Η χρήση των δεδομένων Ραντάρ Συνθετικού Ανοίγματος (SAR) σε εφαρμογές απομακρυσμένης παρακολούθησης της Γης έχει ήδη αρχίσει να πρωταγωνιστεί τις τελευταίες δεκαετίες. Τα συστήματα SAR με δυνατότητες μεταξύ άλλων συνεχούς λειτουργίας παντός καιρού, ημέρα και νύχτα, προσφέροντας μεγάλη κάλυψη εδάφους και με δυνατότητα λήψης απεικονίσεων πολλαπλών πολώσεων, έχουν αποτελέσει πηγή πολύτιμων πληροφοριών τηλεπισκόπησης. Έτσι, η χρήση των SAR δεδομένων για την ταξινόμηση κάλυψης γης προσελκύει όλο και περισσότερο την προσοχή των ερευνητών και φαίνεται να είναι πολλά υποσχόμενη. Η παρούσα ειδική επιστημονική εργασία έχει στόχο τη μελέτη και ερμηνεία των δεδομένων SAR μέσω επιβλεπόμενης ταξινόμησης, με τη χρήση νευρωνικών δικτύων (Neural Networks). Αφού πρώτα γίνεται εκτενής αναφορά στη τεχνολογία και τα συστήματα SAR, παρουσιάζεται αναλυτικά η πειραματική διαδικασία ταξινόμησης τριών βασικών δομών κάλυψης γης. Τα δεδομένα προέρχονται από το Προηγμένο Ραντάρ Συνθετικού Ανοίγματος (ASAR) του δορυφόρου ENVISAT από τον Ευρωπαϊκό Οργανισμό Διαστήματος και αφορούν στην ευρύτερη περιοχή του Άμστερνταμ. Πριν την διεξαγωγή της ταξινόμησης, τα δεδομένα δέχθηκαν τις απαραίτητες διαδικασίες προ-επεξεργασίας (ραδιομετρική βαθμονόμηση, γεωαναφορά, φιλτράρισμα θορύβου, συμπροσαρμογή). Όσον αφορά τη διαδικασία της ταξινόμησης, εξετάζεται η συμπεριφορά του ταξινομητή του νευρωνικού δικτύου για μεταβολές ποικίλων παραμέτρων, όπως η επιλογή δεδομένων διαφόρων πολώσεων, το πλήθος των νευρώνων κ.α. και ήδη από τα πρώτα πειράματα λαμβάνονται ικανοποιητικά αποτελέσματα. Στη συνέχεια εφαρμόζονται τεχνικές σύνθεσης πληροφορίας (average rule, majority rule) βελτιώνοντας τις επιδόσεις ταξινόμησης. Τέλος, ένα σημαντικό βήμα που εφαρμόζεται στη διαδικασία ταξινόμησης αποτελεί η εξαγωγή χαρακτηριστικών υφής από τις μήτρες συνεμφάνισης φωτεινοτήτων (Gray Level Co-occurrence Matrix-GLCM) και μήκους διαδρομής φωτεινότητας (Gray Level Run Length Matrix-GLRLM). Η χρήση των χαρακτηριστικών αυτών βελτιστοποιεί το σύστημα ταξινόμησης, δίνοντας εξαιρετικά αποτελέσματα. / The use of Synthetic Aperture Radar (SAR) data in remote sensing applications has become a cutting edge technology during the past few decades. The SAR systems have several capabilities, like day & night and all weather operation and they offer large ground coverage with the ability of multi-polarized imagery; therefore, they have proved to be a valuable source of remote sensing data. As a result, the use of SAR data for land cover classification increasingly attracts the attention of researchers and seems to be highly promising. Goal of this master thesis is the study and interpretation of SAR data through supervised classification, with the use of Neural Networks method. First, there is an extensive presentation of SAR systems and technology and then follows the detailed presentation of the experimental classification process for three basic land cover structures. The available data are from the Advanced SAR (ASAR) radar of the ESA ENVISAT satellite and correspond to the Amsterdam city and suburbs. Prior to the classification process, the data have been appropriately pre-processed (radiometric calibration, geocoding, speckle filtering, co-registration). Regarding the classification process, the response of the neural network classifier with the variation of several parameters (e.g. data polarization and number of neurons) is studied and from the initial test already the results were quite satisfactory. Further on, ensemble classifying methods (average rule, majority rule) are applied to improve the classification performance. Finally, as an essential step applied in the classification process is the textural feature extraction from Gray Level Co-occurrence Matrix (GLCM) and Gray Level Run Length Matrix (GLRLM). The use of these texture features optimizes the classification system, resulting to an exceptional performance.

