西北区域数值预报业务试验系统基本要素预报效果检验

引 言

数值天气预报是根据天气演变过程的流体力学和热力学方程组，在一定的初值和边界条件下，求解未来一定时段大气运动状态和天气现象的方法。由于不同模式初始场、边界条件、模式框架、参数化方案等各不相同，造成模式预报效果存在时间和空间上的差异。因此，对数值模式进行检验评估是使用和发展数值预报系统的重要环节。

发展围城经济。建设占地总面积518亩蔬菜产业园区，总投资达2400万元，建设高光效智能温室大棚20栋，日光大棚146栋。一期建设完成的温室大棚12栋，日光大棚100栋，今年收缴承包费52.75万元，与之前发包土地相比增收36.44万元，预计全年实现总产值380万元，种植户实现净利润170万元。蔬菜产业园区的寒地反季瓜果、有机草莓、有机蔬菜品质好，市场俏，深受消费者青睐，达到了职工增收、公司增效、集团增利的“三赢”目的。

伴随着数值模式的快速发展，对模式预报能力的客观检验显得尤为重要[1-5]。尽管数值预报模式日益完善，计算精度不断提高，但目前还是无法达到令人满意的程度，预报值与实际值之间仍存在不同程度的误差，即便同一预报模式也会存在着系统性和区域性误差[6-9]，而对于不同要素预报其误差也千差万别[4,10-11]。因此，通过对数值预报的检验分析，不仅可以对模式物理方案、参数化及陆面过程等改进提供参考，还可以为预报员使用模式时提供更多有用信息。模式检验早期是通过目视进行误差对比分析，其检验结果具有主观性和非定量性，很难提供有效的判别标准。经典检验方法[12]可以客观、定量地检验模式的预报效果及性能，该方法是通过站点观测数据进行点对点的对比，或者利用列联表根据事件发生与否对预报、观测进行分类统计，以此来判别模式的预报技巧。虽然经典检验方法以相同的方式对待不同事件，割裂了要素场的空间结构，但其计算简单、易于实现，能直接给出清晰、直观且易于理解和判断的确定性结果，因此在业务中广泛使用[13]。

目前，国外在数值模式检验方面主要有数值方法创新研究及模式预报效果检验[14-15]，其中模式检验新方法有强度尺度方法[16]、基于对象的降水检验方法[17]等。国内主要有数值模式预报要素的检验及检验方法的应用。模式预报要素检验主要体现在多种数值模式的地面气象要素预报在中国区域的适用性对比研究[9]，认为数值模式预报资料在一定程度上能够反映气象要素的时空分布特征，在中国区域有一定的适用性，但数值上与观测资料存在差异。其中，日本高分辨率模式对中国东南地区的预报技巧高于西北地区，对东部沿海的降水量级预报比西部地区更加合理[18]；BJ-RUC系统预报的地面气象要素的变化趋势与实况有很好的一致性，但由于系统的时间、空间分辨率较高，可用于短时临近预报[4]。检验方法应用有：强度尺度分解方法应用到气候地表温度场的检验[19]、MODE方法对BJ-RUC系统降水预报产品的客观检验[20]等。

除了教会孩子合理地花钱、有效地赚钱，家长们也可以试着告诉孩子一些基本的财富常识，带着他们做一些简单的投资。

（1）二维超声表明胎盘间隙已经消失，且胎盘下肌菲薄。（2）经过彩色多普勒超声检查后，表明胎盘后方或胎盘实质血流异常丰富，能够对动脉血流进行准确探测，具体表现为：胎盘实质血流紊乱等，甚至牵连子宫肌层。

西北区域数值预报业务试验系统NW-MNPS，是中国气象局兰州干旱气象研究所于2014年底搭建成立的，主要用于西北区域的数值预报业务试验。为了能够更好地实现该系统的业务推广应用，本文利用模式经典检验方法，通过站点观测数据，检验NW-MNPS模式对西北区域常规气象预报要素的预报效果，整体评估其在西北区域的预报性能。

