Remote Sensing of Crop Yield and Crop Yield Estimation  at Regional Scale    Lauriane Cayet‐Boisrobert  MSc in Remote Sensing, department of Geography, University College of London  [email protected] 

    Course work paper  Principles of Remote Sensing: Matt Disney 

      Received 17 November 2005   

  Abstract    Regional to global scale crop yield estimation and prediction is important for food security warning,  food trade policy, and Carbon cycle research. Remote sensing of crop yield offers great potential for  regional crop production and yield estimation. Optical sensors (Landsat/MODIS/AVHRR) are mostly  used  because  they  measure  radiance  in  the  Red  and  Near  Infra  Red  (NIR)  and  because  of  the  high  correlation between the NIR and crop production. The crop yield estimation methodology consists in  retrieving biophysical parameters from the vegetation indices, and then in deriving crop yield from  either  a  statistical  method  or  an  efficiency  method.  This  method  is  reliable  as  far  as  medium  resolution (30‐250m) images are used. Therefore, AVHRR‐based crop yield estimation is not reliable.  Furthermore, reliable results can be obtained at national scale with meteorological‐based crop growth  models and promising methods such as crop yield estimation via SAR technology are emerging. 

1

Introduction    Crop yield is a crucial parameter to international and bi‐lateral organizations, EU commissions, and  Governments  of  countries.  This  parameter  is  desirable  for  adjusting  food  pricing  and  determining  trading  policies,  but  also  for  ensuring  food  security  in  the  developing  countries.  Additionally,  estimating  accurately  crop  yield  is  a  key  element  to  understand  the  global  carbon  balance  and  the  location of missing carbon sinks, and also to help predict global climate change (Running et al., 2000).  Crop yield assessment at the field level or non‐very accurate regional estimation can be done from the  ground by direct methods. The aged method consists in harvesting and weighting small samples and  then in extrapolating to the surface area considered. The non‐destructive method consists in obtaining  allometric  relationships  between  biomass  and  more  readily  obtained  measures  such  as  Leaf  Area  Index (LAI) or height (Running, 2000). These two methods require field surveys and the result is not  accurate  because  of  crop  yield  variability.  Patchy  soil  types,  water  gradient,  variable  slopes,  and  different  agricultural  management  types  and  other  parameters  cause  yield  variability.  Agricultural  statistics  such  as  those  from  the  USDA  National  Agricultural  Statistics  Service  (NASS)  cited  by  Doraiswamy et al (2005) are reliable in estimating crop yields by sampling the field measurements of  standing  crops,  but  this  method  is  time‐consuming  and  very  costly  (Liang,  2004).  Hence,  remote  sensing is a promising alternative primarily in developing countries and remote areas.  This  essay  discusses  how  remote  sensing  can  support  crop  yield  estimation  at  regional  scale.  The  most  common  methodology  is  to  derive  biophysical  parameters  from  the  combination  of  particular  wavebands  radiance  and  thus  reflecting  the  process  of  biomass  production  by  a  simple  statistical  method or trough a simulation model.  In  the  first  part,  the  essay  explains  how  remote  sensing  supports  retrieval  of  the  biophysical  parameters  essential  to  estimate  crop  yield.    The  second  part  sums  up  all  the  different  crop  yield  models  based  on  Remote  Sensing  techniques,  and  to  finish,  it  gives  a  detailed  assessment  of  the  different methods’ accuracy and limitations.       

2

1. Remote sensing of crop yield  1.1. Vegetation’s absorption property  Plants  synthesize  their  biomass  in  a  production  process  which  takes  place  in  the  green  parts  of  the  plant  (mostly  in  the  leaves):  photosynthesis  (Jensen,  2000).  Photosynthesis  is  an  energy‐storing  process  which  converts  light  energy  into  chemical  energy  which  is  stored  in  a  simple  carbohydrate  molecule (Glucose). Therefore, plants are one of the key elements of the Carbon Cycle.  The radiations from Sun to the Earth range from 0.2μm (UV) to 2.5 μm (Middle Infrared), but only a  certain  part  of  this  energy  is  used  in  the  photosynthesis  process.  It  is  called  the  Photosynthetically  Active Radiation (PAR) ranging from 0.4 μm to 0.7μm, which corresponds to the visible part of the  light spectrum (Jensen, 2000). However, only a portion of PAR is absorbed (APAR) by green plants  (preferably Red and Blue radiation). Then, some of it is either re‐radiated, lost as latent heat, or stored  by the activity of photosynthesis in organic substances. 