Agricultural production is becoming increasingly important as the world demand increases. On the other hand, there are several factors threatening that production such as the climate change. Therefore, monitoring and management of different parameters affecting the production are important. The current study is dedicated to two key parameters, namely agricultural land cover and soil-moisture mapping using X- and L-Band Synthetic Aperture Radar (SAR) data. Land-cover mapping plays an essential role in various applications like irrigation management, yield estimation and subsidy control. A model of multi-direction/multi-distance texture analysis on SAR data and its use for agricultural land cover classification was developed. The model is built and implemented in ESRI ArcGIS software and integrated with “R Environment”. Sets of texture measures can be calculated on a plot basis and stored in an attribute table for further classification. The classification module provides various classification approaches such as support vector machine and artificial neural network, in addition to different feature-selection methods. The model has been tested for a typical Mid-European agricultural and horticultural land use pattern south to the town of Pirna (Saxony/Germany), where the high-resolution SAR data, TerraSAR-X and ALOS/PALSAR (HH/HV) imagery, were used for land-cover mapping. The results indicate that an integrated classification using textural information of SAR data has a high potential for land-cover mapping. Moreover, the multi-dimensional SAR data approach improved the overall accuracy. Soil moisture (SM) is important for various applications such as crop-water management and hydrological modelling. The above-mentioned TerraSAR-X data were utilised for soil-moisture mapping verified by synchronous field measurements. Different speckle-reduction techniques were applied and the most representative filtered image was determined. Then the soil moisture was calculated for the mapped area using the obtained linear regression equations for each corresponding land-cover type. The results proved the efficiency of SAR data in soil-moisture mapping for bare soils and at the early growing stage of fieldcrops. / Landwirtschaftliche Produktion erlangt mit weltweit steigender Nahrungsmittelnachfrage zunehmende Bedeutung. Zahlreiche Faktoren bedrohen die landwirtschaftliche Produktion wie beispielsweise die globale Klimaveränderung einschließlich ihrer indirekten Nebenwirkungen. Somit ist das Monitoring der Produktion selbst und der wesentlichen Produktionsparameter eine zweifelsfrei wichtige Aufgabe. Die vorliegende Studie widmet sich in diesem Kontext zwei Schlüsselinformationen, der Aufnahme landwirtschaftlicher Kulturen und den Bodenfeuchteverhältnissen, jeweils unter Nutzung von Satellitenbilddaten von Radarsensoren mit Synthetischer Apertur, die im X- und L-Band operieren. Landnutzungskartierung spielt eine essentielle Rolle für zahlreiche agrarische Anwendungen; genannt seien hier nur Bewässerungsmaßnahmen, Ernteschätzung und Fördermittelkontrolle. In der vorliegenden Arbeit wurde ein Modell entwickelt, welches auf Grundlage einer Texturanalyse der genannten SAR-Daten für variable Richtungen und Distanzen eine Klassifikation landwirtschaftlicher Nutzungsformen ermöglicht. Das Modell wurde als zusätzliche Funktionalität für die ArcGIS-Software implementiert. Es bindet dabei Klassifikationsverfahren ein, die aus dem Funktionsschatz der Sprache „R“ entnommen sind. Zum Konzept: Ein Bündel von Texturparametern wird durch das vorliegende Programm auf Schlagbasis berechnet und in einer Polygonattributtabelle der landwirtschaftlichen Schläge abgelegt. Auf diese Attributtabelle greift das nachfolgend einzusetzende Klassifikationsmodul zu. Die Software erlaubt nun die Suche nach „aussagekräftigen“ Teilmengen innerhalb des umfangreichen Texturmerkmalsraumes. Im Klassifikationsprozess kann aus verschiedenen Ansätzen gewählt werden. Genannt seien „Support Vector Machine“ und künstliche neuronale Netze. Das Modell wurde für einen typischen mitteleuropäischen Untersuchungsraum mit landwirtschaftlicher und gartenbaulicher Nutzung getestet. Er liegt südlich von Pirna im Freistaat Sachsen. Zum Test lagen für den Untersuchungsraum Daten von TerraSAR-X und ALOS/PALSAR (HH/HV) aus identischen Aufnahmetagen vor. Die Untersuchungen beweisen