1 模式、资料及方法

1.1 模式及资料

NW-MNPS模式以中尺度模式WRF(weather research and forecasting model)3.6.1版本为基本框架，以GFS(global forecast system)1°×1°的预报场资料作为模式初始场，采用三维变分资料同化系统[21]同化中国区域地面自动气象站和高空雷达站常规观测资料。模式中心位置为39°N、100°E，垂直层数40层，地图投影采用Lambert投影；采用三重嵌套设置[图1(a)]，D01为中国区域，D02为中国西北区域，D03为甘肃省区域，水平分辨率分别为27、9、3 km，分别采用NCEP(National Centers for Environmental Prediction)提供的全球10′、5′、2′分辨率的地形资料和USGS(United States Geological Survey)陆面资料，积分步长分别为90、30、18 s，输出间隔对应为3、3、1 h，预报时效为168、72、48 h，起报时间均为08:00(北京时，下同)。物理过程参数化方案选取：D01、D02均选KF积云参数化方案[22]，D03不选积云参数化方案；Noah陆面过程参数化方案[23]；ACM2边界层参数化方案[24]；RRTM长波辐射方案；Dudhia短波辐射方案；Thompson Graupel微物理过程参数化方案[25]。

利用D02区域预报结果进行模式检验，D02的范围为29.8°N—47.0°N、87.5°E—117.2°E，检验时段为2015年5月1日至2016年4月30日，检验要素有地面2 m温度、2 m比湿、10 m风速、24 h降水量以及高空温度、比湿、风速。

使用了同时期地面和高空观测资料，地面资料为中国气象局下发的逐小时全国2 400多个自动站报文资料，高空资料为全国120站逐12 h L波段雷达观测资料。两种资料均通过解码转换为MET(model evaluation tools)检验系统可读的ASCII格式，并进行气候学界限值、区域界限值、时间一致性及空间一致性检查等质量控制，可用率达98.9%[26]。D02区域包括的地面观测站有707个，高空站有33个，站点分布如图1(a)。西北区域地形复杂，模式中地形高度普遍高于实际地形，尤其是高海拔地区二者差异更大[图1(b)]。

在党的十九大报告以及同各界优秀青年代表座谈时的讲话中，习近平总书记多次提到与青年相关的话题，他指出：“广大青年要坚持面向现代化、面向世界、面向未来，增强知识更新的紧迫感，如饥似渴学习。既扎实打牢基础知识又及时更新知识，既刻苦钻研理论又积极掌握技能，不断提高与时代发展和事业要求相适应的素质和能力。”入学教育，可以使新生明确学习目的，端正学习态度，增强学习动力，帮助新生了解研究生阶段的生活特点和基本要求，顺利完成从本科到研究生的角色适应和角色转变，尽快步入科学发展轨道。然而与本科生相比，研究生新生入学教育的关注度远远不够。

图1 NW-MNPS模式区域设置和D02区域观测站点分布(a)及模式与观测站地形高度对比(b) (浅色星为地面站，深色点为高空站) Fig.1 The domain design of NW-MNPS model and distribution of observation stations in D02 (a), and the comparison of terrain height between the model and observation stations (The light asterisks and dark dots for surface stations and radiosonde stations, respectively)

1.2 方 法

MET是NCEP和NCAR(National Center for Atmospheric Research)在美国空军及NOAA(National Oceanic and Atmospheric Administration)支持下共同开发的，集成了世界上先进的模式检验技术，适用于WRF模式及其他数值模式输出结果的检验[27]。MET是用于数值预报的客观检验工具，功能丰富且完善，其中Point_Stat(point statistics)工具主要采用客观检验方法对站点格式数据进行检验评估。对NW-MNPS模式的检验主要是将模式格点结果插值到观测站点后进行站点检验评估，插值方法选取双线性插值。

图5是NW-MNPS模式对高空要素的预报误差随高度的变化。可以看出，模式对高空气温的预报略有偏低，24 h预报时效的均方根误差除地面外，高空基本在2.0 K以内，而48 h和72 h预报为2.0～3.0 K，且低层气温预报误差比高层大[图5(a)、图5(b)和图5(c)]；模式对比湿的预报略偏大，均方根误差在3.0 g·kg-1以内，高层的比湿预报误差大于低层，但不同预报时效其误差差异不大[图5(d)、图5(e)和图5(f)]；模式对风速的预报误差低层偏大、高层偏小，均方根误差为3.0～4.0 m·s-1，且高层大于低层[图5(g)、图5(h)和图5(i)]。

