و اینترنت اشیا در کشاورزی هوشمند
- 82. اخلاق و مسئولیت پذیری در استفاده از داده های ماهواره ای
- 83. حریم خصوصی و امنیت داده ها در کشاورزی
- 84. نقش آموزش و توانمندسازی کشاورزان در استفاده از فناوری های نوین
- 85. توسعه دوره های آموزشی و برنامه های ترویجی برای انتقال دانش
- 86. ارائه خدمات مشاوره ای به کشاورزان برای استفاده از داده های ماهواره ای
- 87. مطالعه موردی: استفاده از سنجش از دور در مدیریت کشاورزی در یک منطقه خاص
- 88. بررسی چالش ها و موفقیت های پروژه های سنجش از دور در کشاورزی
- 89. تجربه های عملی و درس های آموخته شده
- 90. کاربرد سنجش از دور در تامین امنیت غذایی و توسعه پایدار
- 91. نقش فناوری در کاهش فقر و بهبود معیشت کشاورزان
- 92. حمایت از کشاورزی پایدار و حفظ محیط زیست
- 93. ارائه راهکارهای عملی برای استفاده از سنجش از دور در توسعه پایدار کشاورزی
- 94. پروژه عملی 1: قطعه بندی مزارع خرد با استفاده از CNN ها
- 95. پروژه عملی 2: طبقه بندی محصولات زراعی با استفاده از یادگیری عمیق
- 96. پروژه عملی 3: تخمین سطح زیر کشت و عملکرد محصولات با استفاده از داده های ماهواره ای
- 97. پروژه عملی 4: پایش سلامت گیاهان و تشخیص بیماری ها با استفاده از تصاویر ماهواره ای
- 98. پروژه عملی 5: تحلیل تغییرات پوشش گیاهی و ارزیابی اثرات تغییر اقلیم
- 99. جمع بندی و نتیجه گیری: دستاوردها و چشم انداز آینده
- 100. منابع و مراجع: معرفی کتاب ها، مقالات و وب سایت های مفید
آینده کشاورزی پایدار در دستان شماست: دوره جامع نقشهبرداری مزارع خرد با یادگیری عمیق و تصاویر ماهوارهای VHR
معرفی دوره
تصور کنید بتوانید با دقت بیسابقهای، هر قطعه زمین کشاورزی خرد در پهنه وسیعی را شناسایی و نقشهبرداری کنید. تصور کنید با بهرهگیری از قدرت تحلیل دادههای ماهوارهای با وضوح فوقالعاده بالا (VHR) و الگوریتمهای پیشرفته یادگیری عمیق، تصویری دقیق و کاربردی از وضعیت فعلی کشاورزی در مقیاس ملی به دست آورید. این همان هدفی است که در پژوهشهای پیشرو در سطح جهان دنبال میشود، پژوهشی که اخیراً در مقالهای علمی با عنوان “National level satellite-based crop field inventories in smallholder landscapes” منتشر شده است. این مقاله نشان داد که چگونه با ادغام دادههای ماهوارهای VHR (با دقت 1.5 متر) و یادگیری عمیق انتقالی، میتوان نقشههای دقیقی از مزارع کشاورزی استخراج کرد.
دوره جامع “نقشهبرداری مزارع خرد با یادگیری عمیق و تصاویر ماهوارهای VHR برای توسعه پایدار”، دقیقاً بر اساس همین رویکرد علمی و نوآورانه طراحی شده است. ما در این دوره، تکنیکها و ابزارهای لازم برای دستیابی به این توانمندی را به شما آموزش میدهیم. شما با گذراندن این دوره، قادر خواهید بود دادههای ماهوارهای را تحلیل کرده، مزارع فعال کشاورزی را با دقت بالا از سایر کاربریهای زمین تفکیک کنید و اطلاعات حیاتی درباره اندازه، شکل و پراکندگی این مزارع به دست آورید؛ اطلاعاتی که برای سیاستگذاریهای مبتنی بر شواهد در جهت ارتقای پایداری کشاورزی، به ویژه در مناطق با کشاورزی خردهمالکی، حیاتی است.