ein hohes Potenzial der Texturinformation aus hoch aufgelösten SAR-Daten für die landwirtschaftliche Nutzungserkennung. Auch die erhöhte Dimensionalität durch die Kombination von zwei Sensoren erbrachte eine Verbesserung der Klassifikationsgüte. Kenntnisse der Bodenfeuchteverteilung sind u.a. bedeutsam für Bewässerungsanwendungen und hydrologische Modellierung. Die oben genannten SAR-Datensätze wurden auch zur Bodenfeuchteermittlung genutzt. Eine Verifikation wurde durch synchrone Feldmessungen ermöglicht. Initial musste der Radar-typische „Speckle“ in den Bildern durch Filterung verringert werden. Verschiedene Filtertechniken wurden getestet und das beste Resultat genutzt. Die Bodenfeuchtebestimmung erfolgte in Abhängigkeit vom Nutzungstyp über Regressionsanalyse. Auch die Resultate für die Bodenfeuchtebestimmung bewiesen das Nutzpotenzial der genutzten SAR-Daten für offene Ackerböden und Stadien, in denen die Kulturpflanzen noch einen geringen Bedeckungsgrad aufweisen.

Cette étude se propose d’explorer les potentialités des données de télédétection optique et radar libre d’accès pour l’évaluation et le suivi des écosystèmes forestiers tropicaux, secs ou humides. Différents sites tests situés dans ces écosystèmes forestiers tropicaux, ont été sélectionnés. Il s’agit : du parc national des Virunga en République Démocratique du Congo (RDC), de la réserve de biosphère de l’Oti-Keran-Mandourie (OKM) et de la réserve de faune de Togodo (RFT) au Togo, de la zone située autour du pont faisant la liaison entre la ville de Saint-Georges de l’Oyapock et la plaine du littorale de Kourou en Guyane française et de la province de la Monté Cristi en république Dominicaine. Différentes données ont été utilisés lors de cette étude : pour les images radar, des séries temporelles Sentinel-1, des mosaïques Alos-2 et, pour les images optiques, Sentinel-2 et Landsat-8. Des données exogènes comme les points GPS, modèles numériques de terrain et les cartes de référence. L’approche méthodologie utilisé est composée de prétraitement sur les images optiques et radar. Les approches spécifiques, variables selon le site d’étude, ont comporté : photo interprétation détaillée, la classification supervisée SVM, l’inventaire forestier et l’application des équations allométriques, une approche de détection des changements par décomposition en ondelettes, une de détection des changements automatiques par seuillage et la caractérisation de ces changements. Les principaux résultats sont les suivants : Site du PNVI : les cartes d’occupation du sol et les cartes binaires forêts, non-forêt de 1987, 1997, 2007 et 2017 sont réalisées sur le PNVI. Sur la période de 30 ans en utilisant les cartes binaires entre 1987 à 2017 le taux moyen annuel de déforestation est de 1,07%. Ce taux de déforestation élevé montre la pression croissante sur les ressources forestières dans le paysage des Virunga. Site de l’OKM et du RFT : une classification menée sur une combinaison d’images optiques et radar donne des performances légèrement meilleures que des classifications menées sur des images optiques et radar considérées séparément. Les cartes d’occupation du sol issues de ces classifications ont servis de base pour l’estimation de stocks de carbone à travers l’évaluation des ressources forestières. Sur le site de Saint-Georges de l’Oyapock, l’analyse temporelle menée à partir de décompositions en ondelettes, a permis de détecter trois grands types de changements dus à : la déforestation anthropique, les évolutions saisonnières et les évolutions agricoles. Sur le site de la province de Monté Cristi en République dominicaine, l’analyse conjointe d’images radar et optiques a permis de proposer une cartographie comportant 18 classes d’occupation du sol contrôlées sur le terrain avec une précision globale de plus de 90 %. Le suivi historique des forêts montre une régression de la couverture forestière. Parallèlement, nous observons une régression de la surface des mangroves entre 2015 et 2018.Cette étude a mis en évidence l’immense potentialité des données de télédétection optique et radar dans la caractérisation, la cartographie et le suivi des strates d’occupation des sols dans les écosystèmes tropicaux dans différentes régions du monde et en fonction des conditions saisonniers. Si chaque type de données de télédétection possède ces qualités et capacités