پایش تغییرات کاربری‌اراضی و ارتباط آن با دمای سطح‌زمین و شاخص پوشش‌گیاهی در نواحی جنوبی استان اردبیل (مطالعه موردی: حوضه آبریز گیوی چای)

محورهای موضوعی : منابع طبیعی و مدیریت زیست محیطی

شیرین مهدویان ¹ (دانشجوی دکتری اقلیم شناسی، دانشکده ادبیات و علوم انسانی، دانشگاه محقق اردبیلی،اردبیل، ایران)
بتول زینالی ² (دانشیار گروه جغرافیای طبیعی، دانشکده ادبیات و علوم انسانی ، دانشگاه محقق اردبیلی ، اردبیل، ایران)
برومند صلاحی ³ (استاد گروه جغرافیای طبیعی، دانشکده ادبیات و علوم انسانی، دانشگاه محقق اردبیلی، اردبیل، ایران)

تاریخ دریافت : 1400/08/01 تاریخ پذیرش : 1400/08/25 تاریخ انتشار : 1401/08/01

کلید واژه: کاربری زمین, شاخص پوشش گیاهی تفاضلی نرمال شده, دمای سطح زمین, شاخص مشارکت,

چکیده مقاله :

پیشینه و هدف گسترش شهری بی‌رویه و برنامه‌ریزی نشده به پراکندگی شهری معروف است و با تراکم کم، توسعه حمل‌ونقل محور و گسترش وسیع به سمت حاشیه مراکز تأسیس‌شده شهری مشخص می‌شود. به‌طورکلی اعتقاد بر این است که اصلاح ریخت‌شناسی منظر شهری منجر به افزایش دمای شهری و پدیده جزیره گرمای شهری (Urban heat island, UHI) می‌شود. خصوصیات بیوفیزیکی فضای شهری عوامل تعیین‌کننده آب‌وهوای محلی شهری است. هنگامی‌که تغییرات قابل‌توجهی مانند جایگزینی پوشش گیاهی و سطوح تبخیری با سطوح غیر قابل‌نفوذ وجود داشته باشد، مقدار انرژی سطح تغییراتی را تجربه می‌کند که منجر به گرم شدن در مقیاس محلی می‌شود. اغلب دانشمندان بر این باورند که دمـای کـره زمـین از قـرن 19 میلادی در حال افزایش است. در این میان، پدیده‌ای به نام جزیره گرمایی درکلان شهرها (UHI) باعث افزایش سریع‌تر دما در ایـن خرد اقلیم‌ها گردیده و در سال‌های آینـده روند سریع شهرنـشینی نیـز بر شیب افزایش دما در شهرها خواهد افـزود. مطـابق آمـار ارائه‌شده توسط سازمان ملل تـا سـال 2025 بـیش از 80% جمعیـت جهـان در شهرها ساکن خواهند بود و این مـسئله با گرم شدن هرچه بیشتر شهرها بر وخامت شرایط می‌افزاید. دمای سطح زمین (LST) یکی از مهم‌ترین پارامترهای زیست‌محیطی است که تحت تأثیر تغییرات کاربری زمین قرار دارد. هدف از انجام این تحقیق تجزیه‌وتحلیل تغییر کاربری زمین در دو دوره 1987 و 2019، برآورد و بررسی تغییرات LST و NDVI در همان دوره و تجزیه‌وتحلیل تأثیر تغییرات کاربری زمین در LST و NDVI مشاهده‌شده و نیز رابطه بین هر سه پارامتر است.مواد و روش ها در این پژوهش، از تصاویر ماهواره لندست 8 که از سنجنده OLIبه‌منظور استخراج نقشه کاربری اراضی و شاخص پوشش گیاهی و سنجنده TIRS به‌منظور استخراج دمای سطح زمین برای سال 2019 استفاده شد و همچنین تصویر سنجندِه لندست 5 برای تهیه نقشه کاربری اراضی و شاخص پوشش گیاهی با استفاده از باندهای مرئی، مادون‌قرمز و مادون‌قرمز نزدیک و سنجندِه TM برای استخراج دمای سطح با استفاده از باندهای حرارتی