Name: combining eye-tracking data with an analysis of video content from free-viewing a video of a walk in an urban park environment
Uploaded: 2019-05-07T12:30:00
Description: Watch this Scientific Journal Video about Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment at JoVE.com

Dette arbejde blev økonomisk støttet af City of Melbourne og delvist af ARC DP 150103135. Vi vil gerne takke Eamonn Fennessy for hans råd og samarbejdsorienterede tilgang. Med særlig tak til forsker assistenter Isabelle janecki og Ethan Chen som også hjalp indsamle og analysere disse data. Alle fejl forbliver forfatterne.

Den etiske godkendelse af dette projekt blev givet af den australske katolske Universitets etiske komité-godkendelsesnummer #201500036E. Dette sikrede, at der blev indhentet informeret samtykke fra alle deltagere, og at alle deltagere deltog frivilligt, og at deltagernes data forblev anonyme og fortrolige. Derudover blev godkendelsen givet på grund af den metode og udstyr, der opfylder australske standarder sikkerhedsregler.
1. filme Urban scenes, der kan bruges i en Eye-tracking undersøgelse...

<ol>
	<li>Patrik, P., Stigsdotter, U. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+relation+between+perceived+sensory+dimensions+of+urban+green+space+and+stress+restoration.">The relation between perceived sensory dimensions of urban green space and stress restoration.</a> Landscape and Urban Planning. 94 (3-4), 264-275 (2010).</li><li>Bj&#248;rn, G., Patil, G. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Biophilia:+does+visual+contact+with+nature+impact+on+health+and+well-being?.">Biophilia: does visual contact with nature impact on health and well-being?.</a> International Journal of Environmental Research and Public Health. 6 (9), 2332-2343 (2009).</li><li>Velarde, M. a. D., Fry, G., Tveit, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Health+effects+of+viewing+landscapes-Landscape+types+in+environmental+psychology.">Health effects of viewing landscapes-Landscape types in environmental psychology.</a> Urban Forestry &amp; Urban Greening. 6 (4), 199-212 (2007).</li><li>Polat, A. T., Ahmet, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Relationships+between+the+visual+preferences+of+urban+recreation+area+users+and+various+landscape+design+elements.">Relationships between the visual preferences of urban recreation area users and various landscape design elements.</a> Urban Forestry &amp; Urban Greening. 14 (3), 573-582 (2015).</li><li>Peter, P., Giannopoulos, I., Raubal, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Where+am+I?+Investigating+map+matching+during+self-localization+with+mobile+eye+tracking+in+an+urban+environment.">Where am I? Investigating map matching during self-localization with mobile eye tracking in an urban environment.</a> Transactions in GIS. 18 (5), 660-686 (2014).</li><li>Berto, R., Massaccesi, S., Pasini, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Do+Eye+Movements+Measured+across+High+and+Low+Fascination+Photographs+Differ?+Addressing+Kaplan's+Fascination+Hypothesis.">Do Eye Movements Measured across High and Low Fascination Photographs Differ? Addressing Kaplan's Fascination Hypothesis.</a> Journal of Environmental Psychology. 28 (2), 185-191 (2008).</li><li>Kaplan, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+restorative+benefits+of+nature:+Towards+an+integrative+framework.">The restorative benefits of nature: Towards an integrative framework.</a> Journal of Environmental Psychology. 15, 169-182 (1995).</li><li>Duchowski, A. T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Eye Tracking Methodology: Theory and Practice. , (2017).</li><li>Amati, M., Ghanbari Parmehr, E., McCarthy, C., Sita, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=How+eye-catching+are+natural+features+when+walking+through+a+park?+Eye-+tracking+responses+to+videos+of+walks?.">How eye-catching are natural features when walking through a park? Eye- tracking responses to videos of walks?.</a> Urban Forestry and Urban Greening. 31, 67-78 (2018).</li><li>Gould, S. D. A. R. W. I. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+Framework+for+Machine+Learning+and+Computer+Vision+Research+and+Development.">A Framework for Machine Learning and Computer Vision Research and Development.</a> Journal of Machine Learning Research. (Dec), 3533-3537 (2012).</li><li>Richardson, D., Matlock, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+integration+of+figurative+language+and+static+depictions:+an+eye+movement+study+of+fictive+motion.">The integration of figurative language and static depictions: an eye movement study of fictive motion.</a> Cognition. 102 (1), 129-138 (2007).</li><li>Bojko, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Eye Tracking the User Experience: A Practical Guide to Research. , (2013).</li></ol>