discriminatoire, cette étude a montré que l’utilisation conjointe et combinée de deux types de données permet d’augmenté significativement la caractérisation et la discrimination des classes d’occupation des sols et ainsi augmente les chances de fiabilité des actions à mener / This study aims to explore the potential of optical remote sensing and free access radar data for the assessment and monitoring of tropical, dry or wet forest ecosystems. Different test sites located in these tropical forest ecosystems have been selected. These are: the Virunga National Park in the Democratic Republic of Congo (DRC), the Oti-Keran-Mandourie Biosphere Reserve (OKM) and Togodo Wildlife Reserve (RFT) in Togo, the area around the bridge linking the city of Saint-Georges de l'Oyapock and the plain of the Kourou coast in French Guiana and the province of Monté Cristi in the Dominican Republic. Different data were used in this study: for radar images, Sentinel-1 time series, Alos-2 mosaics and, for optical images, Sentinel-2 and Landsat-8. Exogenous data such as GPS points, digital terrain models and reference maps. The methodology approach used consists of pretreatment on optical and radar images. Specific approaches, varying by study site, included: photo detailed interpretation, supervised SVM classification, forest inventory and application of allometric equations, a wavelet decomposition detection approach, a detection approach automatic changes by thresholding and the characterization of these changes. The main results are:PNVI site: land cover maps and forest, non-forest binary maps of 1987, 1997, 2007 and 2017 are produced on the PNVI. Over the 30-year period using the binary maps between 1987 and 2017 the average annual rate of deforestation is 1.07%. This high deforestation rate shows the increasing pressure on forest resources in the Virunga landscape. OKM and RFT site: a classification carried out on a combination of optical and radar images gives slightly better performances than classifications carried out on optical and radar images considered separately. The land cover maps from these classifications were used as a basis for estimating carbon stocks through forest resource assessment. At the Saint-Georges de l'Oyapock site, temporal analysis using wavelet decompositions revealed three main types of changes due to anthropogenic deforestation, seasonal changes and agricultural changes. On the site of the Monté Cristi province in the Dominican Republic, the joint analysis of radar and optical images made it possible to propose a cartography comprising 18 field-controlled land cover classes with an overall accuracy of more than 90%. Historical forest monitoring shows a decline in forest cover. At the same time, we observe a regression of the surface of mangroves between 2015 and 2018.This study has highlighted the immense potential of optical and radar remote sensing data in the characterization, mapping and monitoring of land use layers in tropical ecosystems in different regions of the world and according to seasonal conditions. While each type of remote sensing data has these discriminatory qualities and capabilities, this study has shown that the joint and combined use of two types of data significantly increases the characterization and discrimination of land-use classes and thus increases the chances of reliability of the actions to be carried out

Agricultural production is becoming increasingly important as the world demand increases. On the other hand, there are several factors threatening that production such as the climate change. Therefore, monitoring and management of different parameters affecting the production are important. The current study is dedicated to two key parameters, namely agricultural land cover and soil-moisture mapping using X- and L-Band Synthetic Aperture Radar (SAR) data. Land-cover mapping plays an essential role in various applications like irrigation management, yield estimation and subsidy control. A model of multi-direction/multi-distance texture analysis on SAR data and its use for agricultural land cover classification was developed. The model is built and implemented in ESRI ArcGIS software and integrated with “R Environment”. Sets of texture measures can be calculated on a plot basis and stored in an attribute table for further classification. The classification module provides