(1)连续变量检验

自主学习的研究始于上世纪50年代，是教育心理学的研究对象，到70年代，西方研究自主学习的代表人物Holec[2]认为，自主学习就是学习者在学习过程中“能够对自己的学习负责的一种能力，包括确立目标、自我监控和自我评价等”；Benson[3]则提出语言学习的自主性主要体现在以下三个方面：一种独立学习的行为和技能，一种指导自己学习的内在的心理活动，一种对自己学习内容的控制。

检验NW-MNPS模式预报的地面要素包括2 m温度、2 m比湿和10 m风速。主要从各要素预报误差随预报时效的变化以及各要素不同预报时效误差随时间的变化两方面，来检验模式的预报效果。

(2)

(3)

式中：n为观测站点数量；i为某站；fi为某站的预报值；oi为某站的观测值。

(2)降水检验

根据财务顾问提供的信息，摩根士丹利当时已经计提了约95亿美元的坏账，中投希望能注销掉105亿美元，这样公司未来包袱会更小。摩根士丹利表示，无论怎样的会计处理，最后都是要经过外部审计师的审计，注销105亿美元坏账，外部审计难以通过。经过非常艰难的谈判，最后达成一致，中投买入摩根士丹利“有期限的强制可转换债”。对于转换为普通股的时间点，双方争论过很长时间。摩根士丹利向“强制可转换债”支付利息，要将利息做现金流贴现折算为现在的估值，还有强制转换的周期双方也有争议，是加一周、还是减一周，都会影响入股价格。双方斗智斗勇，最后达成一致要在2年8个月零3周内转成普通股。

对降水的检验主要选取预报业务中常用的TS(threat score)评分、ETS(equitable threat score)评分、预报偏差MBIAS来评估模式对24 h降水的预报效果，计算公式如下：

垃圾渗沥液分别采集于北京市的某垃圾填埋场、垃圾转运站、综合处理厂未处理的原液。2016—2017年每月的上半月进行采集样品，连续采集24个月，样品4℃保存。

其中：

怪不得叫“雅治奶茶店”。是个日本人。我忘了擦挂在我眼角的眼泪，想起来后就在脸上用手一顿乱抹。他递给我一张面巾纸。我胡乱地擦了擦。

(6)

式中：nij为观测站数，i表示预报，j表示观测，各变量含义见表1。

表1 降水检验公式中各分量定义 Tab.1 The contingency table of rainfall verification formula

预报观测o=1(有)o=0(无)总计f=1(有)n11n10n1·=n11+n10f=0(无)n01n00n0·=n01+n00总计n·1=n11+n01n·0=n10+n00T=n11+n10+n01+n00

2 NW-MNPS模式预报效果检验

2.1 地面要素

图2是2 m温度、2 m比湿及10 m风速模式预报值和观测值的平均误差、平均绝对误差和均方根误差的时间变化。从误差随预报时效变化[图2(a)]看，2 m温度预报的误差基本在合理范围内，24 h预报时效内误差在2.0 K以内，但误差存在明显的日变化，预报值白天偏低，夜晚偏高，昼夜差偏小。不同季节2 m温度预报误差变化也存在上述变化特征，尤其是夏季和冬季该变化特征更明显(图略)。从整体预报性能看，NW-MNPS模式对2 m温度预报的RMSE在3.0～4.0 K之间，且随着预报时效的增加误差增大。

[12] GILLELAND E, AHIJEVYCH D, BROWN B G, et al. Intercomparison of spatial forecast verification methods[J]. Weather and Forecasting, 2009,24(5):1416-1430.

NW-MNPS模式对各气象要素的预报误差均随预报时效增加而增大，这是由模式本身随积分时间的增加系统误差累积效应引起，目前可以通过滚动预报来减小这一误差。该模式对各要素(2 m比湿除外)的预报效果夏季好于冬季，这是由于影响我国西北地区的天气系统夏季强于冬季，而模式对强的天气系统预报优于弱的天气系统，所以在对结果订正时要考虑季节变化。模式地形与实际地形亦存在较大差异，有必要对模式预报要素进行地形高度订正。另外，由于观测资料的离散性及在西北区域分布稀少，模式预报结果与观测结果存在一定差异，未来需从模式自身性能和观测资料缺陷两方面考虑进一步开展深入检验分析。