Generelt, i standardsoftwarepakker til analyse af Eye-tracking data, en vektor AOI anvendes. Selv for et enkelt stillbillede kan vektorens størrelse ikke let måles. Desuden, herunder alle AOIs i et billede og beregning af de relative mængder af AOIs er møjt. Det er næsten umuligt at gøre dette manuelt på en video uden en maskine indlæringsteknik som den beskrevne. Dette var en forholdsvis simpel erklæring, der udleder en gratis visning situation. En meget mere præcis scenario kan bruges og forskellige scenario ...

Vores daglige levede oplevelser af bymiljøer har stor indflydelse på vores sundhed og velvære. Vores velbefindende kan afhænge af mængden af grønne områder, som vi ser og oplever1,2,3, og disse synspunkter kan kvantificeres ved hjælp Eye-tracking udstyr til at guide beslutningsprocessen om Park design. Der opstår dog et problem med mængden af øjesporings data, der genereres, og som giver mening for disse data. Da udstyret til registrering af blik data i et laboratorium eller en naturlig indstilling bliver lettere at bruge og mere kraftfuld, skal forskerne overveje, hvordan vi kan indsamle og analysere data gyldigt for at hjælpe med beslutningstagende spørgsmål.
Hidtil har en stor del af øjet tracking forskning brugt fotografier i en undersøgelse eller laboratorium indstilling4. Mens denne metode giver mulighed for en stor reproducerbarhed og kontrol over resultater, er det ikke i stand til at drage fordel af de seneste fremskridt inden for Eye-tracking-teknologi, som omfatter brugen af video og bærbare mobile Eye-trackers. Desuden vil vi hævde, at den handling at gå og slappe af, er nødvendigvis dynamisk, især når de er orienteret mod en opgave som Wayfinding5. Derfor bør en fuldstændig videnskabelig forståelse af disse indstillinger finde sted uden for laboratoriet. Men i øjeblikket, Eye-tracking i en Real-Life naturalistiske indstilling gør at sammenligne erfaringer mellem meget vanskeligt. For eksempel, hvis vi ønskede at sammenligne, om en respondent ser på træer mere end en anden, hvordan kunne vi kontrollere for det faktum, at deres synspunkt ville være i konstant forandring i forhold til andre, eller at deres hoved kunne have vendt. Detaljeret analyse i disse betingelser er næsten umulig med aktuelle analyseteknikker. Vi vil hævde, at det er vigtigt at kontrollere de visningsområder til rådighed for den enkelte, der undersøges, og i analysen for at kunne tage højde for den samlede scene bliver set på et tidspunkt.
Der er et sæt af teorier forbinder stress niveauer og opfattelser af sikkerhed til landskabet synspunkter og veludviklede målinger af stress6,7. Der har også været en hurtig stigning i den sofistikerede Eye-tracking udstyr til at måle blik8. Eye-tracking er vigtigt, fordi ufrivillige øjenbevægelser kan være mere pålideligt forbundet til præference, stress og andre traditionelle foranstaltninger end undersøgelser og påtrængende, fysiologiske tests såsom spyt kortisolniveauer. Formålet med denne forskning er at udvikle værktøjer, der muliggør en mere præcis måling af Eye-tracking data anvendes til mere naturalistiske indstillinger, for at give yderligere dokumentation for eller gendelte langvarige landskab teorier, der har informeret Park design for Årtier.