  Fig1: Spectral Reflectance characteristics of green vegetation. From www.crisp.nus.edu.sg/~research/tutorial/optical.htm  If we look closely at the reflectance spectrum of vegetation (Fig. 1), we can notice that there is a sharp  edge in the reflectance over the wavelengths 0.68‐0.75μm. This has been called the ‘red edge’ (Barrett  et al., 1999). Additionally, it has been proven that a strong relationship exists between chlorophyll and  the red‐infrared portions of the spectrum (Barrett et al., 1999). Actually, this edge is the basement of  vegetation remote detection and Vegetation Indices (VI) are derived from this edge property resulting  of chlorophyll photosynthetic activity.  1.2. Space‐borne instrument suitability  We will see later that the APAR can be estimated by VI’s reflectance in the Red and NIR parts of the  spectrum. For this reason, sensors must be able to differentiate the amount of energy coming out from  different  wavebands.  Hence  space‐borne  remotely  sensed  data  have  an  advantage  over  standard  aerial  photography  in  that  they  can  sample  wavelength  (Running  et  al.,  2000).  Additionally,  yield  monitoring is possible as Earth resource satellites such as Landsat systems are launched successively  for data continuity (Jensen et al., 2000 and Running et al., 2000), thus yield monitoring can be done  continuously.  Additionally,  space‐borne  remote  sensed  imagery  provides  a  standardized  digital  product, rapid‐repeat coverage, and regional to global dataset (Running et al., 2000). Landsat TM for  example  has  a  185  km  wide  swath,  and  its  repeating  cycle  is  every  16  days.  With  larger  coverage  capacity  (swath  width  =  2700  km),  but  lower  resolution  (1.1  ×  1.1  km),  NOAA‐AVHRR  is  also  a  relevant  tool  for  assessing  biomass  production  over  regions.  Since,  NOAA  has  a  high  re‐visiting  frequency (twice a day), unlike Landsat, it can measure daily NPP. 

3

1.3. Retrieving biophysical parameters  Biophysical  parameters  such  as  Leaf  Area  Index  (LAI)  and  fractional  Photosynthetically  Active  Radiation (fAPAR) are proxies that can support estimating the energy uptake by the photosynthesis.  It  seems  that  most  of  the  recent  crop  yield  estimation  research  focuses  on  fAPAR  and  most  of  the  methods used to retrieve that parameter rely on statistical regression based on Vegetation Indexes.  1.3.1. Statistical method  LAI can be retrieved because of the linear relationship between NDVI values (Eq. 1). SR has been also  used for estimating crop LAI according to Liang (2004).  LAIi = LAImax  (NDVIi – NDVImin)/(NDVImax + NDVI min) 

(1) 

fAPAR can be calculated from SR as equation (Eq. 3). According to Lobell et al (2003), several studies  suggest  that  replacing  SR  with  NDVI  (in  Eq.  2)  results  in  more  accurate  fAPAR  estimates.  Additionally,  some  authors  (Lobell  et  al.,  2003  and  Tao  et  al.,  2005)  have  calculated  fAPAR  as  the  average fAPAR from SR and NDVI.  fAPAR =  (SR – SRmin ) (fAPARmax – fAPARmin)/(SRmax + SR min)  + fAPARmin

(2) 

 1.3.2. Satellite image reflectance adjustment with a look up table method (LUT)  This method creates a LUT of modeled reflectance made from LAI measurements. Doraiswamy et al.  (2005)  used  this  method  to  invert  LAI  from  MODIS  8‐day  composite  image  via  a  radiative  transfer  model  called  SAIL.  SAIL  model  served  to  create  a  LUT  relating  modeled  canopy  reflectance  for  MODIS band 1 and 2 to LAI. Sail input model requires all its input parameters from the field: Visible  and NIR values of leaf reflectance and leaf transmittance, LAI, canopy leaf angle distribution (LAD),  hot spot parameter, background reflectance, solar zenith and azimuth angles, sensor view angle, and  proportions of direct and diffuse short wave lengths radiation.   2. Crop yield estimation  2.1. Crop production rate  Primary  productivity  and  yield  quantify  crop  production  rate.  Primary  production  over  a  given  period is termed primary productivity (g/m2/year) and primary productivity declines itself into Gross  Primary Productivity (GPP) and Net primary productivity (NPP). GPP is all of the light energy that is  converted  to  chemical  energy  by  the  primary  producers  considered.  NPP  is  the  gross  primary  productivity  minus  that  respiration.  In  this  essay,  yield  or  NPP  is  employed  indifferently  because  yield  only  differs  from  NPP  by  a  factor  of  multiplication.  Some  example  to  calculate  yield  from  productivity are shown below (Eq. 3 and 4). Yield can also be derived from biomass using a statistical  model (Eq. 5).  Tao et al, 2004 (maize across China) 