NW-MNPS模式对2 m比湿的预报普遍较站点观测值偏小，无明显的日变化，RMSE在1.5 g·kg-1左右，且随着预报时效的增加，预报误差增大[图2(c)]。从图2(d)看出，不同预报时效2 m比湿的预报误差差异较小，其中预报误差在3—10月日波动较大，误差也较大，而在11月至次年2月日波动很小，误差也小。其原因在于，该地区3—10月空气湿度大，而11月至次年2月空气湿度小。

本次实验，解决了关于无障碍网络课程的许多困惑，在具体实验设计和应用方面收获颇多。但是，也有一定的局限性和不足：

从10 m风速的误差变化[图2(e)]看，NW-MNPS模式对10 m风速的预报整体偏大，误差日变化不明显，RMSE为2.0～3.0 m·s-1，且随预报时效的增加误差增加不明显。从图2(f)看出，不同预报时效10 m风速的预报误差差异不明显，且夏季低于冬季。

2.2 降 水

利用TS、ETS、预报偏差3个指标检验NW-MNPS模式对24 h降水的预报效果(图3)。整体来看，随着预报时效的增加，该模式对降水预报的评分逐渐减小。从TS评分[图3(a)]看，模式对24 h小雨预报的TS评分达0.4以上，但中雨及以上量级的评分相对较低，尤其是大暴雨的评分基本为0。从ETS评分[图3(b)]看，模式对小雨预报的ETS评分接近0.3，中雨及以上量级降水的预报评分较低。从预报偏差[图3(c)]看，模式对小雨、中雨的预报普遍偏多，尤其是小雨预报偏多1倍之多，但对大雨及以上量级的降水预报普遍偏少，尤其是大暴雨的预报。从西北地区降水气候概率特征看，该地区降水主要为小雨、中雨，大雨及以上量级降水相对偏少，尤其是暴雨和大暴雨。该模式能够有效预报出西北区域普遍性的降水过程，而对小概率事件的强降水过程预报效果较差。

图4是NW-MNPS模式不同预报时效对不同量级24 h降水预报的TS评分日变化。从不同时效的预报效果看，整体上24 h预报时效最好，其次是48 h和72 h，但也存在48 h或72 h预报时效的降水预报效果好于24 h。从不同量级的降水预报效果看，小雨预报的TS评分最高，其次是中雨，而大雨的预报效果最差。从不同季节降水预报的TS评分看，模式对夏季24 h降水预报TS评分最高，最高达0.8，而冬季相对较低，基本在0.6以下；由于冬季降水少且量级小，因此中雨及以上量级降水预报TS评分基本为0。

图2 2 m温度(a、b)、2 m比湿(c、d)及10 m风速(e、f)的预报误差 随预报时效的变化(a、c、e)及其日变化(b、d、f) Fig.2 The variations of errors with predictability time (a, c, e) and their daily change (b, d, f) for 2 m temperature (a, b), 2 m specific humidity (c, d) and 10 m wind speed (e, f) forecasted by NW-MNPS model

图3 24 h不同强度降水预报TS评分(a)、ETS评分(b)、预报偏差(c)随预报时效的变化 Fig.3 Variation with predictability time of TS (a), ETS (b) and forecast bias (c) for 24-hour precipitation with different intensities forecasted by NW-MNPS model

图4 24 h不同强度降水预报TS评分日变化 (a)小雨，(b)中雨，(c)大雨 Fig.4 Daily variations of TS for 24-hour precipitation with different intensities forecasted by NW-MNPS model (a) light precipitation, (b) moderate precipitation, (c) heavy precipitation

2.3 高空要素

七氟烷具有麻醉诱导快、对循环影响小、术后苏醒快等诸多优势，是外科全麻手术过程中一种重要的吸入型麻醉药物[7]。王建平等[8]研究证实，对大鼠采用七氟烷处理，可以明显减少炎症反应。此外，在进行Ivor-Lewis手术的过程中实施七氟烷麻醉，可以有效减少CRP、IL-6等炎症介质生成[9]。然而，现阶段临床上对七氟烷是否有助于减轻腹腔镜子宫肌瘤手术患者的炎症反应尚未明确[10]。