Formålet med dette projekt er at udvikle og afprøve en ny analyseteknik, der kan generere relevante Eye-tracking data for forskellige videoer af Park Walk simuleringer. Vores arbejde rapporteret her og andre steder9 repræsenterer en halvvejs punkt mellem den naturalistiske indstilling af et fuldt mobilt Eye-tracking system og lab-baserede foto undersøgelser nævnt ovenfor. Især koncentrerer vi os om at bruge videoer som stimulus materiale, undersøge, hvordan dette materiale kan bruges til at teste mængden af fascination, at forskellige parker generere i byen Melbourne. Vores arbejde er baseret på den antagelse, at detaljeret analyse af videoer er et nødvendigt skridt til at bryde, før der gennemfører en fyldigere og mere naturalistisk vurdering af potentialet i parker til at give restaurering fra stress.
I denne undersøgelse, vi ansat en desktop Eye-tracker med videoer af gåture gennem byparker og spurgte deltagerne til at forestille sig, at de tog en afslappende gåtur gennem en Park. Vi beskriver en metode til at tillade den tid, som deltagerne brugte på at se på forskellige objekter, at være sammenlignelige mellem parkerne. Desktop undersøgelser er generelt lettere at kontrollere i forhold til mobile ET undersøgelser og tillade sammenlignende analyse af hvert emne.
Standard Eye-tracking software bruger et manuelt område af interesse værktøj, hvor en operatør kan manuelt trække grænser omkring objekter af interesse i hver scene. Dette gør det muligt at tælle den tid, som deltagerne har brugt på at se på forskellige objekter, automatisk. For video data er denne proces arbejdskraftintensiv og underlagt operatørens subjektivitet og fejl. I senere versioner af Eye-tracking analyse software, kan AOIs automatisk spore objekter på tværs af frames, når de har samme størrelse i videoen. Dette er en forbedring, men dette er kun beregnet til at blive brugt til et lille antal stimuli i hvert billede, og hvert billede skal kontrolleres og bekræftes.
Manuel mærkning af objekter i et billede er almindeligt og understøttes af billedredigeringssoftware som GNU Image manipulation program (GIMP). I betragtning af at 1 s producerer 30 billeder eller billeder, er den manuelle mærkning af videoer upraktisk. Desuden er AOI mærkning ved at tegne vektor polygoner omkring kanten af komplekse objekter såsom træ baldakiner er meget tidskrævende. Endelig, selv om det er tænkes muligt at beregne størrelsen af objekter i et synsfelt ved hjælp af vektor mærkning, denne funktion er ikke i øjeblikket tilgængelig.
Den metode, som vi rapporterer om nedenfor beskæftiger sig med disse begrænsninger. I denne undersøgelse blev der anvendt automatisk mærkning af genstande. Dette er muligt ved hjælp af en billedbehandling teknik kendt som semantisk mærkning, hvor hver pixel i hvert billede af videoen er tildelt en etiket, der angiver en objektklasse. Maskinel indlæring bruges til at udlede pixel klassifikatorer for hver enkelt objektklasse af interesse. Disse klassificeringer giver en probabilistisk etiket for hver pixel (kendt som unære potentialer), som derefter raffineres i en efterfølgende optimeringsproces for at opnå det endelige mærkede output. Disse klassificeringer lærer statistiske beslutnings grænser mellem hver objektklasse i løbet af de funktioner, der udvindes fra billedet, herunder tekstur, histogrammet af kant retninger, RGB-farveværdier og de normaliserede billed koordinater. En passende teknik til dette er implementeret i DARWIN Machine Learning værktøjskasse10 og er beskrevet nedenfor.

