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

Ce travail a été financé financièrement par la ville de Melbourne et en partie par l’ARC DP 150103135. Nous aimerions remercier Eamonn Fennessy pour son Conseil et son approche collaborative. Avec des remerciements particuliers aux assistants chercheurs Isabelle Janecki et Ethan Chen qui ont également aidé à collecter et à analyser ces données. Toutes les erreurs demeurent les auteurs.

L’approbation éthique de ce projet a été donnée par le numéro d’homologation du Comité d’éthique de l’Université catholique australienne #201500036E. Cela a veillé à ce que tous les participants aient obtenu le consentement éclairé et que tous les participants aient participé volontairement, et que les données des participants demeurent anonymes et confidentielles. En outre, l’approbation a été donnée en raison de la méthode et de l’équipement répondant aux normes australiennes de sécurit...

<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>

Généralement, dans les progiciels standard pour l’analyse des données de suivi oculaire, un vecteur AOI est utilisé. Même pour une seule image fixe, la taille du vecteur ne peut pas être facilement mesurée. En outre, y compris tous les AOIs dans une image et le calcul des quantités relatives d’AOIs est laborieux. Il est presque impossible de le faire manuellement sur une vidéo sans une technique d’apprentissage machine telle que celle décrite. Il s’agit d’une déclaration relativement simple qui dédu...

Nos expériences quotidiennes d’environnements urbains ont un impact considérable sur notre santé et notre bien-être. Notre bien-être peut dépendre de la quantité d’espaces verts que nous avons vue et de l’expérience1,2,3, et ces vues peuvent être quantifiées à l’aide de l’équipement de suivi des yeux pour guider la prise de décision sur la conception du parc. Cependant, un problème survient avec le volume des données de suivi des yeux qui est générée et qui rend le sens de ces données. Comme l’équipement pour l’enregistrement des données de regard dans un laboratoire ou un environnement naturel devient plus facile à utiliser et plus puissant, les chercheurs doivent examiner comment nous pouvons collecter et analyser les données validement pour aider à des questions de prise de décision.
Jusqu’à présent, une grande partie de la recherche sur le suivi des yeux a utilisé des photographies dans un cadre de sondage ou de laboratoire4. Bien que cette méthodologie permette une grande reproductibilité et un contrôle sur les résultats, elle ne peut pas tirer parti des dernières avancées dans la technologie de suivi des yeux qui incluent l’utilisation de la vidéo et portable mobile Eye-trackers. En outre, nous affirons que l’acte de marche et de détente est nécessairement dynamique, surtout lorsqu’il est orienté vers une tâche telle que le orientation5. Par conséquent, une compréhension entièrement scientifique de ces paramètres devrait avoir lieu en dehors du laboratoire. Cependant, pour le moment, le suivi des yeux dans un cadre naturaliste de la vie réelle rend la comparaison de l’expérience entre les sujets très difficile. Par exemple, si nous voulions comparer si un répondant regarde les arbres plus qu’un autre, comment pourrions-nous contrôler le fait que leur point de vue serait en constante évolution par rapport à d’autres ou que leur tête pourrait avoir tourné. Une analyse détaillée dans ces conditions est presque impossible avec les techniques d’analyse actuelles. Nous soutenons qu’il est important de contrôler les zones d’observation à la disposition de la personne étudiée et, dans l’analyse, de pouvoir tenir compte de la scène totale qui est visualisée à un moment donné.
Il existe un ensemble de théories reliant les niveaux de stress et les perceptions de la sécurité aux vues paysagères et aux mesures bien évoluées du stress6,7. Il y a également eu une augmentation rapide de la sophistication de l’équipement de suivi oculaire pour mesurer le regard8. Le suivi des yeux est important parce que les mouvements oculaires involontaires peuvent être reliés de manière plus fiable à la préférence, au stress et à d’autres mesures traditionnelles que les enquêtes et les tests physiologiques intrusifs tels que les niveaux de cortisol salivaire. L’objectif de cette recherche est de développer des outils qui permettent une mesure plus précise des données de suivi oculaire appliquées à des contextes plus naturalistes, afin de fournir des preuves supplémentaires ou de réfuter les théories du paysage de longue date qui ont éclairé la conception du parc pour Décennies.
Le but de ce projet est de développer et de tester une nouvelle technique d’analyse qui peut générer des données pertinentes de suivi des yeux pour différentes vidéos de simulations de promenade de parc. Notre travail rapporté ici et ailleurs9 représente un point à mi-chemin entre le cadre naturaliste d’un système de suivi des yeux entièrement mobile et les études de photo en laboratoire mentionnées ci-dessus. En particulier, nous nous concentrons sur l’utilisation de vidéos comme matériau de stimulation, en explorant comment ce matériel peut être utilisé pour tester la quantité de fascination que les différents parcs génèrent dans la ville de Melbourne. Notre travail est basé sur l’hypothèse que l’analyse détaillée des vidéos est une étape nécessaire pour violer avant d’entreprendre une évaluation plus complète et plus naturaliste du potentiel des parcs pour fournir la restauration du stress.
Dans cette étude, nous avons employé un Eye-Tracker de bureau avec des vidéos de promenades dans les parcs urbains et a demandé aux participants d’imaginer qu’ils prenaient une promenade relaxante à travers un parc. Nous décrivons une méthode permettant de prévoir le temps que les participants ont passé à examiner différents objets pour être comparables entre les parcs. Les études de bureau sont généralement plus faciles à contrôler par rapport aux études mobiles et permettent une analyse comparative de chaque sujet.
Le logiciel standard de suivi des yeux utilise un outil de zone d’intérêt manuel dans lequel un opérateur peut tracer manuellement des limites autour des objets d’intérêt dans chaque scène. Cela permet de compter le temps que les participants ont passé à examiner différents objets pour être automatiquement comptés. Pour les données vidéo, ce processus est intensif en main-d’œuvre et soumis à la subjectivité et à l’erreur de l’opérateur. Dans les versions ultérieures du logiciel d’analyse de suivi des yeux, AOIs peut automatiquement suivre les objets à travers les trames quand ils sont de la même taille dans la vidéo. Il s’agit d’une amélioration, cependant, ce n’est destiné à être utilisé pour un petit nombre de stimuli dans chaque image et chaque image doit être vérifiée et confirmée.
L’étiquetage manuel des objets dans une image est commun et pris en charge par le logiciel d’édition d’images tel que GNU Image Manipulation Program (GIMP). Etant donné que 1 s produit 30 trames ou images, l’étiquetage manuel des vidéos n’est pas pratique. En outre, l’étiquetage AOI en dessinant des polygones vectoriels autour du bord d’objets complexes tels que les auvents d’arbres est très long. Enfin, bien qu’il soit possible de calculer la taille des objets dans un champ de vision à l’aide de l’étiquetage vectoriel, cette fonctionnalité n’est pas disponible actuellement.
La méthode que nous rapmettons ci-dessous traite de ces limitations. Cette étude a utilisé l’étiquetage automatique des objets. Ceci est possible à l’aide d’une technique de traitement d’image connue sous le nom d’étiquetage sémantique, dans laquelle chaque pixel de chaque image de la vidéo reçoit une étiquette indiquant une classe d’objet. L’apprentissage automatique est utilisé pour dériver des classificateurs de pixel pour chaque classe d’objet d’intérêt. Ces classificateurs fournissent une étiquette probabiliste pour chaque pixel (connu sous le nom de potentiels unaires), qui sont ensuite affinées dans un processus d’optimisation ultérieur pour obtenir la sortie étiquetée finale. Ces classificateurs apprennent les limites de décision statistique entre chaque classe d’objet dans l’espace des entités extraites de l’image, y compris la texture, l’histogramme des orientations de périphérie, les valeurs de couleur RVB et les coordonnées d’image normalisées. Une technique appropriée pour cela est implémentée dans la boîte à outils de machine learning de DARWIN10 et est décrite ci-dessous.