Yd = NPP × AR × HI / (1 ‐ m0 ) 

(3) 

Lobell et al, 2002 (maize, wheat, soybean in the Yaqui Valley,  Mexico) 

Yd = APAR × ε × HI 

(4) 

Yd = a GUYRI + b 

(5) 

Roebeling et al, 2004 

4

Where,  Yd  is  yield  in  g.  m‐2;  AR  is  the  ratio  of  above‐ground  Biomass  to  total  biomass;  HI  is  the  harvest  indices,  defined  as  the  ratio  of  seed  yield  to  above‐ground  biological  yield,  m0 the  moisture  content of grains, ε is the light use efficiency in units of g biomass MJ‐1; APAR in MJ.     2.2. Crop yield estimation methods based on the biophysical parameters  2.2.1 AVHRR indices  Many studies have been conducted to assess the correlation between AVHRR derived NDVI and crop  yield.  Mkabella  and  Mkabella  (2005)  found  a  positive  linear  correlation  between  cotton  yield  and  cumulative  maximum  NDVI  in  the  Lowveld  of  Swaziland  in  2000.  Hereafter  (Eq.  6,7,8)  are  some  examples of prediction formula used by Mkabella and Mkabella (2005). They differ from one region to  another.  Middleveld 

Yd = 5.7045 (ΣAveNDVI) – 3.8171 

(6) 

Lowveld 

Yd = 4.0224 (ΣAveNDVI) – 4.4442 

(7) 

Lubombo Plateau 

Yd = 1.9695 (ΣAveNDVI) – 4.45591 

(8) 

 Where here Yd is maize yield (t.ha‐1) and ΣAveNDVI is cumulative average NDVI.  Ferencz et al (2004) derived a new vegetation index (General Yield Unified Reference Index (GYURI)    based on AVHRR images and found very a good correlation (R2 = 0.84.6 – 87.2) between AVHRR‐ based GYURI and corn yield estimation at county level in Hungary (Eq. 9).   Yd = ar GUYRI + br

(9) 

Where ar and br are constants determined during the Calibration and development phase  2.2.2. Efficiency models  Physiological models aim to integrate daily APAR over the growing season and incorporate it into a  model based on crop light use efficiency (ε) to predict crop production.  CASA (Eq.10) and GLO‐PME2 (Eq. 11) are two efficiency models. They have been used extensively by  Lobell et al (2003) and Tao et al. (2005).  CASA: 

NPP =  ε × APAR  where APAR = Σ (PAR × fAPAR) Δt 

(10) 

Where ε is in units of g biomass MJ‐1.  GLO‐PME2: 

NPP =  Σ 〔(σ ε*g )〕(PAR ×fAPAR) Pg Pm Δt 

(11) 

Where ε*g is the unstressed photosynthetic potential in terms of gross production (g CMJ‐1), the  reduction of ε*g caused by stressors at time (t); Pg  and Pm and are the growth and maintenance  respiration terms representing proportion of photosynthetate remaining after carbon losses to these  processes.  2.3. Climate‐based physiological models 

Doraiswamy et al. (2005) assessed crop yield with a complex model. MODIS‐derived LAI model was  used to adjust a climate‐based crop yield model. 

