具有復雜地形適應能力的INCA短臨預報 系統介紹

解小寒 王勇 郭倩

（1 蘇州市氣象局，蘇州 215131；2 奧地利氣象局，Vienna 1190）

0 引言

隨著時代發展，公共安全、重大活動保障和社會日常生活對短時臨近時段精細化天氣預報和災害性天氣預警的要求越來越高，對于降水、溫度、風場、濕度、云量等多要素的精細化預報和強對流天氣的短臨預警提出了更高的要求。

我國幅員遼闊、強對流天氣頻發，突如其來的強天氣經常導致重大人員傷亡和巨大經濟損失。例如：2016年6月23日14時30分左右，江蘇省鹽城市阜寧縣遭遇的強冰雹和龍卷雙重災害，截至6月26日09時，共造成99人死亡，846人受傷。另外，我國地形復雜，局地強天氣在特定地形、地貌和地質情況下，還可能引發中小河流洪水、泥石流和滑坡等次生災害。例如：2016年5月28日16時，廣東江門臺山市鳳凰峽旅游區有游客在漂流過程中遇暴雨誘發山洪暴發被洪水沖走，隨后確認事故造成8人死亡，10人受傷。

短臨預報系統的設計和發展正是為了滿足社會公眾對短臨精細化預報和強對流預警的需求。短臨預報方法的基本思路是實時融合各種常規和非常規觀測資料并結合數值模式預報，使用歐拉或者拉格朗日方法來模擬大氣過程的持續性。大多數短臨預報系統都聚焦于降水預報和對流天氣。在強對流預報方面，很多短臨系統主要利用風場（邊界層輻合線理論）進行深對流的發生、發展進行預報，還有基于近地面溫度的分析和臨近預報來進行對流發展預報。例如世界知名的GANDOLF系統（英國）[1]、ANC系統（美國NCAR）[2-4]都具有預報對流演變、新生能力。GANDOLF系統將對流單體分為不同的發展階段，基于風暴演變概念模型來預測對流活動的變化。ANC系統則基于已經存在的風暴、積云與（雷達觀測、數值模式預報的風場）邊界層輻合線的相互作用，預報對流單體的生消演變。Wilson等通過比對檢驗得到以下認識：1）如果系統能更好識別邊界層輻合線并用于對流單體臨近預報，將優于純粹外推預報；2）超過1 h的短臨對流預報，發現有利對流的邊界層特征比通過衛星探測到積云活動更有指示意義。鄭永光等[5]經過調研分析國內外主流短臨預報技術，認為目前臨近預報技術的預報對象主要是對流風暴、雷電和降水，針對分類強對流天氣的臨近預報技術還存在較多不足；冰雹、雷暴大風、龍卷和短時強降水這些強對流天氣的臨近預報預警主要綜合對流風暴和降水臨近預報、強對流天氣識別和實況觀測進行。

INCA系統[6-7]是由奧地利國家氣象局發展的具有復雜地形適應性的短臨集成分析預報系統，也是世界天氣研究計劃預報示范項目推薦的短臨業務系統，已經在十幾個國家和地區得到廣泛應用。INCA系統在多源資料融合分析、復雜地形對短臨天氣預報的影響，以及強對流預報等方面均有獨到之處，本文針對INCA系統的設計思路及分析預報檢驗情況進行了詳細介紹。

1 INCA系統

INCA是一個適應復雜地形的，多要素短臨實時融合分析和預報系統（圖1）。基于考慮復雜地形對實況分析和短臨預報的影響，INCA構建了地形坐標系和地表、地形指數。INCA溫度、濕度和風場的三維分析場以數值模式輸出為初始場，然后結合地面觀測實況對初始場進行訂正。其他分析場則主要是通過融合遙感（雷達、衛星等）資料和地面實況資料得到的。各物理量場之間保持互相協調。在短臨預報方面，INCA將實況分析與模式預報融合，并利用外推法和基于運動矢量誤差理論的短時預報方法，給出溫、濕、風、降水等多要素的預報。在對流預報中，利用分析場衍生的CAPE、CIN、LCL等多種對流參數，發展了一個基于關鍵對流參數組合和衛星產品的決策算法來實現對流預報。另外實現了基于雷達觀測和短臨預報來估算降水粒子載荷和負浮力進而預報雷暴大風。

