1,721,103 research outputs found
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
Geophysical and Hydrogeological Bayesian Inversion by Adaptive Sequential Monte Carlo
No full textGeophysics and hydrogeology are scientific disciplines that play important roles in understan- ding the subsurface environment. By proposing and implementing new methods to explore and characterize the subsurface, it is possible to make predictions, manage resources and mi- tigate hazards in better ways. The data acquired in geophysical and hydrogeological surveys are used to infer relevant properties of the subsurface by solving inverse problems. A probabi- listic framework to solve these problems that accounts for different uncertainty sources is provided by Bayesian inversion. Unfortunately, the estimation of the posterior probability density function (PDF) provided by widely used standard Markov chain Monte Carlo (MCMC) methods can be limited when inverse problems are non-linear and high-dimensional. In practice, they may fail to properly sample the posterior PDF in allowed computational times by getting trapped in local minimas. Alternative methods relying on tempering overcome these difficulties by enhancing the freedom of exploration using a temperature variable re- ducing the influence of the likelihood function in Bayes’ theorem. Sequential Monte Carlo (SMC) is a group of methods that build a sequence of importance sampling steps between distributions with gradually decreasing temperatures, going from the prior to the posterior PDF. These particle approaches use a set of evolving particles and their associated weights to approximate the posterior PDF. An appealing property of SMC methods is that they also offer an estimation of the evidence (marginal likelihood), a key quantity for comparing and ranking competitive conceptual models. The challenge of SMC and other tempering methods of pre-defining a suitable sequence of temperatures is overcome by adaptive SMC (ASMC) that adaptively finds the most suitable temperature decrement. In this thesis, we implement the ASMC method in challenging synthetic geophysical and hydrogeological test cases where the prior information is encoded either by deep generative neural networks or training images explored by multiple-point statistics methods to handle geologically-realistic prior PDFs. We find that ASMC is considerably more efficient to locate and sample the posterior PDF than a state-of-the-art adaptive MCMC method and parallel tempering, a popular MCMC method relying on tempering. We demonstrate that the ASMC evidence estimations are robust re- garding proposal schemes and inversion parameters. Still, ASMC is computationally costly when considering expensive forward solvers in geophysics and hydrology. To seek important computational gains while targeting the original posterior PDF and evidence, we propose a multifidelity ASMC approach relying on surrogate solvers that are updated as the inversion progresses. For a multivariate Gaussian test example, we show that this method accelerates the inversion while reaching similar accuracy as methods relying on high-fidelity solvers only. We find that ASMC is very powerful to solve complex geophysical and hydrogeological inverse problems, especially when non-linearity and multi-modality challenge standard MCMC approaches.
--
La géophysique et l’hydrogéologie sont des disciplines scientifiques qui jouent un rôle im- portant dans la compréhension de l’environnement souterrain. En proposant et en mettant en œuvre de nouvelles méthodes pour explorer et caractériser le sous-sol, il est possible de faire des prévisions, de gérer les ressources et d’atténuer les risques de manière plus effi- cace. Les données acquises lors des études géophysiques et hydrogéologiques sont utilisées pour déduire les propriétés pertinentes du sous-sol en résolvant des problèmes inverses. L’inversion bayésienne offre un cadre probabiliste pour résoudre ces problèmes en tenant compte des différentes sources d’incertitude. Malheureusement, l’estimation de la fonction de densité de probabilité a posteriori fournie par les méthodes standard de Markov chain Monte Carlo (MCMC) largement utilisées peut être restreinte lorsque les problèmes inverses sont non linéaires et de haute dimension. Dans la pratique, elles risquent de ne pas parvenir à échantillonner correctement la fonction de densité de probabilité a posteriori dans les temps de calcul autorisés en se retrouvant piégées dans des minima locaux. D’autres méthodes reposant sur le tempering permettent de surmonter ces difficultés en augmentant la liberté d’exploration à l’aide d’une variable de température réduisant l’influence de la fonction de vraisemblance dans le théorème de Bayes. La méthode sequential Monte Carlo (SMC) est un groupe de méthodes qui construisent une séquence d’étapes d’échantillonnage préférentiel entre des distributions dont les températures diminuent progressivement, en passant de la fonction