5

3. Comparisons, limitations and alternatives   (see annex 1)  3.1. Accuracy comparisons  3.1.1. To retrieve the biophysical parameters  Doraiswamy  et  al.  (2005)  retrieved  the  biophysical  parameter  by  simulating  a  MODIS‐based  LAI  model  adjusted with SAIL. To prove the method’s reliability, they plot a reflectance scattergram of the MODIS image  and  SAIL  (Fig.  3).  They  observed  a  good  correspondence,  except  a  few  MODIS‐based  points  at  the  bottom  were outside or the LUT envelop. They correspond actually to mixels (reflectance of soil and canopy). They  also  checked  MODIS  reflectance  obtained  with  field  measurements  (8‐band  cropscan  radiometer  with  same  bands as MODIS band 1 and 2). They obtained a coefficient determinant (R2) equal to 0.81 and RMSE to 0.81  which make the method reliable.  Lobell  et  al  (2003)  used  a  statistical  model  but  they  did  not  assess  its  accuracy.  However,  they  took  the  precaution  to  use  the  average  fAPAR  derived  from  two  different  VI  obtained  from  AVHRR.  Since  this  statistical  method  has  been  used  for  a  long  time  (Asrar  et  al.  (1984)  used  NDVI  and  Steinmetz  et  al.  (1999)  used SR) and recent studies made by Los et al. (2000) indicate that an average of SR and NDVI perform best,  we can assume that the accuracy of AVHRR indices method to retrieve must be reliable. Tao et al. (2005) did  not either assess the reliability of the statistical method they used to derive fAPAR from Landsat TM. 

   

Fig. 3. The scattergram of field mean reflectance for MODIS band 1 (Red) and band 2 (NIR) for corn crop.  The blue data points represent the data form the LUT and the red data pints the ground‐based  measurements (Doraiswamy et al., 2005).  

6

3.1.2. Methods used to estimate crop yield 

Lobell et al. (2003)’s efficiency model based on fAPAR derived from Landsat reflectance were compared with  field‐based estimates and errors were of less than 4% predicting wheat yield for 2 dates. Doraiswmay et al.  (2005) who estimated crop yield from a climate‐based model adjusted with MODIS‐LAI model reported their  results were within 10% of the County yields reported by the USDA NASS. Moving from regional to national  scale, Tao et al. (2004) compared two different efficiency models (CASA and GLO‐PME2) and observed yields.   Both models tend to underestimate maize yield and the fractional difference between estimated and observed  lies between ‐0.5 and 0.5 which is not reliable enough. The authors concluded that both the two models were  potentially useful for NPP monitoring or yield forecasting at regional or national scale, but better result could  be  obtained  with  high  resolution  image.  Makhabella  et  al  (2005)  also  used  an  AVHRR‐based  crop  yield  simulation model. They tested it within 3 regions and obtained quite low results (R2 were 0.61, 0.68, 0.51). 

3.2. Limitations  3.2.1. Sensor characteristics  ‐ Spatial resolution  The spatial resolution of the instrument is a critical limitation. Reliable crop yield estimates are possible with  MODIS and Landsat TM at to regional scale, but not with AVHRR (resolution=1.1km2).  ‐ Optical sensors cloud sensitivity  In  Europe,  the  cloud  cover  makes  it  difficult  to  obtain  more  than  2  repetitive  scenes  using  visible  sensors.  Thus, radar could be an alternative solution. Additionally, as AVHRR imagery covers the whole Earth twice a  day, frequency to get cloud free images increases but at the cost of decreasing spatial resolution  3.2.2. Methods  ‐ Statistical methods vs. simulation models  The regression based approach is applicable only for a given region and the same range of weather conditions  where  it  was  developed.  Therefore,  this  method  cannot  be  simply  transferred.    The  relationship  has  to  be  calculated each time for different regions.  ‐ Simplistic models  Statistical and efficiency models are simple models because they only use one physiological process whereas  weather  conditions  are  important  as  well,  therefore  this  method  is  not  consistent  under  varying  conditions  (Barrett  et  al,  1999).  Hence,  simple  models  cannot  compete  with  crop  growth  models  and  climate‐based  physiological  model used by  Doraiswamy  (2005).  However,  they  are  suitable for assessing yield at  regional  scale where minimum input data is available.     ‐ Ground data requirement  Some models require acquiring ground variable like SAIL (to retrieve biophysical parameters) or the climate‐ based physiological model.   3.3. Alternatives remote sensing methods to crop yield estimation as regional scale  3.3.1. To improve crop yield estimation reliability at national scale 