圖1 INCA基本流程圖 Fig.1 The basic flow chart of INCA

1.1 INCA地形坐標系和地形地表指數

INCA使用美國地質調查局的30’’數字高程地形數據，通過雙線性插值到間隔1 km的網格點。在三維物理場，INCA構建了一個Z坐標系，這里Z是相對山谷底部地表（valley floor surface，VFS）的高度（圖2），VFS是一種空間上變化十分平緩的參照面，相比真實地形是平滑的，通過這樣將實際地形分為基礎地形和相對地形。具體方法是首先設定每個格點的最小海拔高度（在10 km半徑范圍內比對），最后的格點場通過一個滑動平均窗口來進行平滑得到。這樣，如果是在平原地區，地表將和VFS保持一致。使用VFS作為參照面構建坐標系的主要目的在于方便將數值模式的三維物理量場在山谷地區向下插值到模式輸出未能覆蓋到的谷地低凹處，同時也為溫度和降水垂直廓線的參數化提供參考高度。垂直方向上層間距為200 m，共21層，這樣包括了地表到以上4000 m高度的大氣層。INCA還引入了一個無量綱的地表地形指數ISFC，該指數用來表征局地地形對地表形態特征的貢獻度，變化范圍為0～1，在平原或者山谷盆地底部，ISFC=1，在聳立突出的山峰和山脊這個指數就為0。該指數主要用于保證溫度和濕度分析場的實況偏差訂正限定在鄰近地形特征相似的那些格點位置上，在INCA短臨預報中也需要用到這個地形指數。

圖2 江蘇INCA使用的地表（以谷底為參照） Fig.2 Valley floor surface in the Jiangsu INCA domain

計算方法如下：對每個格點，以這個格點為中心取一個7×7格點的方框，計算范圍內比中心點低的所有格點高度的平均值，然后跟這個格點本身的高度做比較。取這兩者之差來衡量這個格點相對于周圍的突出程度，這個指數被定義為一個高度差的分段線性函數，

式中，ZS代表山谷或盆地等地形冷池的標準深度（在不同地區需經過交叉驗證重新賦值）。

1.2 溫度、濕度和風場分析

INCA溫度和濕度的分析處理類似。以溫度分析為例，首先將數值預報作為初始值，然后計算地面觀測和初始場的誤差，并在幾何物理空間使用反距離權重法進行空間插值。將數值模式的溫度插值到三維INCA格點場的時候，在山地會遇到一個問題：由于數值模式的分辨率較粗，模式預報輸出可能不能包含山谷底層大氣。因此，這里使用了一個經過修正（考慮了逆溫等情況）的最不穩定層結溫度梯度，將模式輸出的邊界低層部分向下延伸到低凹地表處。

INCA的風場同樣以三維的數值預報場作為初始場。INCA在這部分引入了一個轉換因子將模式預報的低層風轉化為10 m風。該轉換因子為隨地形變化的經驗系數，同時也取決于使用的數值模式，以奧地利的情況為例，在平原和峽谷這個值平均是0.75，在地勢突出的地方，可能增加到為0.9。另外存在的問題是，經過實況訂正后插值得到的風場不滿足質量守恒，但是數值模式直接輸出風場又不適應高分辨率的INCA地形場。因此這里使用了一種迭代松弛算法來保證質量守恒。算法中考慮了地形起伏導致空氣柱的壓縮拉伸，及其對散度的影響。在松弛計算過程，實況站點附近的風矢量保持為觀測值。 值得一提的是INCA邊界層輻合的計算也采用了類似的方法，算法中還充分考慮了山區地形導致的輻合。