<table border="0" cellpadding="0" cellspacing="0" style="width:572px;" width="573">
	<tbody>
		<tr height="21">
			<td height="21" style="height:21px;width:216px;">12 mm lens</td>
			<td style="width:71px;">Olympus</td>
			<td style="width:119px;"></td>
			<td style="width:167px;">Lens</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">Panasonic GH4&#160;</td>
			<td>Panasonic</td>
			<td style="width:119px;"></td>
			<td>Video Camera</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">Tobii Studio version (2.1.14)&#160;&#160;</td>
			<td>Tobii</td>
			<td style="width:119px;"></td>
			<td>Software</td>
		</tr>
		<tr height="21">
			<td height="21" style="height:21px;">Tobii x120 desktop eye-tracker</td>
			<td>Tobii</td>
			<td style="width:119px;"></td>
			<td>Eye-tracker</td>
		</tr>
	</tbody>
</table>

combining eye-tracking data with an analysis of video content from free-viewing a video of a walk in an urban park environment

Som individer i stigende grad bor i byerne, metoder til at studere deres daglige bevægelser og de data, der kan indsamles bliver vigtige og værdifulde. Eye-tracking informatik er kendt for at forbinde til en række følelser, sundhedsmæssige betingelser, mentale tilstande og handlinger. Men fordi vision er resultatet af konstante øjenbevægelser, drilleri ud af, hvad der er vigtigt fra, hvad der er støj er kompleks og dataintensive. Desuden er en betydelig udfordring at kontrollere, hvad folk ser på i forhold til, hvad der præsenteres for dem.
Følgende præsenterer en metode til at kombinere og analysere Eye-tracking på en video af en naturlig og kompleks scene med en maskine indlæringsteknik til at analysere indholdet af videoen. I protokollen fokuserer vi på at analysere data fra filmede videoer, hvordan en video bedst kan bruges til at registrere deltagernes Eye-tracking data, og vigtigere, hvordan indholdet af videoen kan analyseres og kombineres med Eye-tracking data. Vi præsenterer et kort resumé af resultaterne og en diskussion af potentialet i metoden til yderligere undersøgelser i komplekse miljøer.

Figur 1 og figur 2 viser resultatet af at tage alle Eye-tracking data for hele videoen på tværs af alle deltagere og producere et varmekort; Dette er den standardtilgang, der findes i Eye-tracking softwarepakker. Ved at sammenligne figur 1 og figur 2 er det muligt at identificere, at gennemsnitlige deltagere scannet til venstre og højre på x koordinaten af videoen i <strong class...

Watch this Scientific Journal Video about Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment at JoVE.com

Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment

Formålet med protokollen er at præcisere, hvordan man indsamler video data til brug i laboratoriet. hvordan man registrerer Eye-tracking data af deltagerne kigger på data, og hvordan man effektivt analysere indholdet af de videoer, de var på udkig på ved hjælp af en maskine indlæringsteknik.

Kombination af Eye-tracking data med en analyse af videoindhold fra Free-visning af en video af en tur i et Urban Park miljø

As individuals increasingly live in cities, methods to study their everyday movements and the data that can be collected becomes important and valuable. ...