另外，对NW-MNPS模式预报的500 hPa温度、比湿、风速不同预报时效的平均误差与均方根误差日变化进行分析(图6)。从不同预报时效的预报效果看，24h预报时效预报的平均误差、均方根误差最小，48 h和72 h预报时效预报的误差相对较大。从对气温不同季节预报效果看，模式对夏季气温的预报效果明显最好，不同预报时效的均方根误差均在2.0 K以内，而对冬季气温预报相对较差，24 h预报的均方根误差在2.0 K附近上下波动，48 h、72 h预报的均方根误差则高于2.0 K。模式对比湿的预报误差夏季较大，且日波动大，而冬季的预报误差较小，日波动也小。对风速的预报误差，季节差异不明显，其中冬季预报稍差。

图5 24 h(a、d、g)、48 h(b、e、h)和72 h(c、f、i)预报时效预报的高空温度(a、b、c)、比湿(d、e、f)、风速(g、h、i)的平均误差、绝对误差、均方根误差的垂直廓线 Fig.5 The vertical profiles of ME, MAE and RMSE with 24-hour (a, d, g), 48-hour (b, e, h) and 72-hour (c, f, i) predictability time for temperature (a, b, c), specific humidity (d, e, f) and wind speed (g, h, i) in upper levels forecasted by NW-MNPS model

图6 不同时效预报的500 hPa气温(a)、比湿(b)、风速(c)的平均误差和均方根误差日变化 Fig.6 Daily variation of ME and RMSE for temperature (a), specific humidity (b) and wind speed (c) on 500 hPa forecasted by NW-MNPS model with different predictability time

3 结论与讨论

(1)从整体性能看，模式对各气象要素的预报误差均在模式误差允许范围内。对地面要素的预报，2 m温度和2 m比湿的预报误差存在明显的日变化，2 m温度预报白天偏低，夜晚偏高，昼夜差偏小，而2 m比湿预报白天偏高，夜晚偏低，昼夜差偏大；10 m风速的预报偏大，无明显日变化。对高空要素的预报，气温预报偏低，比湿预报偏大，风速预报低层偏大、高层偏小。对降水的预报，随着预报时效的增加，降水预报评分降低。

(2)从不同预报时效和不同季节的预报效果看，24 h预报时效的预报效果明显好于48 h和72 h。其中，地面2 m温度的预报夏季明显好于冬季，10 m风速的预报夏季稍好于冬季，2 m比湿的预报冬季误差最小、夏季最大；对高空要素的预报，夏季预报效果明显最好，冬季相对较差；对夏季24 h小雨降水预报TS评分最高，最高达0.8，冬季相对较低，基本在0.6以下。

二级学院的财务管理目标不明确 很多高职院校在实施二级管理过程中，一些二级学院处于被动状态，因此其财务管理的目标不是很明确。财务管理目标是高职院校财务活动需要达到的目的，也是高职院校二级学院健康发展的保障。由于我国高职院校二级财务管理还处于初期阶段，很多二级学院不能很好地分配和使用资金。此外，很多高职院校具有财权和物权，但是不承担相应的责任和义务，使得二级学院财务管理非常混乱。

参考文献：

连续变量检验主要采用平均误差(mean error，ME)、平均绝对误差(mean absolute error， MAE)、均方根误差(root mean squared error，RMSE)等指标来表征要素的预报效果，计算公式如下：

[1] 陈海山,孙照渤. 陆面模式CLSM的设计及性能检验Ⅱ. 模式检验[J]. 大气科学,2005,29(2):272-282.

[2] 王雨,李莉. GRAPES_Meso V3.0模式预报效果检验[J]. 应用气象学报,2010,21(5):524-534.

[3] 张宏芳,潘留杰,杨新. ECMWF、日本高分辨率模式降水预报能力的对比分析[J]. 气象,2014,40(4):424-432.

[4] 闵晶晶. BJ-RUC系统模式地面气象要素预报效果评估[J]. 应用气象学报,2014,25(3):265-273.

[5] 张成军,纪晓玲,马金仁,等. 多种数值预报及其释用产品在宁夏天气预报业务中的检验评估[J]. 干旱气象,2017,35(1):148-156.

[6] 潘留杰,张宏芳,朱伟军,等. ECMWF模式对东北半球气象要素场预报能力的检验[J]. 气候与环境研究,2013,18(1):111-123.

[7] 何金梅,刘抗,王玉红,等. CUACE模式在兰州城市空气质量预报中的检验订正[J]. 干旱气象,2017,35(3):495-501.