درباره دوره
این دوره، پلی است بین دانش نظری سنجش از دور و هوش مصنوعی و کاربرد عملی آن در یکی از چالشبرانگیزترین بخشهای توسعه پایدار: کشاورزی خردهمالکی. الهامگرفته از موفقیتهای پژوهشهای اخیر که توانستند در مقیاس ملی (مانند کشور موزامبیک) دادههای دقیقی از 21 میلیون مزرعه انفرادی با دقت 93% استخراج کنند، ما در این دوره، مسیر گام به گام دستیابی به چنین نتایجی را برای شما روشن میسازیم.
محتوای دوره به طور ویژه بر استفاده از تصاویر ماهوارهای با وضوح فوقالعاده بالا (VHR) و تکنیکهای یادگیری عمیق، به خصوص مدلهای یادگیری انتقالی (Transfer Learning)، تمرکز دارد. این رویکرد، امکان دستیابی به دقت بالا در نقشهبرداری را حتی با نیاز به دادههای مرجع کم فراهم میکند و قابلیت تعمیمپذیری بالایی به مناطق مختلف دارد. شما با مفاهیم کلیدی مانند تفکیک کاربری اراضی، محاسبه شاخصهای آماری مزارع، و تحلیل فضایی دادههای استخراج شده آشنا خواهید شد.
موضوعات کلیدی
- مبانی سنجش از دور و تصاویر ماهوارهای VHR
- مقدمهای بر یادگیری عمیق و شبکههای عصبی کانولوشنی (CNN)
- تکنیکهای یادگیری انتقالی (Transfer Learning) در تحلیل تصاویر
- پیشپردازش دادههای ماهوارهای برای نقشهبرداری
- استخراج و تفکیک خودکار مرز مزارع کشاورزی
- مدلسازی و تحلیل ویژگیهای مزارع (مانند اندازه، شکل، دسترسی)
- ارزیابی دقت و اعتبارسنجی نقشههای استخراج شده
- کاربرد دادههای نقشهبرداری مزارع در توسعه پایدار
- مطالعات موردی و مثالهای عملی از کشورهای مشابه
- معرفی ابزارها و نرمافزارهای تخصصی (مانند GIS، Python، کتابخانههای یادگیری عمیق)
مخاطبان دوره
این دوره برای طیف وسیعی از متخصصان و علاقهمندان حوزه کشاورزی، محیط زیست، و توسعه پایدار طراحی شده است:
- کارشناسان و پژوهشگران سازمانهای دولتی و خصوصی فعال در حوزه کشاورزی و منابع طبیعی
- متخصصان سنجش از دور و GIS که به دنبال بهروزرسانی دانش خود در زمینه یادگیری عمیق هستند
- دانشجویان رشتههای مرتبط (کشاورزی، جغرافی، علوم محیط زیست، مهندسی کامپیوتر)
- تحلیلگران داده و دانشمندان داده که علاقهمند به کاربرد هوش مصنوعی در مسائل واقعی هستند
- تصمیمگیرندگان و سیاستگذاران که به دنبال ابزارهای دقیق برای ارزیابی و برنامهریزی در بخش کشاورزی هستند
- فعالان سازمانهای غیردولتی (NGOs) در حوزه توسعه پایدار و امنیت غذایی
چرا این دوره را بگذرانیم؟
در دنیای امروز، اطلاعات دقیق و بهروز، کلید موفقیت در هر حوزهای، به ویژه کشاورزی است. این دوره به شما توانمندیهایی میبخشد که شما را در خط مقدم نوآوری قرار میدهد:
- دستیابی به دانش روز جهان: با آخرین دستاوردهای علمی در زمینه سنجش از دور و هوش مصنوعی آشنا شوید، دقیقاً همانطور که در مقالات علمی پیشرو منتشر شده است.
- توانمندسازی برای حل مسائل واقعی: بیاموزید چگونه مشکلات پیچیده کشاورزی، مانند شناخت پراکندگی مزارع خرد و ارزیابی تأثیر آنها بر عوامل اقتصادی و زیستمحیطی، را با استفاده از دادهها و الگوریتمهای پیشرفته حل کنید.
- افزایش دقت و کارایی: با استفاده از تصاویر VHR و یادگیری عمیق، از دقت بسیار بالاتری در نقشهبرداری و تحلیل نسبت به روشهای سنتی برخوردار شوید.