de densité de probabilité a priori à la posteriori. Ces approches particulaires utilisent un ensemble de particules évolutives et leurs poids associés pour approximer la fonction de densité de probabilité a posteriori. Une propriété intéressante des méthodes SMC est qu’elles offrent également une estimation de l’évidence (vraisemblance marginale), une quantité clé pour comparer et classer des modèles conceptuels compétitifs. Le défi du SMC et d’autres méthodes de tempering consistant à prédéfinir une séquence appropriée de températures est surmonté par le SMC adaptatif (ASMC) qui trouve de manière adaptative la décrémentation de température la plus appropriée. Dans cette thèse, nous mettons en œuvre la méthode ASMC dans des cas d’essai géophysiques et hydrogéologiques synthétiques difficiles où les in- formations préalables sont encodées soit par des réseaux génératifs de neurones profond, soit par des images d’entraînement explorées par des méthodes statistiques à points multiples pour traiter des priors géologiquement réalistes. Nous constatons que la méthode ASMC est considérablement plus efficace pour localiser et échantillonner la fonction de densité de probabilité a posteriori qu’une méthode MCMC adaptative et que le parallel tempering, une méthode MCMC populaire reposant sur le tempering. Nous démontrons que les estimations de l’évidence par ASMC sont robustes en ce qui concerne les schémas de proposition et les paramètres d’inversion. Cependant, la méthode ASMC est coûteuse en termes de calcul si l’on considère les solveurs utilisés en géophysique et en hydrologie. Pour obtenir des gains de calcul importants tout en ciblant la fonction de densité de probabilité a posteriori et l’évidence originale, nous proposons une approche ASMC multifidélité reposant sur des surrogate solveurs qui sont mis à jour au fur et à mesure que l’inversion progresse. Pour un exemple de test gaussien multivarié, nous montrons que cette méthode accélère l’inversion tout en atteignant une exactitude similaire à celle des méthodes reposant uniquement sur des solveurs de haute fidélité. Nous constatons que la méthode ASMC est très puissante pour résoudre des problèmes inverses géophysiques et hydrogéologiques complexes, en particulier lorsque la non-linéarité et la multi-modalité défient les approches MCMC standard
Characterizing Fracture Aperture and Transport Dynamics with Hydrogeophysics: Theoretical and Expérimental Advances
No full textplusieurs km, les fractures peuvent servir de conduits ou de barrières aux écoulements des fluides et jouent un rôle majeur dans divers processus et applications comme l’extraction des eaux souterraines, la migration des contaminants dans les roches fracturées, le stockage souterrain des déchets nucléaires mais aussi la séquestration du dioxyde de carbone et le stockage géothermique. Les propriétés géométriques d’une fracture telles que les variations d’ouverture sur son plan influencent l’écoulement et le transport du fluide. Au sein d’une fracture, la caractérisation statistique des ouvertures est délicate puisque celles-ci présentent souvent une auto-affinitude ; une propriété qui implique des motifs similaires à plusieurs échelles spatiales. Les expériences hydrologiques classiques par leur caractère discret sur le terrain ne fournissent pas d’informations directes sur les variations d’ouvertures. Cette limitation peut en partie être surmontée par l’hydrogéophysique qui combine des méthodes géophysiques avec des expériences hydrologiques. Dans cette étude, nous présentons des avancées expérimentales et théoriques dédiées à l’utilisation du géoradar (GPR) seul et aussi combinées avec des essais push-pull afin de caractériser plus précisément l’ouverture des fractures. Sur le plan théorique, nous avons utilisé des solutions analytiques et développé un cadre de modélisation pour simuler les réflexions GPR dans le milieu fracturé. Les fractures qui le composent sont caracterisées par des ouvertures hétérogènes mais sont intégrées dans une matrice de roche uniforme. En présence de cette hétérogénéité, nous avons dé- montré que les approches classiques qui reposent sur une ouverture de fracture uniforme, conduisent à des estimations fortement biaisées de l’ouverture moyenne. Ce cadre de mo- délisation est important pour l’utilisation du GPR dans un aquifèr fracturé mais convient également à d’autres applications, telles que l’imagerie des fractures dans le béton. Sur le plan expérimental, nous avons réalisé les premières expériences permettant la visualisation de la migration d’un traceur salin lors d’un test push-pull. Les données GPR obtenues ont permis de mesurer la dynamique du panache du traceur et de décrire la nature des fractures. De plus, elles ont mis en évidence des effets de densité qui sont délétères pour les inférences de la dynamique et des processus naturels d’écoulement, comme l’écoulement ambiant. Pour remédier à ces effets, des mesures ont été réalisées en ajoutant de l’éthanol au traceur salin afin d’obtenir une flottabilité neutre tout en conservant la conductivité électrique. La comparaison des résultats pour les deux types de traceurs montrent que l’ajout d’éthanol permet d’éliminer les effets de densité. C’est pourquoi nous suggérons que des traceurs de densité neutre soient utilisés pour les expériences hydrogéophysiques. Enfin, nous introdui- sons un modèle simultané qui peut simuler les expériences push-pull et GPR. Ce modèle pourrait permettre d’inférer les propriétés d’une fracture par les données réels, ce qui serait pertinent en utilisant des méthodes Markov-chain Monte-Carlo.