1.3 降水分析

INCA降水分析主要依據地面站提供的定量觀測和雷達提供的降水空間分布結構，同時考慮了地形的影響。INCA通過以下步驟來得到一個接近真實情況的降水分析場：1）站點插值，對不規則分布的站點數據用距離權重方法進行插值；2）雷達數據的氣候訂正，已經初步去除地物雜波的雷達數據由于距離衰減和地形阻擋等原因還存在誤差，這些誤差可以利用氣候統計訂正因子來得到一定程度的糾正；3）基于最新實況觀測再對雷達數據進行校正，這部分主要是考慮雨量計的有限響應時間導致的滯后誤差，降水受風場影響降落到地面時位置發生漂移等會導致雷達定位發生一定偏移的情況。對每個站點根據最佳匹配格點計算空間位移矢量，利用這個矢量場將雷達估測降水場進行適當位移，從而更加符合降水實況分布。4）將站點插值降水場與雷達估測降水場進行融合，一方面保證在站點位置上的降水量同站點實況保持一致，另一方面在雷達探測受局限的地區基本不考慮雷達估測降水場，而除此之外的區域，以雷達估測降水場為主。 5）地形訂正，這里考慮了地形起伏對降水分布的影響。6）最后將前面的合成降水分析場和地形導致的降水增量合并，合并中去除了一些會重復計算的情況，得到最終的降水分析場。

1.4 運動矢量外推方法及誤差過濾

INCA的短臨預報，主要是基于觀測事實的外推并融合數值模式的預報。在降水方面，使用了相關技術對實況場進行連續分析，從而得到雨團的運動矢量，并訂正誤差。相關分析窗口的尺度為100 km。通過對比數值模式的500或700 hPa的風場從氣象角度過濾掉虛假相關（意味著不可信的過高的平移速度），過濾算法如下：

式中，VKORR是由相關分析計算得到的運動矢量，VALA是數值模式500或者700 hPa的風速矢量（選取最接近VKORR的），Δ規定了數值模式風速和運動矢量風速之間允許的偏差。

1.5 對流預報

短臨預報的重點是對流預報。為了發展對流預報，必須考慮引入對流生消機制。眾所周知，對流形成和增強主要考慮層結不穩定、水汽條件，以及觸發抬升機制這三個條件。這三個條件一般是相互獨立、各自發展的，只要這三個要素都能滿足并且達到足夠程度，就會有雷暴生成。而當這些條件不再滿足，對流傾向于減弱。這也就是Doswell提出的基于構成要素的預報方法，即“配料法”。它要求首先確定預報的基本構成要素或者“配料”，這些構成要素一般是相對獨立的基本氣象要素。確定合適的構成要素后，還要給出相應閾值，只有所構成要素超過所給定的相應閾值才能判定對應的天氣事件會發生。要注意的是，這些閾值往往是隨著區域和季節變化的。

INCA使用配料法將預報員經驗轉化為對流算法。INCA每小時會生成10種對流參數的分析場（抬升凝結高度（LCL）、自由對流高度（LFC）、對流有效位能（CAPE）、對流抑制能量（CIN）、沙氏指數（SI）、抬升指數（LI）、對流觸發溫度差（DTTRIG）、相當位溫、邊界層輻合（CON），以及邊界層濕度輻合（MOCON））。此外，INCA還結合了衛星資料來進行判別，包括可見光產品和云分類產品。

INCA經過測試最后確定了一套最行之有效的方案（表1）。表1中VIS （可見光產品）用來識別還未出現降水但是已經開始出現對流積云的區域，只有在這些地區未來才可能發生對流。CT（云分類產品）用于來排除虛假的對流區域，因為有些情況可以明顯排除有對流云存在，例如衛星觀測識別出來是陸面積雪、海冰積雪等情況。在對流增強判別條件里，降水量也必須超過設定閾值，避免有的情況是插值產生的微量降水被錯誤判別為對流加強。另外值得一提的是，國外很多氣象學家都將水汽通量散度作為強對流天氣的觸發因子。如法國的Ducrocq等[8]認為水汽通量輻合提供了低層抬升和被抬升空氣潮濕程度的度量，可以用水汽通量輻合代替垂直速度確認低層抬升預報。美國Waldstreicher[9]認為，濕度通量輻合有助于預報員識別強雷暴可能出現地區，有助于識別雷暴發展之前的低層強迫地區。因此INCA用水汽通量輻合MOCON作為對流生消的一個重要判別標準。

表1 INCA對流臨近預報算法的決策標準 Table 1 Decision criteria of convective nowcast algorithm in the INCA