برای سال 1987 مورداستفاده قرار گرفت. از نرم‌افزار Ecognition برای طبقه‌بندی شیء پایه استفاده شد. برای ارزیابی صحت طبقه‌بندی از ماتریس خطا و آماره‌های مربوطه (صحت کلی، ضریب کاپا، دقت کاربر و تولیدکننده هر کلاس) استفاده شد و درنهایت برای تجزیه‌وتحلیل همبستگی بین LST و NDVI از تحلیل همبستگی پیرسون و برای ارزیابی تأثیر کاربری زمین بر دمای سطح از شاخص مشارکت استفاده شد.نتایج و بحث بررسی تغییرات کاربری اراضی و ارتباط آن با دمای سطح زمین و شاخص پوشش گیاهی، مستلزم تعیین نوع کاربری اراضی و برآورد دقیق دمای سطح زمین و شاخص پوشش گیاهی است. تهیه نقشه کاربری راضی با استفاده از تصاویر ماهواره‌ای لندست و اعمال روش طبقه‌بندی شیءگرا از دقت نسبتاً بالایی برخوردار است. صحت طبقه‌بندی نقشه کاربری اراضی سال 1987، 82.5 و در سال 2019، 96.1 نشان‌دهنده صحت بالای روش طبقه‌بندی کاربری اراضی و نقشه کاربری اراضی است. بررسی تغییرات کاربری اراضی در سال‌های 1987 و 2019 در حوضه آبریز گیوی چای نشان داد که کاربری مرتع به ترتیب با مساحت 1224.18 و 1046.59 کیلومترمربع طبقه غالب کاربری زمین است درحالی‌که در سال 1987 کاربری مسکونی با مساحت 3.66 کیلومترمربع و در سال 2019 کاربری آب با مساحت 3.77 کیلومترمربع کمترین مساحت را داشتند همچنین بیشترین کاربری تغییریافته کاربری مرتع به کشاورزی دیم (181 کیلومترمربع) بوده است که نشان‌دهنده تخریب مراتع است. نتایج دمای سطح زمین در طی دوره 33 ساله ارزیابی شد که نشان داد متوسط دمای سطح زمین در سال 1987 از 28.39 درجه سانتی‌گراد به 38.86 درجه سانتی‌گراد و در سال 2019 از 34.35 درجه سانتی‌گراد به 46.62 درجه سانتی‌گراد افزایش‌یافته است به‌گونه‌ای که متوسط دمای کل منطقه موردمطالعه در 33 سال حدود 7.11 درجه سانتی‌گراد افزایش‌یافته است. این امر نشان از توسعه شهری در منطقه موردمطالعه است. بیشترین دمای ثبت‌شده در هر دو دوره متعلق به کاربری کشاورزی دیم (به ترتیب با 38.86 و 46.62 درجه سانتی‌گراد) است که نشان از تمرکز حرارت در این مناطق است. خشک بودن و برداشت محصول در این زمان می‌تواند علت اصلی دمای زیاد این کاربری باشد. کاربری‌های باغ، جنگل و آب نسبت به دیگر کاربری‌ها دمای سطح پایین‌تری را در هر دو دوره نشان دادند. مناطق دارای پوشش گیاهی به علت تبخیر و تعرق، نقش تعدیل‌ کننده دما رادارند و مناطق دارای حداقل دما را در هر دو دوره به وجود آورده‌اند. کاربری آب هم به دلیل ظرفیت گرمایی بالا تأثیر زیادی در کاهش دما دارد. کاربری نواحی مسکونی نسبت به کاربری‌های کشاورزی دیم و مرتع دمای پایین‌تری را نشان داد که می‌توان علت آن را ناشی از وجود پارک‌ها،باغات که باعث تبخیر و تعرق و خنک‌کنندگی شهر می‌شوند و همچنین عواملی همچون ایزوگام بام‌ها که در انعکاس انرژی تابشی سهم زیادی دارد دانست. کاربری مرتع در هر دو سال مورد مطالعه، دمای بالایی (به