--
Fractures are ubiquitous in the Earth’s crust. From the scale of a few cm to several km, fractures can act as conduits or barriers to fluid flow and play a major role in several processes and applications, including groundwater extraction, contaminant migration in fractured rock, underground storage of disposed nuclear waste and sequestration of carbon dioxide, as well as geothermal heat migration. A fracture’s geometrical properties such as aperture variations along its plane influence fluid flow and transport within. Nevertheless, it is a challenging task to statistically characterize aperture variations of a single fracture because these are often self-affine; a property that implies similar patterns over several spatial scales. Classical hydrological tests are spatially sparse and do not provide direct information about aperture variations. This limitation can partly be overcome by hydrogeophysics, which combines geophysical methods with hydrological experiments. Here, we present experimental and theoretical advances on the use of ground penetrating radar (GPR) alone and also combined with push-pull tests for improved fracture aperture characterization. On the theoretical aspect we used analytical solutions to develop a modeling framework that simulates GPR reflections from fractures with heterogeneous aperture distributions, embedded in a uniform rock matrix. In the presence of aperture heterogeneity in a single fracture, we demonstrate that classical aperture-inference approaches that rely on uniform fracture properties lead to biased estimates of mean aperture. The modeling framework is suitable for GPR use in fractured rock but is also suitable for other applications such as fracture imaging in concrete. On the experimental side, we present the first experiments in which the migration of a saline tracer is imaged during a push-pull test. The GPR data are informative about the dynamics of the tracer plume and the fractures involved in the experiment, but also highlight density effects that decrease our ability to infer natural flow dynamics and processes, such as ambient flow. We address the density issue by introducing a neutrally-buoyant, yet electrically conductive tracer, which consists of ethanol mixed with a saline tracer. A comparison of results from the two types of tracer tests demonstrates that the addition of ethanol diminishes the density effect; we therefore suggest that neutrally buoyant tracers should be used in hydrogeophysics. Finally, we introduce a simultaneous modeling approach that can simulate the combined experiments. The coupled model can be applied within a Markov-chain Monte- Carlo inversion of the data from the combined experiment to infer a fracture’s geometric properties
Efficient Bayesian inversion for geophysical applications: Leveraging deep learning and geostatistical methods
No full textBayesian model selection in hydrogeophysics and hydrogeology
No full textLes eaux souterraines sont une ressource fondamentale. Avec la croissance démographique, le changement d’utilisation du sol, les activités économiques, l’urbanisation et le changement climatique, une gestion sûre et durable des ressources en eau souterraine devient de plus en plus cruciale. Cela doit reposer sur une caractérisation précise de l’hétérogénéité des propriétés hydrogéologiques du sous-sol, tâche qui représente toutefois un défi. Première- ment, le sous-sol est caché et la collecte locale de données renseignant sur les propriétés hydrogéologiques est difficile ou trop coûteuse. Deuxièmement, les méthodes géophysiques peuvent permettre une acquisition efficace de telles mesures, elles nécessitent néanmoins la définition des relations pétrophysiques qui sont souvent incertaines et mal connues. Troisiè- mement, la structure géologique des systèmes hébergeant les eaux souterraines est complexe et la définition d’un modèle conceptuel correspondant n’est pas unique. Cela conduit à l’une des sources d’incertitude majeure (et souvent ignorée) dans les études de modélisation, appelée incertitude conceptuelle. La sélection bayésienne de modèles, reposant sur le calcul de l’évidence et sur les facteurs de Bayes, fournit une approche quantitative permettant de comparer et de classer des modèles conceptuels alternatifs et, par conséquent, de prendre en compte l’incertitude conceptuelle. Dans cette