這樣INCA將每個格點先判斷分成可發生對流和不可能發生對流兩種情況。對于每個可能發生對流的格點，再進行判別，是否滿足對流初生、增強或者減弱的條件。這里給出INCA短臨對流降水預報流程：1）降水分析場在一個時間步長內沿著計算出的運動矢量方向移動。2）如果完全滿足表1中的對流生消條件，則新的格點使用模式設定的算法計算新的對流降水強度；不滿足對流生消的格點將不作改變。3）修改后的場在接下來的一個時間步長沿著運動矢量方向移動，對流降水強度在新的格點更新計算。4）在整個短臨預報時效內重復這個過程。所有3種過程（對流初生、對流增強、對流減弱）的強度變化均采用一種隨時間的高斯變化來進行模擬。

1.6 雷暴大風預報

雷暴大風預報是短臨強對流預報的一個重要方面，而絕大多數雷暴大風是由雷暴內的強烈下沉氣流所致。強烈下沉氣流的產生主要受到降水粒子負載、浮力和垂直擾動氣壓梯度力等因素的影響[8]，其中前兩項的影響較大。降水粒子負載總是導致向下的加速度，往往是導致雷暴內下沉氣流的觸發原因。浮力項可正可負，如果對流層中層或中上層存在明顯干層，則由降水負載發動的下沉氣流由于雷暴周邊干空氣的夾卷進入使得雨滴或冰雹迅速蒸發造成下沉氣流降溫，雷暴下沉氣流內溫度明顯低于環境溫度而產生向下的負浮力將導致下沉氣流加速下降。INCA主要基于對雷暴大風環境條件的診斷分析，發展了基于雷達探測資料和INCA短臨預報來計算降水粒子負載、負浮力這兩項所代表的潛能，進而估算地面出流最大陣風的算法。雖然這種算法不能完全準確地模擬雷暴下沉氣流和地面出流大風的整個物理動力機制，也很難直接預報出龍卷，但在雷暴大風預警防災方面還是可以發揮積極作用。例如在6·23阜寧龍卷過程中，INCA系統14：06預報的在14：30鹽城地區的極大風力和極大風力中心落區雖然和實況（14：30左右阜寧縣新溝鎮等地出現12級大風，而阜寧龍卷經專家組判定等級為EF4級，風力超過17級）有偏差（圖3），但提前二十多分鐘便預警阜寧地區將受到8～11級雷暴大風的影響，另外在13：40就提前50 min預報阜寧地區將有7～9級雷雨大風，因此在雷暴大風預警防災方面還是可以起到積極作用的。

圖3 2016年6月23日14：30蘇州INCA對流陣風預報（起報時間14：06） Fig.3 The INCA forecast for Suzhou convective gusts at 14:30 BT on 23 June 2016 (Initial time was 14:06 BT 23 June 2016)

2 驗證與檢驗

2.1 分析場檢驗

表2給出了INCA在江蘇2016年夏季和冬季溫度、風場、降水這幾個要素的分析場交叉驗證結果。以溫度為例，平均溫度偏差（Bias）接近于0，這不但是對所有站點的平均，對每個站點單獨檢驗也是類似結果，多年平均的情況是這種偏差小于0.3 ℃ 。對于平均絕對誤差（MAE）和均方誤差（RMSE）來說，冬季往往比夏季高，這可能是因為冬季經常出現大氣層結穩定或者逆溫的情況。

表2 江蘇INCA冬、夏季單月分析交叉驗證結果 Table 2 Results of Jiangsu INCA analysis cross validation for a summer and a winter month

2.2 短臨預報檢驗

相比數值模式預報，INCA在短臨時段的預報效果有明顯提升。這里給出了2017年江蘇夏季INCA系統檢驗的結果：1）INCA 在0～2 h的晴雨預報準確率平均為90.4%（圖4），同期數值模式24 h晴雨預報準確率平均為75.7%。2）INCA在0～2 h的溫度預報準確率 平均為91.9%（圖5），同期數值模式24 h的溫度預報準確率平均約為82.8%。

圖4 江蘇2017年夏季INCA（0～2 h）短臨晴雨預報準確率 Fig.4 The 0-2 hours accuracy rate of rainy and shine weather nowcasting by Jiangsu INCA for Summer 2017

圖5 江蘇2017年夏季INCA（0～2 h）溫度預報準確率 Fig.5 The 0-2 hours accuracy rate of temperature nowcasting by Jiangsu INCA for Summer 2017