7

Using a meteorological‐based crop growth model instead of biophysical‐based yield predictions can improve  crop  yield  estimation  considerably  at  country  level.  Traditionally,  crop  growth  models  are  computed  by  programs  that  integrate  information  on  daily  weather,  crop  management,  soil  characteristics,  genetics  or  varieties, and pest stress to determine daily plant growth and subsequent yield (Liang, 2004 and Jagtap et al,  2002).    Roebeling  and  al.  (2004)  derived  meteorological  information  from  Meteosat  and  integrated  it  in  the  EARS‐GCS  model.  This  model  is  entirely  driven  by  daily  information  on  meteorological  indicators  derived  from the visible and the infrared bands (global solar radiation and evapotranspiration). When comparing it to  forecasts  of  the  European  Statistical  Office  (EUROSTAT)  and  Monitoring  Agriculture  by  Remote  Sensing‐ Crop Growth Monitoring System (MARS‐CGMS), they obtained with predictions errors of 4%.  3.3.2. Radar technology utilization  Shao et al (2001) showed that RADAR’s backscatter provide confidence that multitemporal RADARSAT data  is capable of rive mapping and can provide input to production estimate but the results is far for perfect. They  used  HH  polarization  and  C‐Band  only,  thus  they  encourage  further  research  using  multifrequency  and  multipolarization  data  to  be  able  to  estimate  more  than  one  target.  However,  Li  et  (2003)  obtained  a  good  correlation between statistical data and their prediction from Radarsat backscatter with miltitemporal images.  The regression model they used is below (Eq. 12). The procedure used is very low‐cost and operate in cloudy  areas.  Yd = ‐27.212 X1 + 34,848 X2 + 13.84 X3 + 481.992                                              R=0.908 

(12) 

Where X1 is the backscatter coefficient of the first temporal image; X2 of the second temporal image, X3 of the  third image. 

 

Conclusion    Accurate crop yield estimation at regional scale (such as agricultural valleys or counties) can be achieved by  retrieving  biophysical  parameters  using  them  as  input  parameters  in  crop  yield  simulation  models  or  efficiency  models.  Satellites  with  medium  resolution  such  as  LANDSAT  and  MODIS  are  required.  If  low  resolution  images  such  as  AVHRR  imagery  are  used,  then  the  crop  yield  model  is  no  longer  reliable.  At  country level,  sun‐synchronized  satellites  cannot  be utilized  because  either  swath  dimension  is  too small  or  spatial resolution is too coarse. However, crop yield forecast can be done regularly and in a reliable manner  using  a  geostationary  satellites  (Roebeling  et  al.,  2004).  METEOSAT‐derived  meteorological  indicators  can  serve as input parameters to a crop growth algorithm and results obtained are very reliable. SAR technology  is very promising but little research has been carried out for the moment.   

 

8

ANNEX

9

Spatial  resolution 

Spectral  resolution 

Utilized  wavelengths 

Doraiswamy et  al, 2005  Scale = US  county 

Band 1 (Red)  Band 2 (NIR) 

Method to derive the  biophysical  parameters   LUT (SAIL)  dependant on input  ground data  MODIS‐derived LAI  by a statistic method 

Biophysical  parameter yield  simulation input  Seasonal LAI 

Crop yield  simulation  method   Climate‐based  crop yield model  adjusted with  MODIS derived  LAI 

MODIS on  TERRA  satellite   

250m 

36 bands  between 0.405‐ 14.386 μm 

Landsat TM 

30m 

1.1km 

Yield simulation model ancillary inputs 

Band 1 (Blue)  Band 2 (Green)  Band 3 (Red)  Band 4 (NIR)  Band 5 (IR)   

Band 3 (Red)  Band 4 (NIR) 

Statistical methods  from SR and NDVI 

fAPAR (daily to  biweekly  intervals) 

Simple Efficiency  model 

N/A 

Band 1 (Red)  Band 2 (NIR)  Band 3 (MIR)  Band 4 &5 (FIR)   

Band 1(Red)  Band2 (NIR) 

Statistical methods  from SR and NDVI 

fAPAR   

Efficiency model  named CASA 

N/A 

Efficiency model  named GLO‐ PEM2 

N/A 

From weather stations distributed around  the study area:  - Daily Tmax  -  Daily Tmin  - Amount of rainfall 

NOAA‐ AVHRR 

NOAA‐ AVHRR 

1.1km 

Band 1 (Red)  Band 2 (NIR)  Band 3 (MIR)  Band 4 &5 (FIR)   