ترتیب 36.57 و 44.81 درجه سانتی‌گراد) را داشته است. دلیل بالا بودن دمای این کاربری، با توجه به فصل موردمطالعه که اواخر خرداد و اوایل تیرماه است، ازدیاد نواحی عاری از پوشش گیاهی یا پوشش گیاهی ناچیز و پراکنده است. همچنین در دو دوره مطالعه همبستگی منفی زیادی بین LST و NDVI وجود داشت. کشاورزی دیم و مرتع با LST بالاتر NDVI کمتری دارند، درحالی‌که پوشش گیاهی و آب‌ها NDVI بالاتری دارند. کاربری مربوط به کشاورزی آبی که اکثراً در مناطق اطراف رودخانه گیوی چای مشاهده شد به خاطر وجود رطوبت و تبخیر و تعرق ناشی از تراکم پوشش گیاهی دمای پایین‌تری نشان داد. در منطقه مورد مطالعه مناطق حومه شهر (باغات) و اراضی زراعی آبی حاشیه رودخانه گیوی چای و جنگل‌ها به دلیل دارا بودن زی‌توده سبز نسبتاً زیاد، دارای بیشترین مقدار شاخص پوشش گیاهی (NDVI) هستند در حال که پهنه‌های آبی،اراضی دیم،نواحی مسکونی و مراتع کمترین شاخص پوشش گیاهی رادارند. نتایج حاصل از تجزیه‌وتحلیل شاخص پوشش گیاهی برای هر کلاس کاربری نشان داد که جنگل‌ها، کشاورزی دیم و مراتع دارای بالاترین مقادیر LST و کمترین مقدار NDVI درحالی‌که کمترین مقادیر LST و مقادیر بالاتر NDVI در طبقات جنگل و باغ مشاهده شد. جایگزینی پوشش گیاهی و جنگل‌ها با نواحی مسکونی عامل تبدیل خاک‌های مرطوب به سطوح غیر قابل‌نفوذ است که منجر به کاهش تبخیر سطح می‌شود. تابش خورشیدی جذب‌شده به گرما تبدیل می‌شود و با مقادیر بالاتر LST منعکس می‌شود.نتایج میزان همبستگی سه پارامتر (کاربری راضی،دمای سطح زمین و شاخص پوشش گیاهی) نشان داد که شاخص پوشش گیاهی (NDVI) همبستگی منفی با دمای سطح زمین داردبه عبارتی با افزایش پوشش گیاهی دمای سطح زمین کاهش داشته است و این موضوع به این دلیل است که پوشش گیاهی بیشتر منجر به تبخیر و تعرق بیشتر و انتقال بخشی از دما و سرد شدن سطح زمین می‌شود. درنهایت محاسبه شاخص مشارکت برای هر کلاس کاربری اراضی در سال‌های 1987 و 2019 نشان داد که کاربری کشاورزی دیم در سال 1987 و کاربری مرتع در سال 2019 بیشترین سهم را در افزایش دمای سطح در منطقه موردمطالعه داشتند. با توجه به زمان تصاویر انتخاب‌شده علت اصلی این مشارکت را نیز می‌توان به زمان برداشت محصول کشاورزی دیم و خشک شدن مراتع نسبت داد.نتیجه گیری تأیید افزایش دمای سطح بین طبقات مختلف کاربری زمین است. کاربری‌های مراتع و کشاورزی دیم مقادیر LST بیشتری را در مقایسه با جنگل‌ها و کشاورزی آبی و پهنه‌های آب‌ها نشان دادند. مناطق دارای دمای بالا نیز دارای مقادیر کم NDVI برعکس، مناطق دمای پایین مانند پوشش گیاهی و آب‌ها دارای مقادیر NDVI بالاتری بودند. علاوه بر این، ارتباط منفی بالایی بین LST و NDVI در دو دوره مطالعه مشاهده شد. همچنین نشان داده شد که مراتع و کشاورزی دیم به‌طور مثبت بر LST تأثیر می‌گذارند درحالی‌که جنگل‌ها و آب‌ها دارای اثر خنک‌کننده یا تعدیل‌کننده هستند.