2.3 對流算法與純外推短臨降水預報對比檢驗

選取了4種短臨降水預報方案來對比檢驗不同地形條件下對流降水算法以及幾種數值模式性能，4種短臨降水方案分別為：純平移外推短臨降水預報（TRANS），以及分別使用奧地利的ALADIN、AROME、ALARO等3種區域數值模式預報作為背景初始場的對流算法短臨降水預報。試驗區域選取東西地形差異明顯的奧地利地區，奧地利東部為地形復雜的阿爾卑斯山區，西部為平原地區。共選取了奧地利地區15個雷暴個例。每個雷暴日短臨降水預報的預報時效為6 h。根據地形特征將模式預報區域分為34塊小區域。在模式預報時效內（6 h），計算各個區域的降水平均值，然后對4種短臨預報進行比較。

圖6 顯示了4種短臨降水預報的均方根誤差對比結果。該均方根誤差是各個短臨預報在整個預報場的均方根誤差平均值。總的來看，采用AROME背景的對流算法短臨降水預報結果最差，這說明AROME模式還有待改進。 而另外兩種采用對流算法的短臨預報（ALADIN和ALARO背景場）表現比較接近，對流算法短臨預報（ALADIN背景場）基本都表現較好，而6 h短臨預報檢驗對比結果基本與之類似。

圖6 4種短臨預報的均方根誤差（場平均）對比圖 Fig.6 RMSE of 4 precipitation nowcasts (a translational precipitation nowcasts, and 3 convective precipitation nowcasts with ALADIN background, AROME background and ALARO background respectively) for the whole forecast fields and all dates of the 15 investigated days

隨后排除AROME方案，從34片區域中選取了2塊區域，分布代表典型的阿爾卑斯地區（山區）和非阿爾卑斯地區（平原）來進行對比檢驗剩下的3個方案。檢驗結果表明，無論山區或平原地區，對流算法均優于平移算法的短臨降水預報，特別是在山區表現更好一些，原因可能是INCA考慮了地形的影響，能夠分析出山區地形導致的風場輻合。

3 結論

做為一套技術成熟并廣泛應用的短臨預報業務系統，INCA系統在實況分析技術、外推預報技術、融合數值預報技術以及對流概念模型預報技術等[1-18]方面均有其獨到之處。

INCA認為要做好短臨預報，首先需要得到一個高分辨率高質量的實況分析場，而且必須考慮復雜地形（山脈峽谷）起伏對短臨預報的影響。INCA因而構建了高分辨系統地形，地表層指數和垂直坐標系。通過綜合地面自動站資料、遙感探測資料（雷達、衛星）、數值預報模式預報和高分辨率地形資料，一方面保證分析中實況信息得以準確保留，另外一方面利用遙感資料來提供基于實況插值的空間結構，進而實時提供高分辨率多要素互相協調的三維實況分析場。并且幾乎在各個時刻都優于采用平移算法的短臨預報(TRANS)。圖7給出了0～1 h對流算法短臨預報（ALADIN背景場）與平移算法短臨預報的相對均方根誤差分布。低于100（%）的數值表示對流算法短臨預報（ALADIN背景場）表現更佳，反之平移算法短臨預報表現更好。由圖7可見，0～1 h絕大多數地區而在短臨要素預報中INCA使用了外推方法融合數值模式預報，并引入了地形影響方案。經過驗證和檢驗，INCA實況場分析質量良好，短臨時段的預報對數值模式有明顯提升，例如能夠分析出山區地形導致的風場輻合，進而綜合其他判定依據預報出地面輻合導致的對流觸發和增強。總的來看，INCA系統設計適應地形復雜的山區，在山洪地質災害隱患地區的短臨預警上具有一定優勢。

圖7 0～1 h對流算法短臨預報（基于ALADIN背景場）與平移算法短臨預報的相對均方根誤差分布，數值低于100（%）的地區表明對流算法預報效果更好，反之則平移算法更好 Fig.7 Relative RMSE of the first hour convective precipitation nowcasts with ALADIN background compared to the translational precipitation nowcasts for all dates of the 15 investigated days. Those ＜ 100 (%) denote that the convective nowcasts were better than that by the translational method on average, and vice versa