- کسب مهارتهای کاربردی: یادگیری عمیق و عملی ابزارها و تکنیکهایی که مستقیماً در پروژههای واقعی قابل استفاده هستند.
- اهمیت در توسعه پایدار: نقش حیاتی این دانش در تدوین سیاستهای پایدار، افزایش بهرهوری، حفاظت از محیط زیست و بهبود معیشت کشاورزان خردهمالک را درک کنید.
- پیشرو باشید: با گذراندن این دوره، خود را به عنوان فردی مجهز به دانش و مهارتهای مورد نیاز برای آینده کشاورزی پایدار معرفی کنید.
سرفصلهای دوره
این دوره جامع، با پوشش بیش از 100 سرفصل کلیدی، شما را از مفاهیم پایه تا سطوح پیشرفته هدایت میکند. ما معتقدیم جامعیت، کلید یادگیری عمیق و کاربردی است. سرفصلهای این دوره به گونهای طراحی شدهاند که تمام جنبههای مورد نیاز برای نقشهبرداری دقیق مزارع خرد با استفاده از یادگیری عمیق و تصاویر ماهوارهای VHR را پوشش دهند. شما با گامهایی اصولی، از درک ماهیت دادههای ماهوارهای و چالشهای تحلیل آنها گرفته تا پیادهسازی مدلهای یادگیری عمیق و تفسیر نتایج، پیش خواهید رفت. جزئیات سرفصلها به شرح زیر است:
- بخش اول: مبانی و پیشنیازها
- مقدمهای بر سنجش از دور و کاربردهای آن در کشاورزی
- انواع تصاویر ماهوارهای و مشخصات آنها
- مفهوم وضوح فضایی، طیفی، رادیومتری و زمانی
- معرفی تصاویر ماهوارهای با وضوح فوقالعاده بالا (VHR) و منابع آنها
- مقدمهای بر هوش مصنوعی و یادگیری ماشین
- مفاهیم پایه یادگیری عمیق: نورونها، لایهها، توابع فعالسازی
- شبکههای عصبی کانولوشنی (CNN): معماری، لایههای کانولوشن، pooling، و طبقهبندی
- مقدمهای بر یادگیری انتقالی (Transfer Learning) و اهمیت آن
- محیطهای توسعه و برنامهنویسی: Python، Google Colab
- کتابخانههای کلیدی: NumPy, Pandas, Matplotlib, Scikit-learn
- بخش دوم: پردازش دادههای ماهوارهای
- دریافت و مدیریت دادههای ماهوارهای (Sentinel, Landsat, Planet, etc.)
- اصلاحات هندسی و رادیومتریک تصاویر
- ترکیببندیهای رنگی (Color Composites) برای تفسیر بصری
- تکنیکهای افزایش کیفیت تصویر
- کار با فرمتهای مختلف داده مکانی (GeoTIFF, Shapefile)
- مقدمهای بر سیستمهای اطلاعات جغرافیایی (GIS) و ابزارهای آن
- استخراج نمونههای آموزشی (Training Data)
- برچسبگذاری (Labeling) دادهها برای یادگیری عمیق
- روشهای نمونهبرداری و ایجاد مجموعه دادههای آموزشی
- بخش سوم: پیادهسازی مدلهای یادگیری عمیق
- معماریهای محبوب CNN برای تحلیل تصاویر (مثلاً U-Net, DeepLab)
- پیادهسازی مدلهای CNN از ابتدا
- استفاده از مدلهای از پیش آموزشدیده (Pre-trained Models) برای یادگیری انتقالی
- تنظیم و بهینهسازی پارامترهای مدل (Hyperparameter Tuning)
- تابع هزینه (Loss Function) و بهینهسازها (Optimizers)
- پردازش دستهای (Batch Processing) دادهها
- تکنیکهای افزایش داده (Data Augmentation) برای بهبود تعمیمپذیری
- آموزش مدل و نظارت بر فرآیند یادگیری
- اعتبارسنجی مدل در طول آموزش
- بخش چهارم: نقشهبرداری دقیق مزارع و تحلیل دادهها
- تفکیک اراضی کشاورزی فعال از سایر کاربریها
- استخراج خودکار مرز مزارع (Field Delineation)
- پردازش نتایج مدل برای ایجاد لایههای مکانی
- تحلیل اندازه و شکل مزارع
- محاسبه شاخصهای آماری مزارع (مانند میانگین، میانه، توزیع اندازه)