various classification approaches such as support vector machine and artificial neural network, in addition to different feature-selection methods. The model has been tested for a typical Mid-European agricultural and horticultural land use pattern south to the town of Pirna (Saxony/Germany), where the high-resolution SAR data, TerraSAR-X and ALOS/PALSAR (HH/HV) imagery, were used for land-cover mapping. The results indicate that an integrated classification using textural information of SAR data has a high potential for land-cover mapping. Moreover, the multi-dimensional SAR data approach improved the overall accuracy. Soil moisture (SM) is important for various applications such as crop-water management and hydrological modelling. The above-mentioned TerraSAR-X data were utilised for soil-moisture mapping verified by synchronous field measurements. Different speckle-reduction techniques were applied and the most representative filtered image was determined. Then the soil moisture was calculated for the mapped area using the obtained linear regression equations for each corresponding land-cover type. The results proved the efficiency of SAR data in soil-moisture mapping for bare soils and at the early growing stage of fieldcrops. / Landwirtschaftliche Produktion erlangt mit weltweit steigender Nahrungsmittelnachfrage zunehmende Bedeutung. Zahlreiche Faktoren bedrohen die landwirtschaftliche Produktion wie beispielsweise die globale Klimaveränderung einschließlich ihrer indirekten Nebenwirkungen. Somit ist das Monitoring der Produktion selbst und der wesentlichen Produktionsparameter eine zweifelsfrei wichtige Aufgabe. Die vorliegende Studie widmet sich in diesem Kontext zwei Schlüsselinformationen, der Aufnahme landwirtschaftlicher Kulturen und den Bodenfeuchteverhältnissen, jeweils unter Nutzung von Satellitenbilddaten von Radarsensoren mit Synthetischer Apertur, die im X- und L-Band operieren. Landnutzungskartierung spielt eine essentielle Rolle für zahlreiche agrarische Anwendungen; genannt seien hier nur Bewässerungsmaßnahmen, Ernteschätzung und Fördermittelkontrolle. In der vorliegenden Arbeit wurde ein Modell entwickelt, welches auf Grundlage einer Texturanalyse der genannten SAR-Daten für variable Richtungen und Distanzen eine Klassifikation landwirtschaftlicher Nutzungsformen ermöglicht. Das Modell wurde als zusätzliche Funktionalität für die ArcGIS-Software implementiert. Es bindet dabei Klassifikationsverfahren ein, die aus dem Funktionsschatz der Sprache „R“ entnommen sind. Zum Konzept: Ein Bündel von Texturparametern wird durch das vorliegende Programm auf Schlagbasis berechnet und in einer Polygonattributtabelle der landwirtschaftlichen Schläge abgelegt. Auf diese Attributtabelle greift das nachfolgend einzusetzende Klassifikationsmodul zu. Die Software erlaubt nun die Suche nach „aussagekräftigen“ Teilmengen innerhalb des umfangreichen Texturmerkmalsraumes. Im Klassifikationsprozess kann aus verschiedenen Ansätzen gewählt werden. Genannt seien „Support Vector Machine“ und künstliche neuronale Netze. Das Modell wurde für einen typischen mitteleuropäischen Untersuchungsraum mit landwirtschaftlicher und gartenbaulicher Nutzung getestet. Er liegt südlich von Pirna im Freistaat Sachsen. Zum Test lagen für den Untersuchungsraum Daten von TerraSAR-X und ALOS/PALSAR (HH/HV) aus identischen Aufnahmetagen vor. Die Untersuchungen beweisen ein hohes Potenzial der Texturinformation aus hoch aufgelösten SAR-Daten für die landwirtschaftliche Nutzungserkennung. Auch die erhöhte Dimensionalität durch die Kombination von zwei Sensoren erbrachte eine Verbesserung der Klassifikationsgüte. Kenntnisse der Bodenfeuchteverteilung sind u.a. bedeutsam für Bewässerungsanwendungen und hydrologische Modellierung. Die oben genannten SAR-Datensätze wurden auch zur Bodenfeuchteermittlung genutzt. Eine Verifikation wurde durch synchrone Feldmessungen ermöglicht. Initial musste der Radar-typische „Speckle“ in den Bildern durch Filterung verringert werden. Verschiedene Filtertechniken wurden getestet und das beste Resultat genutzt. Die Bodenfeuchtebestimmung erfolgte in Abhängigkeit vom Nutzungstyp über Regressionsanalyse. Auch die Resultate für die Bodenfeuchtebestimmung bewiesen das Nutzpotenzial der genutzten SAR-Daten für offene Ackerböden und Stadien, in denen die Kulturpflanzen noch einen geringen Bedeckungsgrad aufweisen.