چکیده انگلیسی:

Background and Objective Irregular and unplanned urban expansion is known as urban sprawl and is characterized by low-density, transport-driven development, spreading out over large swathes of land towards the fringes of established urban centers. It is generally held that morphological modification of the urban landscape results in rising urban temperatures and the urban heat island (UHI) phenomenon. The biophysical properties of the urban space are determinants of the local urban climate. When there is significant alteration such as the replacement of vegetation and evaporating surfaces with impervious surfaces, the surface energy budget experiences fluxes which leads to warming at the local scale. Most scientists believe that the Earth's temperature has been rising since the 19th century. Meanwhile, a phenomenon called heat island in metropolitan areas (UHI) has caused a faster rise in temperature in these micro-climates, and in the coming years, the rapid urbanization trend will also increase the slope of temperature rise in cities. According to statistics provided by the United Nations, by 2025, more than 80% of the world's population will live in cities, and this will worsen the situation as cities become warmer. Surface temperature (LST) is one of the most important environmental parameters that is affected by land use change. The purpose of this study is to analyze the land use change in the two periods of 1987 and 2019, to estimate and study the changes in LST and NDVI in the same period, and to analyze the impact of land use change in LST and NDVI and the relationship between all three parameters.Materials and Methods In this study, Landsat 8 satellite images were used from the OLI sensor to extract the land use map and vegetation index, and the TIRS sensor was used to extract ground surface temperature for 2019 also Landsat 5 OLI sensor image was used to prepare land use map and vegetation index. Using visible, near-infrared, and infrared bands, the TM sensor was used to extract the surface temperature using thermal bands for 1987. Ecognition software was used to classify the object. Error matrices and related statistics (overall accuracy, kappa coefficient, user and Producer accuracy of each class) were used to evaluate the classification accuracy. Finally, Pearson correlation analysis was used to analyze the correlation between LST and NDVI, and the Contribution index was used to evaluate the impact of land use on surface temperature.Results and Discussion Investigating land use changes and their relationship with land surface temperature and vegetation index requires determining the type of land use and accurate estimation of land surface temperature and vegetation index. Preparing a satisfied land use map using Landsat satellite images and applying the object classification method Oriented has a relatively high accuracy. The accuracy of land use map classification in 1987, 82.5, and in 2019, 96.1 shows the high accuracy of the land use classification method and land use map. The study of land use changes in 1987 and 2019 in the Givi Chay catchment showed that rangeland use with an area of 1224.18 and 10469.59 square kilometers is the dominant land use, while in 1987, residential use with an area of 66.63 square kilometers and in 2019, water use with an area of 3.77 square kilometers had the lowest area. Also, the most modified use of rangeland use was dryland agriculture (181 square kilometers), which indicates the destruction of rangelands. The results of surface temperature during the 33-year period were evaluated which showed that the average surface temperature in 1987 from 28.39 °C to 38.86 °C and in 2019 from 34.35 °C to 46.62. The temperature has increased so that the average temperature of the whole study area in 33 years has increased by about 7.11 degrees Celsius. This indicates the urban development in the study area. The highest temperature recorded in both periods belongs to dryland agricultural use (38.86 and 46.62 ° C, respectively), which indicates the concentration of heat in these areas. Dryness and harvest at this time can be the main cause of high temperatures of this use. Garden, forest, and water uses showed lower surface temperatures in both periods than other uses. Vegetation areas due to evapotranspiration have a temperature-moderating role and have areas with a minimum temperature in both periods. Water use also has a great effect on reducing the temperature due to its high heat capacity. The use of residential areas compared to rainfed and pasture agricultural uses showed a lower temperature, which can be due to the existence of parks, and gardens that cause evaporation and cooling of the city, as well as factors such as roofing, felt in The reflection of radiant energy has a great share. Rangeland use had high temperatures (36.57 and 44.81 °C, respectively) in both years under study. The reason for the high temperature of this land, according to the study season, which is late June and early July, is an increase in areas free of vegetation or vegetation that is small and scattered. There was also a large negative correlation between LST and NDVI in the two study periods. Rainfed and rangeland agriculture with higher LST have lower NDVI, while vegetation and water have higher NDVI. Aquatic agricultural use, which was mostly observed in the areas around the Givi Chai River, showed lower temperatures due to the presence of moisture and evapotranspiration due to vegetation density. In the study area, suburban areas (gardens) and irrigated arable lands along the Givi Chai River and forests have the highest amount of vegetation index (NDVI) due to their relatively high green biomass, while irrigated areas, rainfed lands, Residential areas, and pastures have the lowest vegetation index. The results of vegetation index analysis for each land use class showed that forests, rainfed agriculture, and rangelands with the highest LST values and the lowest NDVI values while the lowest LST values and higher NDVI values were observed in forest and garden classes. Replacement of vegetation and forests with residential areas causes the conversion of wet soils to impenetrable surfaces, which leads to reduced surface evaporation. Absorbed solar radiation is converted to heat and reflected with higher values of LST. Increased vegetation has reduced the earth's surface temperature, and this is due to the fact that more vegetation leads to more evapotranspiration and transfer of part of the temperature and cooling of the earth's surface. Finally, the calculation of the participation index for each land use class in 1987 and 2019 showed that dryland agricultural use in 1987 and rangeland use in 2019 had the largest share in increasing surface temperature in the study area. According to the time of the selected images, the main reason for this participation can also be attributed to the time of harvest of dryland agricultural products and drying of pastures.Conclusion The results confirm the increase in surface temperature between different land use classes. Rangeland and dry agricultural uses showed higher LST values compared to forests and irrigated agriculture and water areas. High-temperature areas also had low NDVI values. Conversely, low-temperature areas such as vegetation and water had higher NDVI values. In addition, a high negative correlation was observed between LST and NDVI in both study periods. It has also been shown that rangeland and irrigated agriculture have a positive effect on LST, while forests and water have a cooling or moderating effect.