- تحلیل الگوهای پراکندگی مزارع
- ارزیابی دقت طبقهبندی: ماتریس درهمرفتگی (Confusion Matrix)
- شاخصهای دقت: Overall Accuracy, Precision, Recall, F1-Score, IoU
- مدیریت خطا: Omission Error و Commission Error
- تصحیح و بهبود نقشههای استخراج شده
- استفاده از دادههای مکانی برای درک عوامل مؤثر بر اندازه مزارع
- بخش پنجم: کاربردها و مطالعات موردی
- نقشهبرداری مزارع در ارزیابی امنیت غذایی
- سنجش تأثیر کشاورزی بر محیط زیست (جنگلزدایی، تنوع زیستی)
- پایش محصولات کشاورزی و برآورد عملکرد
- نقشهبرداری مزارع خرد برای سیاستگذاری و تخصیص منابع
- مطالعات موردی از مناطق با کشاورزی خردهمالکی (الهامگرفته از مقاله مرجع)
- کاربرد دادههای ماهوارهای و هوش مصنوعی در کشاورزی هوشمند (Smart Farming)
- آینده نقشهبرداری مزارع و روندهای نوظهور
- معرفی پلتفرمهای تحلیل داده مکانی ابری (مانند Google Earth Engine)
- پروژه عملی نهایی: نقشهبرداری مزارع در یک منطقه منتخب
📚 محتوای این محصول آموزشی (پکیج کامل)
💡 این محصول یک نسخهٔ کامل و جامع است
تمامی محتوای آموزشی این کتاب در قالب یک بستهی کامل و یکپارچه ارائه میشود و شامل تمام نسخهها و فایلهای موردنیاز برای یادگیری است.
🎁 محتویات کامل بسته دانلودی
- ویدیوهای آموزشی فارسی — آموزش قدمبهقدم، کاربردی و قابل فهم
- پادکستهای صوتی فارسی — توضیح مفاهیم کلیدی و نکات تکمیلی
- کتاب PDF فارسی — شامل کلیهٔ سرفصلها و محتوای آموزشی
- کتاب خلاصه نکات ویدیوها و پادکستها – نسخه PDF — مناسب مرور سریع و جمعبندی مباحث
- کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
- کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد، علمی و مناسب چاپ
-
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال بلافاصله همراه با پاسخ کامل و شفاف ارائه شده است؛ مناسب درک عمیق مفاهیم و رفع ابهام. -
کتاب صدها پرسش و پاسخ چهارگزینهای – نسخه PDF (نسخه یادگیری سریع)
— پاسخها بلافاصله پس از سؤال قرار دارند؛ مناسب یادگیری سریع و تثبیت مطالب. -
کتاب صدها پرسش و پاسخ چهارگزینهای – نسخه PDF (نسخه خودآزمایی پایانبخش)
— پاسخها در انتهای هر بخش آمدهاند؛ مناسب آزمون واقعی و سنجش میزان یادگیری. -
کتاب تمرینهای درست / نادرست (True / False) – نسخه PDF
— مناسب افزایش دقت مفهومی و تشخیص صحیح یا نادرست بودن گزارهها. -
کتاب تمرینهای جای خالی – نسخه PDF
— تقویت یادگیری فعال و تسلط بر مفاهیم و اصطلاحات کلیدی.
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل آموزش تصویری، صوتی، کتابها، تمرینها و خودآزمایی .
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود و نسخهٔ چاپی ندارد.
- تمامی فایلها و کتابها کاملاً فارسی هستند.
- توجه: لینکهای اختصاصی دوره طی ۴۸ ساعت پس از ثبت سفارش ارسال میشوند.
- نیازی به درج شماره موبایل نیست؛ اما برای پشتیبانی سریعتر توصیه میشود.
- در صورت بروز مشکل در دانلود با شماره 09395106248 تماس بگیرید.
- اگر پرداخت انجام شده ولی لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا پیامک:
09395106248
تلگرام: @ma_limbs
نقد و بررسیها
هنوز بررسیای ثبت نشده است.