Das Radar mit synthetischer Apertur (Synthetic Aperture Radar - SAR) liefert eine quasi-fotographische Abbildung der beleuchteten Bodenoberfläche mit zusätzlichen Informationen, die von der gesendeten und empfangenen Polarisation der Wellen abhängig sind. Eine nützliche Anwendung der polarimetrischen SAR-Daten liegt bei der Klassifizierung der Bodenstruktur anhand der polarimetrischen Streuungseigenschaften. In diesem Zusammenhang beschäftigt sich die vorliegende Arbeit mit der Entwicklung und Untersuchung neuer polarimetrischen Fokussierungsfunktion für die SAR-Datenverarbeitung mit Hilfe der polarimetrischen Rückstreuungseigenschaft, die zu einer alternativen quantitativen Auswertung der polarimerischen SAR-Daten führen kann. Die physikalische Optik Approximation wird für die numerische Berechnung der rückgestreuten elektrischen Felder der kanonischen Ziele unter SAR-Geometrie unter Berücksichtigung der Polarisationslage verwendet. Aus den rückgestreuten elektrischen Felder werden die polarimetrischen Radarrückstreuquerschnitte berechnet. Ein SAR-Simulator wird zur Datenverarbeitung der E-SAR des DLR entwickelt. Der Ansatz des polarimetrischen Radarrückstreuquerschnittes ermöglicht die approximierte numerische Berechnung der Rückstreuungseigenschaften der kanonischen Ziele sowohl im kopolaren als auch im kreuzpolaren Polarisationsbetrieb. Bei der SAR-Datenverarbeitung werden die Rohdatensätze durch die Referenzfunktion eines Punktzieles in der Entfernungsrichtung verarbeitet. Bei der Azimutkompression werden die vier Referenzfunktionen, das heißt die Referenzfunktion eines Punktzieles, die polarimetrische Fokussierungsfunktion einer flachen Platte, die polarimetrische Fokussierungsfunktion eines Zweifach-Reflektors und die polarimetrische Fokussierungsfunktion eines Dreifach-Reflektors, eingesetzt. Die qunatitativen Auswertung der SAR-Daten werden anhand des Pauli-Zerlegungstheorems, der differentiellen Reflektivität und des linearen Depolarisationsverhältnises durchgeführt.

Das Radar mit synthetischer Apertur (Synthetic Aperture Radar - SAR) liefert eine quasi-fotographische Abbildung der beleuchteten Bodenoberfläche mit zusätzlichen Informationen, die von der gesendeten und empfangenen Polarisation der Wellen abhängig sind. Eine nützliche Anwendung der polarimetrischen SAR-Daten liegt bei der Klassifizierung der Bodenstruktur anhand der polarimetrischen Streuungseigenschaften. In diesem Zusammenhang beschäftigt sich die vorliegende Arbeit mit der Entwicklung und Untersuchung neuer polarimetrischen Fokussierungsfunktion für die SAR-Datenverarbeitung mit Hilfe der polarimetrischen Rückstreuungseigenschaft, die zu einer alternativen quantitativen Auswertung der polarimerischen SAR-Daten führen kann. Die physikalische Optik Approximation wird für die numerische Berechnung der rückgestreuten elektrischen Felder der kanonischen Ziele unter SAR-Geometrie unter Berücksichtigung der Polarisationslage verwendet. Aus den rückgestreuten elektrischen Felder werden die polarimetrischen Radarrückstreuquerschnitte berechnet. Ein SAR-Simulator wird zur Datenverarbeitung der E-SAR des DLR entwickelt. Der Ansatz des polarimetrischen Radarrückstreuquerschnittes ermöglicht die approximierte numerische Berechnung der Rückstreuungseigenschaften der kanonischen Ziele sowohl im kopolaren als auch im kreuzpolaren Polarisationsbetrieb. Bei der SAR-Datenverarbeitung werden die Rohdatensätze durch die Referenzfunktion eines Punktzieles in der Entfernungsrichtung verarbeitet. Bei der Azimutkompression werden die vier Referenzfunktionen, das heißt die Referenzfunktion eines Punktzieles, die polarimetrische Fokussierungsfunktion einer flachen Platte, die polarimetrische Fokussierungsfunktion eines Zweifach-Reflektors und die polarimetrische Fokussierungsfunktion eines Dreifach-Reflektors, eingesetzt. Die qunatitativen Auswertung der SAR-Daten werden anhand des Pauli-Zerlegungstheorems, der differentiellen Reflektivität und des linearen Depolarisationsverhältnises durchgeführt.