在短臨對流預報方面，INCA首先基于精細化的溫度、濕度、風場等實況分析場，提取生成了一系列的對流參數分析場。發現對于對流短臨預報來說，最重要的幾項對流參數是CAPE、CIN、水汽輻合和對流溫度差等，同時還需要衛星產品來輔助判別對流單體的生消。在此基礎上提出了一種基于高分辨的幾項關鍵對流診斷量分析來進行短臨對流預報的方法（類似配料法）。通過短臨降水預報檢驗，使用這種基于關鍵對流參數組合和衛星產品的決策算法可以改進純外推預報。此外INCA還基于對雷暴大風環境條件的診斷分析，發展了基于雷達探測資料和INCA短臨預報來計算降水粒子負載、負浮力這兩項所代表的潛能進而估算地面出流最大陣風的算法。雖然這種算法不能完全準確模擬雷暴下沉氣流和地面出流大風的整個物理動力機制，但經過試用在雷暴大風預警防災方面可以發揮積極作用。

[1] Pierce C E, Collier C G, Hardaker P J, et al. GANDOLF: a system for generating automated nowcasts of convective precipitaion. Meteorological Applications, 2000, 8: 341-360.

[2] Wilson J W, Crook N A, Mueller, et al. Nowcasting thunderstorms：a status report. Bulletin of the American Meteorological Society, 1998, 79: 2079-2099.

[3] Cai H, Wilson J, Pinto J, et al. Developing NIWOT: a regional 1-6 hr short-term thunderstorm forecast system. The Fifth International Conference on Mesoscale Meteorology and Typhoon, Boulder, USA, Oct 31st-Nov 3rd, 2006.

[4] Dixon M, Wiener G. TITAN: Thunderstorm identification, tracking, analysis, and nowcasting-A Radar-based Methodology. Journal of Atmospheric and Oceanic Technology, 1993, 10: 785-797.

[5] 鄭永光, 周康輝, 盛杰, 等. 強對流天氣監測預報預警技術進展. 應用氣象學報, 2015, 26(6): 641-657.

[6] Haiden T, Kann A, Wittmann C, et al. The Integrated Nowcasting through Comprehensive Analysis (INCA) system and its validation over the eastern Alpine Region. Weather and Forecasting, 2011, 26: 166-183.

[7] Steinheimer M, Haiden T. Improved nowcasting of precipitation based on convective analysis fields. Advances in Geosciences, 2007, 10: 125-131.

[8] Ducrocq V, Tzanos D, Senesi S. Diagnostic tools using a mesoscale NWP model for the early warning of convection. Meteorological Applications, 1998, 5: 329-349.

[9] Waldstreicher J S. Guide to utilizing moisture flux convergence as a predictor of convection. National Weather Digest, 1989, 14: 20-35.

[10] 俞小鼎, 周小剛, 王秀明. 雷暴與強對流臨近天氣預報技術進展. 氣象學報, 2012, 70(3): 311-337.

[11] Sun J, Crook N A. Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint. Part Ⅰ: Model development and simulated data experiments. Journal of the Atmospheric Sciences, 1997, 54: 1642-1661.

[12] Sun J, Crook N A. Dynamical and microphysical retrieval from Doppler radar observations using a cloud model and its adjoint. Part Ⅱ: Retrieval experiments of an observed Florida convective storm. Journal of the Atmospheric Sciences, 1998, 55: 835-852.

[13] Wolfson M M, Dupree W J, Rasmussen R, et al. Consolidated Storm Prediction for Aviation (CoSPA), AMS 13th Conference on Aviation, Range, and Aerospace Meteorology, New Orleans, LA, 2008.

[14] 陳明軒, 俞小鼎, 譚曉光, 等. 對流天氣臨近預報技術的發展與研究進展. 應用氣象學報, 2004, 15(6): 754-766.

[15] 韓雷, 王洪慶, 譚曉光, 等. 基于雷達數據的風暴體識別、追蹤及預警的研究進展. 氣象, 2007, 33(1): 3-10.

[16] 曾小團, 梁巧倩, 農孟松, 等. 交叉相關算法在強對流天氣臨近預報中的應用. 氣象, 2010, 36(1): 31-40.

[17] 鄭永光, 張小玲, 周慶亮, 等. 強對流天氣短時臨近預報業務技術進展與挑戰. 氣象, 2010, 36(7): 33-42.

[18] Li P W, Wong W K, Cheung P, et al. An overview of nowcasting development, applications, and services in the Hong Kong Observatory. Journal of Meteorological Research, 2014, 28(5): 859-876.