Band 1(Red)  Band2 (NIR) 

 

Simply NDVI 

Satistical method  (cumulative  average NDVI) 

N/A 

METEOSAT  first generation  geostationary  centered of the  equator 

‐ VIS:  2,25km  ‐WV & IR:  5km 

Band 1 (VIS: 0.4‐ 1.1)  Band 2 (IR)  Band 3 (TIR)   

Band 1 (VIS)  Band 2 (IR) 

No biophysical  parameters model 

N/A 

Metorological‐ based‐Crop  growth  algorithm   (EARS‐CGS) 

‐ Evapotranspiration (calculated from the  surface energy balance)  ‐ Maintenance respiration (% of standing  biomass) 

Roebeling et  al, 2004  Scale = EU  countries 

Tao et la, 2005  Scale = wide country  

 

Makhabella et  al,  2005 

Sensors 

Lobell et al,   2003  Scale = country  region 

 

Table 1: Summarize of some relevant current methods used to estimate crop yield at regional scale. 

10

  References    Barrett E.C., Curtis L.F. 1999. Chapter 16: Landuse and crop production. In: Introduction to  environmental Remote Sensing. 3rd. New York: Chapman & Hall. p 1347 – 368.     Doraiswamy P. C., Sinclair T. R., Hollinger, S., Akhmedov B., Stern A., Prueger P. 2005. Application of  MODIS derived parameters for regional crop yield assessment. Remote Sensing of Environment. 97:  192 – 202.    Jagtap S., Jones J. 2002. Adaptation and evaluation of the CROPGRO‐soybean model to predict  regional yield and production. Agriculture, Ecosystems and Environment. 93: 73 ‐ 85.    Jensen J.R. 2000. Chapter 10: Remote Sensing of vegetation. In: Remote Sensing of the Environment:  and Earth Resource Perspective. Jersey: Prentice Hall. p 333 ‐ 377.    Liang S. 2004. Chapter 8: Estimation of land surface variables. In: Jin Au Kong Editors. Quantitative  remote sensing of land surfaces. New Jersey: John Wiley & Sons. p. 246 – 309.    Liang S. 2004. Chapter 13: Estimation Applications. In: Jin Au Kong Editors. Quantitative remote  sensing of land surfaces. New Jersey: John Wiley & Sons. p 472– 524.    Lobell D., Asner P., Ortiz‐Monasterio J. I., Benning T. 2003. Remote Sensing of regional crop  production in the Yaqui Valley, Mexico: estimates and uncertainties. Agriculture, Ecosystems and  Environment. 94: 205‐220.    Mkhabela M. S. Mkhabela M. S. and Nkosazana N. M. 2005. Early maize yield forecasting in the four  agro‐ecological regions of Swaziland using NDVI data derivfed from NOAA’s – AVHRR.  Agricultural and forest meteorology. 129: 1‐9.    Roebeling R. A., Van Putten E., Genovese, G., Rosema A. 2004. Application of Meteosat derived  meteorological information for crop yield predictions in Europe. International Journal of Remote  Sensing. 25 (23): 5389‐5401.    Running S.W., Thornton P. E., Nemani R., Glassy J. M. 2000. Chapter 3: Global Terrestrial gross and  net primary productivity from the Earth observing system. In: Sala O. E., Jackson R.B., Mooney H. A.,  Howarth R.W., editors.  Methods in Ecosystem Science. New York: Springer Verlag. p 44 ‐  57.    Shao Y., Fan X., Liu H., Xiao, J., Ross, S., Brisco B., Brown R., Staples G. 2001. Rice monitoring and  production estimation using multitemporal RADARSAT. Remote Sensing of Environment. 76: 310 –  325.    Tao F., Yokozawa M., Zhqng Z., Xu Y., Hasashi Y. 2004. Remote sensing of crop production in China  by production efficiency models: models comparisons, estimates and uncertainties. Ecological  m   odeling. 183: 385‐396.  Yan L., Qifang L., Xia L., Shengding L., Guobin C., Sholin P. 2003. Towards an operational system for  regional‐scale rice yield estimation using a time‐series of Radarsat ScanSAR images. International  Journal of Remote Sensing. 24 (21) : 4207 – 4220.

11