منابع و مأخذ:

Aboelnour M, Engel B. 2018. Application of Remote Sensing Techniques and Geographic Information Systems to Analyze Land Surface Temperature in Response to Land Use/Land Cover Change in Greater Cairo Region, Egypt. Journal of Geographic Information System, 10: 57-88. DOI: 10.4236/jgis.2018.101003.

Ahmadi B, Ghorbani A, Safarrad T, Sobhani B. 2015. Evaluation of surface temperature in relation to land use/cover using remote sensing data . Journal of RS and GIS for Natural Resources , 6(1), 61-77. (In Persian).

Anderson  J.R. 1971. Land use classification schemes used in selected recent geographic applications of remote sensing: Photogramm. Eng, 37(4), 379-387.

Asghari S, emami H .2019. Monitoring the land surface temperature and relationship land use with surface temperature using of OLI and TIRS Image. researches in Geographical Sciences. 19 (53) :195-215. (In Persian).

Ayanlade A. 2016. Variation in diurnal and seasonal urban land surface temperature: landuse change impacts assessment over Lagos metropolitan city. Model. Earth Syst. Environ. 2, 1–8 (2016). https://doi.org/10.1007/s40808-016-0238-z

Babalola O S, Akinsanola A A. 2016. Change Detection in Land Surface Temperature and Land Use Land Cover over Lagos Metropolis, Nigeria. Journal of Remote Sensing and GIS, 5(3), 1000171. DOI: 10.4172/2469-4134.1000171

Chen M, Zhang H, Liu  W, Zhang  W. 2014. The Global Pattern of Urbanization and Economic Growth: Evidence from the Last Three Decades https://doi.org/10.1371/journal.pone.0103799.

Crawley M. J. 2005. Statistics: An Introduction using R, John Wiley and Sons Ltd, West Sussex, England.

Danodia A, Nikam B, Kumar S, Patel R. 2017. Land Surface Temperature Retrieval by Radiative Transfer Equation and Single Channel Algorithms Using Landsat-8 Satellite Data. Encyclopedia. https://www.researchgate.net/publication/320727952

Feng Y, Gao C, Tong X, Chen S, Lei Z, Wang J. 2019.Spatial Patterns of Land Surface Temperature and their Influencing Factors: A Case Study in Suzhou, China. Remote Sens., 11(2), 182; https://doi.org/10in.3390/rs11020182

Fonseka H P U, Zhang  H, Sun Y, Su H, Lin  H, and Lin  Y. 2019. Urbanization and Its Impacts on Land Surface Temperature in Colombo Metropolitan Area, Sri Lanka, from 1988 to 2016. Remote Sens. 11(8), 957.

Ghazanfari M, Alizadeh A, Naseri M, Farid Hosseini A. 2010. Evaluating the Effects of UHI on Mashhad Precipitation Water and Soil, 24(2), -. doi: 10.22067/jsw.v0i0.3252. (In Persian).

Guha S, Govil H, Dey A, and Gill N. 2020. A case study on the relationship between land surface temperature and land surface indices in Raipur City, India. Geografisk Tidsskrift-Danish Journal of Geography 120(1), 35–50. DOI 10.1080/00167223.2020.1752272.