Mange eye tracking undersøgelser er afhængige af komplekse video stimuli og den virkelige verden indstillinger gør analyse af data meget kompleks. Denne analyse teknik giver mulighed for en langt rigere og automatiseret tilgang til at analysere video-baserede data end i øjeblikket tilgængelige metoder, der fører til rigere udvinding af mere komplekse data. Denne metode kan bruges i mange forskellige eye tracking applikationer især i den virkelige verden situationer eller dem, der bruger video som en stimulus.Landskab undersøgelser har påberåbt sig forståelse for, hvordan folk reagerer på forskellige visuelle stimuli. Denne teknik kombineret med eye tracking kunne bruges til at teste disse antagelser. For denne type forskning, et team tilgang er afgørende for der er flere aspekter, der kræver input og overvejelse på højt niveau.Demonstrere proceduren med mig vil være min post graduate studerende Andrew Treller. Filmsekvenserne skal vises i et øjensporingslaboratorium, hvor naturligt lys er tilgængeligt, men som kan styres for at undgå refleksioner på skærmen på så stor en skærm som muligt for at besætte så meget af synsfeltet, hvorved distraktioner undgås uden for synsfeltet. Efter at have siddende deltageren 60-65 centimeter væk fra skærmen, bede dem om at forestille sig at have behov for restaurering ved hjælp af en sætning, der gør det muligt for deltageren at forestille sig i forbindelse med eye tracking video.Afspil derefter filmene for deltageren i en forudbestemt tilfældig rækkefølge ved hjælp af en skrivebordsøjesporingsenhed til at registrere deltagerens øjenbevægelser under hver video. Hvis du vil designe et interesseområde, skal du vælge elementer, der er af interesse for undersøgelsen, f.eks. For optimal ydeevne og minimale træningskrav skal du bruge elementer, der er let visuelt skelnes fra hinanden med det blotte øje og/eller som konsekvent optager forskellige områder af hver videoramme.Generelt bør det være tilstrækkeligt til en robust præstation at medtage tilstrækkelige uddannelseseksempler, der viser visuelt skelner mellem forskelle i hver AOI. Når alle elementerne er blevet ændret, skal du vælge et passende antal træningsrammer for at oprette træningssættet. Der er ikke noget passende fast tal.Åbn derefter hver træningsramme fra videoen i billedredigeringssoftwaren, og for hver ramme overlejres et gennemsigtigt billedlag på det indlæste billede til mærkning, og opret en farvepalet, der giver én farve for hver given objektklasse af interesse. Hvis du vil vælge farven for eksempelområdet af interesse, skal du klikke på og trække pixel inden for et område for at farvelægge i et område med et eksempelområde med det relevante paletvalg. Når mærkningen af en ramme er fuldført, skal du eksportere det overlejrede lag som en separat billedfil, der skal sikre, at basisfilnavnet svarer til det oprindelige rammebasefilnavn, men med et C, der er vedhæftet til enden.Hvis du vil validere nøjagtigheden af den uddannede klassificering, skal du vælge rammer fra den oprindelige videosekvens, der ikke allerede er valgt til at indgå i træningssættet, og mærke pixel i hver ramme, som det netop er påvist for træningsrammerne, der er så præcise og så omfattende som muligt. Når mærkningen af en ramme er fuldført, skal du bruge den samme navngivningskonvention som til træningen og gemme filerne i en separat valideringsrammemappe. Hvis du vil have automatisk pixelmærkning af videosekvensen, skal du starte den grafiske Darwin-brugergrænseflade og klikke på indlæsningstræningsetiketter.Hvis du vil konfigurere GUI'en til træning og mærkning, skal du vælge Opret projekt og give projektet et navn ved hjælp af popup-dialogboksen. Vælg den mappe, der indeholder alle de oprindelige rammer i videosekvensen i pop op-vinduet. Ved hjælp af dialogboksen Popup-stifinder skal du vælge den mappe, der indeholder de markerede træningsbilleder til den relevante videosekvens.Og i dialogboksen file explorer skal du vælge den mappe, der indeholder alle de mærkede valideringsbilleder for den relevante videosekvens. Følg prompten for at vælge en destinationsmappe til alle outputrammer, som skal være i form af billeder med de samme farvepalet, som bruges i træningen. Brug popup-dialogboksen under interesseområder til at mærke de områder, der er af interesse for at mærke, herunder de rød/grønne/blå værdier, der bruges til at markere hver region i træningseksemplerne.Algoritmen vil undersøge hver mærket uddannelse ramme og lære en model af udseende til klassificering af pixels i nogen af de angivne objekt klasser af interesse. Når træningen er fuldført, skal du klikke på valider træning. Og i dialogboksen file explorer skal du vælge den mappe, der indeholder alle de mærkede valideringsbilleder for den relevante videosekvens.Hvis du vil validere de genererede etiketter visuelt, skal du klikke på visuel validering. Hvert genereret billede med etiket vises ved siden af den oprindelige valideringsramme. Hvis den nøjagtighed, der er observeret i enten den kvantitative eller kvalitative validering, falder under det acceptable niveau, skal du medtage og omskole eksempler på videreuddannelse.Når klassificeringstrænings- og valideringsfaserne er fuldført, skal du klikke på kørselsrefrering for at starte den fulde mærkning af alle rammerne i videosekvensen ved hjælp af den uddannede klassificering. Når mærkningen er fuldført, hvilket kan tage flere timer, skal du klikke på gennemse output for at se de resulterende etiketter. De fleste eye tracking software vil vise dig, at i gennemsnit deltagerne scannet til venstre og højre på x-koordinat af videoen i den første video i forhold til den anden video, hvor varmen kortet viser en rundere form.Ved hjælp af maskinlæringspixelmærkningsteknikken, der er beskrevet i dette dokument, kan vi se flere detaljer. Denne grafiske repræsentation af procentfikseringstiden viser, at stien er tydeligt synlig i løbet af videoen. Men som dette tal fra øje tracking data viser, deltageren kun kiggede på denne funktion lejlighedsvis på centrale punkter.Her vises et sammendrag af opholdstiden for alle 39 deltagere i denne repræsentative undersøgelse, når de ser på objekter i hele videoens længde. I denne graf blev de samme dvæletidsdata divideret med den mængde tid og rum, som forskellige objekter besatte i videoen. En værdi på en angiver, at opholdstiden kan medsiges med mængden af objekt i videoen.Objekter, der var mindre relevante, f.eks. Kunstige genstande som gadelamper og bænke blev dvælet ved i højere grad sammenlignet med andre naturgenstande. Disse former for analyse kan have mange vidtrækkende anvendelser for at se på spørgsmål om opmærksomhed og saliency og kan have mange vidtrækkende applikationer i forskellige forskningsområder.Da brugen af kortfilm som visuelle stimuli bliver mere og mere almindelig, forventer vi, at denne teknik bliver mere populær.