<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

Comme les individus vivent de plus en plus dans les villes, les méthodes pour étudier leurs mouvements quotidiens et les données qui peuvent être collectées devient important et précieux. L’informatique de suivi des yeux est connue pour se connecter à une gamme de sentiments, les conditions de santé, les États mentaux et les actions. Mais parce que la vision est le résultat de mouvements oculaires constants, taquiner ce qui est important de ce qui est le bruit est complexe et les données intensives. En outre, un défi important consiste à contrôler ce que les gens regardent par rapport à ce qui leur est présenté.
Ce qui suit présente une méthodologie pour combiner et analyser le suivi des yeux sur une vidéo d’une scène naturelle et complexe avec une technique d’apprentissage automatique pour analyser le contenu de la vidéo. Dans le protocole, nous nous concentrons sur l’analyse des données à partir de vidéos filmées, comment une vidéo peut être mieux utilisé pour enregistrer les données de suivi oculaire des participants, et surtout comment le contenu de la vidéo peut être analysé et combiné avec les données de suivi des yeux. Nous présentons un bref résumé des résultats et une discussion sur le potentiel de la méthode pour d’autres études dans des environnements complexes.

La figure 1 et la figure 2 montrent le résultat de la prise de toutes les données de suivi oculaire pour l’ensemble de la vidéo sur tous les participants et la production d’une carte de chaleur; C’est l’approche standard disponible dans les progiciels de suivi des yeux. En comparant la figure 1 et la figure 2 , il est possible d’identifier que les participants moyens sca...