[8] 井立红,高婧,赵忠,等. 数值预报模式在新疆塔城地区降水预报中的检验[J]. 干旱气象,2017,35(1):134-141.

[9] 龚伟伟,师春香,张涛,等. 中国区域多种数值模式资料的地面气象要素评估[J]. 气候与环境研究,2015,20(1):53-62.

[10] 汪君,王会军. WRF模式对江苏如东地区风速预报的检验分析[J]. 气候与环境研究,2013,18(2):145-155.

[11] 王雨,公颖,陈法敬,等. 区域业务模式6 h降水预报检验方案比较[J]. 应用气象学报,2013,24(2):171-178.

从不同预报时效的预报效果[图2(b)]看，模式对2 m温度的预报24 h的预报效果好于48 h，48 h的预报效果好于72 h，表明随着预报时效的增加预报误差逐渐增大；2 m温度预报夏季最好，冬季最差，而秋季预报效果接近于夏季，春季预报效果接近于冬季。

[13] 潘留杰,张宏芳,王建鹏. 数值天气预报检验方法研究进展[J]. 地球科学进展,2014,29(3):327-335.

[14] PRAKASH S, MOMIN I M, MITRA A K, et al. An early assessment of medium range monsoon precipitation forecasts from the latest high-resolution NCEP-GFS (T1534) model over south Asia[J]. Pure and Applied Geophysics, 2016,173(6):2215-2225.

[15] MICHAEL G B, JUNYE C, FRANKLIN R R, et al. Evaluation of global precipitation in reanalyses[J]. Journal of Applied Meteorology and Climatology, 2008,47(9):2279-2299.

[16] CASATI B, ROSS G, STEPHENSON D B. A new intensity-scale approach for the verification of spatial precipitation forecasts[J]. Meteorological Applications, 2004,11(2):141-154.

[17] DAVIS C, BROWN B, BULLOCK R. Object-based verification of precipitation forecasts. Part I:methodology and application to mesoscale rain areas[J]. Monthly Weather Review, 2006,134(7):1772-1784.

5）沿填筑好的粗砂外侧坡面填筑一层500 mm厚的干砌块石，干砌块石高度与粗反滤层及砂砾石反滤层齐平，外侧边坡为1∶2，要求块石最小边不得小于50 cm，错缝砌筑。

关于湖州市农村开展全域土地综合整治的思考（朱仲华） .............................................................................9-27

[18] 潘留杰,张宏芳,王建鹏,等. 日本高分辨率模式对中国降水预报能力的客观检验[J]. 高原气象,2014,33(2):483-494.

[19] 李娟,曾晓东,陈红,等. 强度尺度分解方法在气候温度场检验中的应用[J]. 大气科学,2016,40(6):1117-1126.

[20] 尤凤春,王国荣,郭锐,等. MODE方法在降水预报检验中的应用分析[J]. 气象,2011,37(12):1498-1503.

[21] BAKER D M, HUANG W, GUO Y R, et al. A Three-dimensional variational data assimilation system for MM5: implementation and initial results[J]. Monthly Weather Review, 1984,132(4):897-914.

[22] KAIN J S, FRITSCH J M. A one-dimensional entraining/detraining plume model and its application in convective parameterization[J]. Journal of Atmosphere Science, 1990,47(1):2784-2802.

[23] CHEN F, DUDHIA J. Coupling an advanced land surface-hydrology model with the Penn State-NCAR MM5 modeling system. Part I: Model implementation and sensitivity[J]. Monthly Weather Review, 2001,129(4):569-585.

[24] PLEIM J E. A combined local and nonlocal closure model for atmospheric boundary layer. Part I: Model description and testing[J]. Journal of Applied Meteorology & Climatology, 2007,46(9):1383-1395.

[25] THOMPSON G, RASMUSSEN R M, MANNING K. Explicit forecasts of winter precipitation using an improved bulk microphysics scheme. Part I: Description and sensitivity analysis[J]. Monthly Weather Review, 2004,132(2):519-542.

[26] 任芝花,熊安元. 地面自动站观测资料三级质量控制业务系统的研制[J]. 气象,2007,33(1):19-24.

[27] 潘留杰,张宏芳,薛春芳,等. 数值模式评估系统MET及其初步应用[J]. 气象科技进展,2016,6(4):37-43.