thèse, nous étudierons l’utilisation de la sélection bayésienne de modèles en hydrogéophysique et en hydrogéologie en répondant aux questions de recherche suivantes : (1) Les données géophysiques sont-elles appropriées pour guider la sélection de modèles en hydrogéologie? (2) L’incertitude pétrophysique et sa struc- ture spatiale peuvent-elles être déduites dans des études hydrogéophysiques et quel impact ont-elles sur l’inversion bayésienne et la sélection de modèles? (3) Comment pouvons-nous réaliser la sélection de modèles lorsque nous ciblons des modèles conceptuels aux structures géologiques réalistes représentés par des images d’entraînement? Ces objectifs seront traités en utilisant une approche bayésienne complète basée sur les algorithmes de Monte Carlo par chaînes de Markov. Les objectifs de la recherche seront ensuite explorés via des études de cas synthétiques et réels, dans le but de caractériser spatialement les champs de porosité ou de conductivité hydraulique dans les aquifères. Dans notre première étude de sélection bayésienne de modèles en hydrogéophysique, nous concluons que les méthodes géophy- siques peuvent être utiles pour choisir la représentation hydrogéologique du sous-sol qui est la plus étayée par les données disponibles, parmi un ensemble de modèles conceptuels concurrents. Nous proposons une méthode pour prendre en compte et déduire l’incertitude pétrophysique et sa corrélation spatiale. Nous constatons que cette approche conduit à une diminution du biais et à une quantification plus réaliste de l’incertitude et du classement des modèles conceptuels. De plus, nous proposons et appliquons avec succès une nouvelle mé- thodologie pour effectuer la sélection bayésienne de modèles parmi des modèles conceptuels géologiquement réalistes.
--
Groundwater is a fundamental source of drinking water. With population growth, land use changes, economic activities, urbanisation and climate change, a safe and sustainable man- agement of groundwater resources is becoming more and more critical. This needs to rely on an accurate characterisation of the hydrogeological heterogeneity in the subsurface, which is a challenging task. First, the subsurface is hidden from sight and collecting local hydro- geological measurements is difficult or too expensive. Second, geophysical methods can effectively support such measurements but, at the same time, they require the definition of petrophysical relationships that are often uncertain and poorly known. Third, the spatial geo- logical structure of groundwater systems is complex and the definition of the corresponding conceptual model is non-unique. This leads to one of the main (and often ignored) sources of uncertainty in modelling studies, namely conceptual uncertainty. Bayesian model selection relying on evidence computation and Bayes factors provides a quantitative approach for com- paring and ranking alternative conceptual models and, therefore, accounting for conceptual uncertainty. In this thesis, we will investigate the use of Bayesian model selection in hydrogeo- physics and hydrogeology by answering the following research questions: (1) Are geophysical data suitable for guiding model selection in hydrogeology? (2) Can petrophysical uncertainty and its spatial structure be inferred in hydrogeophysical studies and how do they impact Bayesian inversion and model selection? (3) How can we achieve model selection when targeting geologically-realistic hydrogeological conceptual models represented by training images? These objectives will be addressed using a full Bayesian approach based on Markov chain Monte Carlo algorithms. The research goals will be then explored in light of synthetic and field-based case studies with the purpose of characterising spatially-distributed porosity or hydraulic conductivity fields in aquifers. From the first comparative study of Bayesian model selection in hydrogeophysics ever, we conclude that geophysical methods can be valuable in providing guidance about which hydrogeological representation of the subsurface is the most supported by the available data among a set of competing conceptual models. We then propose a method to account for and infer the spatially-correlated uncertainty of petrophysical relationships. We find that this approach leads to less bias, more realistic uncertainty quantification and less overconfident model selection. Moreover, we propose and successfully apply a new methodology for performing Bayesian model selection among geologically-realistic conceptual models represented by training images
Reconstruction of the three-dimensional Darcy velocity in a small catchment using self-potential, electrical resistivity, and induced polarization data
No full textOne of the ultimate goals of hydrogeophysics is to map the groundwater table
throughout a catchment and together with information about hydrogeological
properties of the saturated zone, derived from geophysical and hydrogeological