Haque M I, Basak  R. 2017. Land cover change detection using GIS and remote sensing techniques: A spatio-temporal study on Tanguar Haor, Sunamganj, Bangladesh. The Egyptian Journal of Remote Sensing and Space Sciences 20 (2017) 251–263. https://doi.org/

Hasmadi M, Pakhriazad, H.Z., and Shahrin, M.F. 2009, Evaluating supervised and unsupervised techniques for land cover mapping using remote sensing data. Geografia: Malaysian Journal of Society and Space, 5 (1), 1-10. ISSN 2180-2491.

Hegazy I, Kaloop M. 2015. Monitoring urban growth and land use change detection with GIS and remote sensing techniques in Daqahlia governorate Egypt. International Journal of Sustainable Built Environment 4, 117–124

Kakehmami A , Ghorbani A , Asghari Sarasekanrood S, Ghale E, Ghafari S.  2020. Study of the relationship between land use and vegetation changes with the land surface temperature in Namin County, Journal of Rs and Gis for natural Resources, 11(2), 27-48. magiran.com/p2157235. (In Persian).

Liu L, and Zhang Y. 2011. Urban heat island analysis using the LandSat TM data and ASTER Data: A case study in Hong Kong. Remote Sensing. 3. 1552-1553.

Lotfi  S, Mahmodzadeh H, Abdolahi M, Salek Faroukhi R. 2011. Land Use Mapping Of  Marand: Appling Spot Satillite data and an Objected–Oriented approach. journal of GIS.RS. Application in planning, [online] 1(2), pp.47-56. Available: https://www.sid.ir/en/journal/ViewPaper.aspx?id=272258. (In Persian).

Lu D, Mausel P, Brondízio E, Moran E. 2004. Change detection techniques, International Journal of Remote Sensing, 25(12), 2365- 2401, DOI: 10.1080/0143116031000139863.

Mahato S , Swades P.2018.  Changing Land Surface Temperature of a Rural Rarh Tract River Basin of India, Remote Sensing Applications.  Society and Environment, https://doi.org/10.1016/j.rsase.2018.04.005

Marco H. 2019. Spatiotemporal Contextual Uncertainties in Green Space Exposure Measures: Exploring a Time Series of the Normalized Difference Vegetation Indices. Int. J. Environ. Res. Public Health 2019, 16, 852; doi:10.3390/ijerph16050852 www.mdpi.com/journal/ijerph.

Morgan J A. 1998. The definition of surface emissivity in thermal remote sensing, 1998 IEEE Aerospace Conference Proceedings (Cat. No.98TH8339), Snowmass at Aspen, CO, 1998, pp. 159-169 vol.5.

Rajabi M , Feyzolahpour M . 2014. Zoning the Landslides of Givichay River Basin by Using Multi Layer Perceptron Model. Geography and Development Iranian Journal, 12(36), 161-180. doi: 10.22111/gdij.17160(In Persian).

Saghir J, Santoro J. 2018. Urbanization in Sub-Saharan Africa: Meeting Challenges by Bridging Stakeholders. © 2018 by the Center for Strategic and International Studies. www.csis.org

Sekertekin  A., Bonafoni, S. 2020, Land Surface Temperature Retrieval from Landsat 5, 7, and 8 over Rural Areas: Assessment of Different Retrieval Algorithms and Emissivity Models and Toolbox Implementation. Remote Sens. 2020, 12, 294; doi:10.3390/rs12020294

Sharma  M , Gupta, R, Kumar D, Kapoor  R. 2011. Efficacious approach for satellite image classification. Journal of Electrical and Electronics Engineering Research, 3(8), 143-150.

Swades P, Ziaul, S.2016.  Detection of land use and land cover change and land surface temperature in English Bazar urban centre Egypt. J. Remote Sensing Space Sci. (2016), http://dx.doi.org/10.1016/j.ejrs.2016.11.003

Tarawally  M , Wenbo  X , Weiming  H, Terence  D.M. 2018. Comparative Analysis of Responses of Land Surface Temperature to Long-Term Land Use/Cover Changes between a Coastal and Inland City: A Case of Freetown and Bo Town in Sierra Leone, Remote Sensing 2018, 10: 112, 18p. doi:10.3390/rs10010112.

Zhao  L. 2018. Urban growth and climate adaptation. Nature Clim Change 8, 1034 (2018). https://doi.org/10.1038/s41558-018-0348-x.