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

L’objectif du protocole est de détailler Comment collecter des données vidéo à utiliser en laboratoire; Comment enregistrer les données de suivi oculaire des participants qui regardent les données et comment analyser efficacement le contenu des vidéos qu’ils cherchaient à utiliser une technique d’apprentissage automatique.

Combiner les données de suivi des yeux avec une analyse du contenu vidéo à partir de Free-visualisation d’une vidéo d’une promenade dans un environnement de parc urbain

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

De nombreuses études de suivi oculaire s’appuient sur des stimuli vidéo complexes et des paramètres du monde réel rendant l’analyse des données très complexe. Cette technique d’analyse permet une approche beaucoup plus riche et automatisée de l’analyse des données vidéo que les méthodes actuellement disponibles conduisant à une extraction plus riche de données plus complexes. Cette méthode pourrait être utilisée dans de nombreuses applications de suivi oculaire différentes en particulier dans des situations réelles ou celles qui utilisent la vidéo comme un stimulus.Les études de paysage se sont appuyées sur la compréhension de la façon dont les gens réagissent à différents stimuli visuels. Cette technique combinée avec le suivi oculaire pourrait être utilisée pour tester ces hypothèses. Pour ce type de recherche, une approche d’équipe est essentielle car il y a plusieurs aspects qui nécessitent une contribution et une considération de haut niveau.Démontrant la procédure avec moi sera mon étudiant de troisième cycle Andrew Treller. Les séquences de films doivent être montrées dans un laboratoire de suivi oculaire dans lequel la lumière naturelle est disponible, mais qui peut être contrôlée pour éviter les réflexions sur l’écran sur un écran aussi grand que possible pour occuper autant de champ visuel, évitant ainsi les distractions de l’extérieur du champ de vision. Après avoir assis le participant à 60-65 centimètres de l’écran, demandez-lui d’imaginer avoir besoin d’être restauré à l’aide d’une phrase qui permet au participant d’imaginer dans le contexte de la vidéo de suivi des yeux.Ensuite, jouez les films pour le participant dans un ordre aléatoire prédéterminé à l’aide d’un dispositif de suivi oculaire de bureau pour enregistrer les mouvements oculaires du participant au cours de chaque vidéo. Pour concevoir un domaine d’intérêt, sélectionnez les éléments qui intéressent l’étude comme les arbres, les arbustes, les panneaux de signalisation, les bâtiments, les sentiers, les marches. Pour des performances optimales et des exigences minimales d’entraînement, utilisez des éléments qui se distinguent facilement visuellement les uns des autres à l’œil nu et/ou qui occupent constamment différentes régions de chaque image vidéo.En général, l’inclusion d’exemples de formation suffisants représentant des différences visuellement distinctives de chaque AOI devrait suffire à une performance robuste. Lorsque tous les éléments ont été modifiés, sélectionnez un nombre approprié de cadres de formation pour composent l’ensemble de formation. Il n’y a pas de numéro fixe qui soit approprié.Ensuite, ouvrez chaque cadre de formation à partir de la vidéo dans le logiciel d’édition d’image et pour chaque image superposer une couche d’image transparente sur l’image chargée pour l’étiquetage et créer une palette de couleurs fournissant une couleur pour chaque classe d’objet donnée d’intérêt. Pour sélectionner la couleur de la zone d’intérêt de l’échantillon, cliquez et faites glisser les pixels dans une zone à colorier dans une région d’échantillon avec le choix de palette approprié. Une fois que l’étiquetage d’un cadre est terminé, exportez la couche superposée comme un fichier d’image distinct en prenant soin que le nom de fichier de base correspond au nom de base du cadre d’origine, mais avec un C annexé à la fin.Pour valider quantitativement la précision du classificateur formé, sélectionnez les images de la séquence vidéo originale qui n’ont pas déjà été sélectionnées pour être incluses dans l’ensemble de formation et étiquetez les pixels de chaque image comme il suffit de le démontrer pour que les cadres d’entraînement soient aussi précis et complets que possible. Lorsque l’étiquetage d’un cadre est terminé, utilisez la même convention de nommage que pour la formation, en sauvant les fichiers dans un dossier d’images de validation distinct. Pour l’étiquetage automatique des pixels de la séquence vidéo, lancez l’interface utilisateur graphique Darwin et cliquez sur les étiquettes de formation à la charge.Pour configurer l’interface graphique pour la formation et l’étiquetage, sélectionnez créer un projet et fournissez au projet un nom à l’aide de la boîte de dialogue popup. Sélectionnez le dossier contenant tous les cadres originaux de la séquence vidéo dans la fenêtre popup. À l’aide de la boîte de dialogue popup file explorer, sélectionnez le dossier contenant les images de formation étiquetées pour la séquence vidéo pertinente.Et dans la boîte de dialogue de l’explorateur de fichiers, sélectionnez le dossier contenant toutes les images de validation étiquetées pour la séquence vidéo pertinente. Suivez l’invite à sélectionner un dossier de destination pour tous les cadres de sortie qui seront sous forme d’images étiquetées en utilisant la même palette de couleurs que dans la formation. À l’aide de la boîte de dialogue popup, dans des domaines d’intérêt, entrez dans les domaines d’intérêt pour étiqueter, y compris les valeurs rouges/vertes/bleues utilisées pour marquer chaque région dans les exemples de formation.L’algorithme examinera chaque cadre de formation étiqueté et apprendra un modèle d’apparence pour classer les pixels dans l’une des classes d’objets d’intérêt spécifiées. Une fois la formation terminée, cliquez sur valider la formation. Et dans la boîte de dialogue de l’explorateur de fichiers, sélectionnez le dossier contenant toutes les images de validation étiquetées pour la séquence vidéo pertinente.Pour valider visuellement les étiquettes générées, cliquez sur validation visuelle. Chaque image étiquetée générée sera affichée à côté du cadre de validation d’origine. Si l’exactitude observée dans la validation quantitative ou qualitative tombe en dessous des niveaux acceptables, inclure et recycler d’autres exemples de formation.Une fois les phases de formation et de validation des classificateurs terminées, cliquez sur exécuter l’inférence pour commencer l’étiquetage complet de tous les cadres de la séquence vidéo à l’aide du classificateur formé. Une fois l’étiquetage terminé, ce qui peut prendre plusieurs heures, cliquez sur parcourir la sortie pour voir les étiquettes qui en résultent. La plupart des logiciels de suivi oculaire vous montreront qu’en moyenne, les participants ont scanné à gauche et à droite sur la coordonnée x de la vidéo dans la première vidéo par rapport à la deuxième vidéo pour laquelle la carte thermique montre une forme plus ronde.En utilisant la technique d’étiquetage des pixels d’apprentissage automatique décrite dans cet article, nous pouvons voir plus de détails. Cette représentation graphique du temps de fixation pour cent montre que le chemin est clairement visible au cours de la vidéo. Toutefois, comme le montre ce chiffre à partir des données de suivi oculaire, le participant n’a regardé cette fonctionnalité qu’occasionnellement à des moments clés.Voici un résumé de l’heure de séjour des 39 participants à cette étude représentative lorsque l’on regarde des objets tout au long de la durée de la vidéo est montré. Dans ce graphique, les mêmes données de temps de vie ont été divisées par la quantité de temps et d’espace que différents objets occupaient dans la vidéo. Une valeur d’un indique que le temps de vie peut être expliqué par la quantité d’objet dans la vidéo.Par exemple, les objets moins pertinents comme le ciel dans les deux images ont été vus comparativement moins que les autres objets. Les objets artificiels tels que les lampadaires et les bancs ont été plus longtemps maintenus que d’autres objets naturels. Ces types d’analyse peuvent avoir de nombreuses utilisations de grande envergure pour examiner les questions d’attention et d’importance et peuvent avoir de nombreuses applications de grande envergure dans différents domaines de recherche.À mesure que l’utilisation de courts métrages comme stimuli visuels devient de plus en plus courante, nous nous attendons à ce que cette technique devienne plus populaire.