data, estimate the Darcy velocity in three dimensions throughout the saturated
zone. In this work, we present our first attempts to achieve this goal in the small
(~1 km2) catchment area of Roujan (Hérault, France), which is a well characterized
hydrogeological research site. Two mutually exclusive conceptual models to relate
self-potential data to the determination of the water table were employed using a
maximum likelihood approach, where the resulting models were averaged according to
Bayesian model averaging. The estimated electrical resistivity structure derived
from resistivity surveys was used together with laboratory measurements to estimate
the streaming potential coupling coefficient and its spatial variation. Resistivity
and induced polarization surveys were employed to determine the spatial variation
of the thickness of the aquifer material (clayey silts) overlying the electrically
more conductive aquitard (Miocene marls). Induced Polarization measurements were
also performed to estimate the specific surface area and its variation in the
aquifer. The electrical conductivity of the pore water was sampled throughout the
aquifer and the formation factor was estimated in the laboratory. This allowed us
to use both the Kozeny and Carman model and site-specific relationships to relate
electrical resistivity and normalized chargeability with permeability. A cokriging
method was applied to estimate large scale variations in the three-dimensional
permeability structure by conditioning to available permeability data and several
collocated two-dimensional models of electrical resistivity and normalized
chargeability. Our estimates of the variations of the depth to the aquitard, depth
to the water table, and the large-scale variations in the permeability structure
allowed us to estimate the Darcy velocity throughout the saturated aquifer in the
Roujan catchment.Presenters:
name: Linde, Niklas
affiliation: CNRS-CEREGE, Equipe Hydrogeophysique, Aix-en-Provence, Franc
Probabilistic geophysical inversion with structure-based priors and unknown interface geometries
No full textMany physical, chemical and biological processes within the Earth's near-surface take place at boundaries. Thus, characterizing the depth and geometry of subsurface inter-faces and their uncertainties is of major interest in many fields of the Earth sciences. Geophysical methods are inherently sensitive to discontinuities within the physical properties of the subsurface, but interpreting the collected observations and recon- structing an image of the subsurface is challenging. The main limitation comes from the ill-posed nature of inversion problems. Classical deterministic inversion addresses this problematic through regularization, most commonly with the use of smoothness constraints that smear out any naturally-occurring interface. Probabilistic inversion instead models the unknown solution as a random variable by describing it through its posterior probability density function. Within this framework, the prior distribution has a strong influence on the posterior model realizations and the complexity of the inversion problem. Moreover, its formulation in case of limited a priori knowledge is not trivial. Here, we propose a probabilistic formulation and solution to the inverse problem of using (one or more) geophysical datasets to infer interfaces in the presence of hetero- geneous sub-domains, when prior knowledge is scarce. With the aim of proposing an alternative formulation for "uninformative" prior in case of parameterization through spatial discretization, we develop a sampling algorithm that assumes an uniform prior on measures of model spatial variability, instead of the classical choice of uncorrelated log-uniform distributions for the model parameters. We demonstrate the ability of such structured-based prior inversion to sample satisfactory posterior model realizations and statistics on both synthetic and field-based datasets. The proposed method is theo- retically solid, but its numerical implementation is limited to rather narrow prior ranges for the model parameters. Therefore, when we implement the probabilistic formulation of the inversion problem that separates the géométrie and physical parameter updates within Gibbs framework, we instead constrain both the géométrie and physical proper¬ties to favor smooth spatial transitions through empirical-Bayes methods. We finally extend the developed empirical-Bayes-within-Gibbs algorithm to jointly invert multiple geophysical datasets in order to reduce the inherent ambiguity of single measurements interprétation. The coupling between the models that are able to explain the différent geophysical datasets is done by considering a common interface. Synthetic and field based test cases demonstrate that the method is more accurate in sampling the target interface than inversion results obtained through deterministic inversion and that the results are further improved when jointly invert two datasets.