Research

JoVE Journal

Environment

Analysis of Fatty Acid Content and Composition in Microalgae

Analyse af Fatty Acid indhold og sammensætning i mikroalger

A method to determine the content and composition of total fatty acids present in microalgae is described. Fatty acids are a major constituent of ...

Design and Construction of an Urban Runoff Research Facility

Design og konstruktion af en Urban Afstrømning Research Facility

As the urban population increases, so does the area of irrigated urban landscape. Summer water use in urban areas can be 2-3x winter base line water use ...

An Aquatic Microbial Metaproteomics Workflow: From Cells to Tryptic Peptides Suitable for Tandem Mass Spectrometry-based Analysis

En Aquatic Mikrobiel Metaproteomics Workflow: Fra celler til Tryptic Peptider Egnet til Tandem-massespektrometri-baseret analyse

Meta-omic technologies such as metagenomics, metatranscriptomics and metaproteomics can aid in the understanding of microbial community structure and ...

The Use of an Automated System (GreenFeed) to Monitor Enteric Methane and Carbon Dioxide Emissions from Ruminant Animals

The Use of an Automated System GreenFeed to Monitor Enteric Methane and Carbon Dioxide Emissions from Ruminant Animals

Brug af et automatiseret system (grovfoder) til Monitor Enteric metan og kuldioxid Emissioner fra drøvtyggere

Ruminant animals (domesticated or wild) emit methane (CH4) through enteric fermentation in their digestive tract and from decomposition of manure during ...

Extracting Metrics for Three-dimensional Root Systems: Volume and Surface Analysis from In-soil X-ray Computed Tomography Data

Udvinding Metrics til tredimensionel Root Systems: Volumen og Overflade Analyse fra In-jord X-ray Computed Tomography data

Plant roots play a critical role in plant-soil-microbe interactions that occur in the rhizosphere, as well as processes with important implications to ...

Spotting Cheetahs: Identifying Individuals by Their Footprints

Spotting Geparder: Identifikation Personer ved deres fodspor

The cheetah (Acinonyx jubatus) is Africa's most endangered large felid and listed as Vulnerable with a declining population trend by the IUCN1. It ranges ...

A Video Surveillance System to Monitor Breeding Colonies of Common Terns (Sterna Hirundo)

A Video Surveillance System to Monitor Breeding Colonies of Common Terns Sterna Hirundo

En Video Surveillance System til overvågning af ynglende Fjordterner (Sterna Hirundo)-kolonier

Many waterbird populations have faced declines over the last century, including the common tern (Sterna hirundo), a waterbird species with a widespread ...

Protocol for Producing Three-Dimensional Infrared Video of Freezing in Plants

Protokol for at producere tredimensionale infrarød Video af frysning i planter

Freezing in plants can be monitored using infrared (IR) thermography, because when water freezes, it gives off heat. However, problems with color contrast ...

Quantifying Plant Soluble Protein and Digestible Carbohydrate Content, Using Corn (Zea mays) As an Exemplar

Quantifying Plant Soluble Protein and Digestible Carbohydrate Content, Using Corn Zea mays As an Exemplar

Kvantificere plante opløseligt Protein og fordøjeligt kulhydrat indhold, ved hjælp af majs (Zea mays) som en eksemplarisk

Elemental data are commonly used to infer plant quality as a resource to herbivores. However, the ubiquity of carbon in biomolecules, the presence of ...

Long-term Video Tracking of Cohoused Aquatic Animals: A Case Study of the Daily Locomotor Activity of the Norway Lobster (Nephrops norvegicus)