Research

JoVE Journal

Environment

Analysis of Fatty Acid Content and Composition in Microalgae

Analyse de la teneur en acide gras et de la composition en microalgues

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

Recherche

Environnement

Design and Construction of an Urban Runoff Research Facility

Conception et construction d&#39;une installation de recherche de ruissellement urbain

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

Un microbienne aquatique métaprotéomique Workflow: à partir de cellules à tryptique peptides appropriés pour l&#39;analyse comparative-spectrométrie de masse en tandem

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

L&#39;utilisation d&#39;un système (fourrage vert) automatisé pour surveiller entérique méthane et de dioxyde de carbone Les émissions provenant de ruminants Animaux

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

Extraction Metrics pour les systèmes de racines en trois dimensions: Volume et surface Analyse de In-sol X-ray tomodensitométrie données

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 Cheetahs: l&#39;identification des personnes par leurs empreintes

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

Un système de vidéosurveillance pour contrôler la reproduction des Colonies de Sterne pierregarin (Sterna Hirundo)

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

Protocole de fabrication en trois dimensions vidéo infrarouge de gel dans les plantes

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

Quantification des protéines solubles végétales et glucides digestibles contenu, à l’aide de maïs (Zea mays) As an Exemplar

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)

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

Suivi à long terme de vidéo d’animaux aquatiques Cohoused : une étude de cas de l’activité locomotrice quotidienne de la langoustine (Nephrops norvegicus)