--
De nombreux processus physiques, chimiques et biologiques du sous-sol ont lieu proche de la surface, au niveau des interfaces où les propriétés en jeu sont contrastées. Ainsi, la carac- térisation de la profondeur et de la géométrie de telles interfaces ainsi que leurs incertitudes revêtent un intérêt majeur dans de nombreux domaines des sciences de la Terre. Les méthodes géophysiques sont intrinsèquement sensibles aux discontinuités dans les propriétés physiques souterraines, mais l'interprétation des observations recueillies et la reconstruction d'une image du sous-sol sont difficiles. La principale limitation provient du fait que les problèmes d'inversion sont mal posés. L'inversion déterministe résout cette problématique par régularisation, le plus souvent en utilisant des contraintes de lissage qui gomment toutes les interfaces naturellement présentes. L'inversion probabiliste modélise plutôt la solution inconnue comme une variable aléatoire en la décrivant par sa fonction de densité de probabilité à posteriori. Dans ce cadre, la distribution de probabilité à priori a une forte influence sur les réalisations des modèles a posteriori et sur la complexité du problème. De plus, sa formulation lorsque peu de connaissance à priori est disponible n'est pas anodine. Nous proposons ici une formulation (et une solution) probabiliste au problème d'inversion d'un ou plusieurs jeux de données géophysiques pour inférer les interfaces en présence de sous-domaines hétérogènes, lorsque les connaissances préalables sont rares. Dans le but de proposer une formulation alternative pour une distribution de probabilités à priori "non informative" en cas de paramétrage par discrétisation spatiale, nous développons un algorithme d'échantillonnage qui suppose une distribution à priori uniforme sur les mesures de variabilité spatiale du modèle, au lieu du choix classique des distributions log-uniformes et non corrélées pour les paramètres du modèle. Nous démontrons la capacité de cette technique d'inversion à échantillonner des réalisations et des statistiques de modèle postérieur satisfaisantes sur des jeux de données synthétiques et basés sur le champ. La méthode est théoriquement valable, mais sa mise en œuvre numérique est limitée aux cas dans lesquels la valeur des paramètres à priori est limitée à des gammes relativement étroites. Ainsi, dans notre implémentation qui sépare les mises à jour des paramètres géométriques (interfaces) et physiques (valeurs de propriétés physiques), basé selon un échantillonnage de Gibbs, nous contraignons les propriétés géométriques et physiques de manière à favoriser des transitions spatiales graduelles en utilisant les méthodes empiriques de Bayes. Nous étendons enfin l'algorithme empirical-Bayes-within-Gibbs développé pour inverser conjointement plusieurs jeux de données géophysiques afin de réduire l'ambiguïté inhérente à l'interprétation de mesures individuelles. Le couplage entre les modèles capables d'expliquer les différents jeux de données géophysiques est réalisé en considérant une interface commune. Des test synthétiques et basés sur le terrain démontrent que la méthode échantillonne l'interface cible de manière plus précise que les résultats obtenus par inversion détermi¬niste et que les résultats sont encore améliorés par l'inversion conjointe de deux jeux de données
Variations on the Author
Get PDF“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
- …
