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

Este trabalho foi apoiado financeiramente pela cidade de Melbourne e parcialmente pela ARC DP 150103135. Gostaríamos de agradecer a Eamonn Fennessy pelo seu aconselhamento e abordagem colaborativa. Com agradecimentos especiais aos assistentes do investigador Isabelle janecki e Ethan Chen quem igualmente ajudou a coletar e analisar estes dados. Todos os erros permanecem os autores.

Aprovação ética para este projeto foi dada pelo Comitê de ética da Universidade católica australiana-número de aprovação #201500036E. Isso garantiu que o consentimento informado foi obtido de todos os participantes e todos os participantes participaram voluntariamente, e que os dados dos participantes permaneceram anônimos e confidenciais. Além disso, a aprovação foi dada devido ao método e equipamentos de reunião normas de segurança australianas.
1. filmagens cenas urbanas que p...

<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>

Geralmente, em pacotes de software padrão para analisar dados de rastreamento de olhos, um vetor AOI é usado. Mesmo para uma única imagem imóvel, o tamanho do vetor não pode ser facilmente medido. Além disso, incluindo todos os AOIs em uma imagem e calculando as quantidades relativas de AOIs é trabalhoso. É quase impossível fazer isso manualmente em um vídeo sem uma técnica de aprendizado de máquina, como a descrita. Esta foi uma declaração relativamente simples que infere uma situação de visualização g...

Nossas experiências diárias de vida de ambientes urbanos impactam muito em nossa saúde e bem-estar. Nosso bem-estar pode depender da quantidade de espaços verdes que vemos e experimentamos1,2,3, e essas visões podem ser quantificadas usando equipamentos de rastreamento de olhos para orientar a tomada de decisão sobre o design do parque. No entanto, surge um problema com o volume de dados de rastreamento de olho que é gerado e que faz sentido desses dados. Como o equipamento para gravar dados do olhar em um laboratório ou ambiente natural torna-se mais fácil de usar e mais poderoso, os pesquisadores precisam considerar como podemos coletar e analisar dados validamente para ajudar com questões de tomada de decisão.
Até agora, uma grande quantidade de pesquisa de rastreamento de olho usou fotografias em uma pesquisa ou configuração de laboratório4. Embora esta metodologia permite uma grande quantidade de reprodutibilidade e controle sobre os resultados, é incapaz de tirar proveito dos últimos avanços na tecnologia de rastreamento de olho que incluem o uso de vídeo e wearable Eye-trackers móveis. Além disso, argumentamos que o ato de caminhar e relaxar é necessariamente dinâmico, especialmente quando orientado para uma tarefa como a wayfinding5. Conseqüentemente uma compreensão inteiramente científica destas configurações deve ocorrer fora do laboratório. No entanto, no momento, o rastreamento dos olhos em um cenário naturalista da vida real faz comparando a experiência entre os assuntos muito difícil. Por exemplo, se quiséssemos comparar se um entrevistado Olha para árvores mais do que outro, como poderíamos controlar para o fato de seu ponto de vista seria constantemente mudando em comparação com os outros ou que sua cabeça poderia ter virado. A análise detalhada nestas circunstâncias é quase impossível com técnicas atuais da análise. Nós argumentamos que é importante controlar as áreas de visualização disponíveis para o indivíduo que está sendo estudado e na análise para ser capaz de explicar a cena total que está sendo visto em qualquer um ponto no tempo.
Há um conjunto de teorias que ligam os níveis de estresse e as percepções de segurança às visões da paisagem e medidas bem evoluídas de estresse6,7. Houve também um rápido aumento na sofisticação do equipamento de rastreamento ocular para medir o olhar8. O rastreamento ocular é importante porque os movimentos oculares involuntários podem ser conectados de forma mais confiável à preferência, estresse e outras medidas tradicionais do que pesquisas e testes fisiológicos intrusivos, como níveis de cortisol salivares. O objetivo desta pesquisa é desenvolver ferramentas que permitam uma medição mais precisa dos dados de rastreamento dos olhos aplicados a ambientes mais naturalistas, de modo a fornecer mais evidências para ou refutar teorias de longa data que tenham informado o design do parque para Décadas.
O objetivo deste projeto é desenvolver e testar uma nova técnica de análise que possa gerar dados relevantes de rastreamento de olho para diferentes vídeos de simulações de caminhada no parque. Nosso trabalho relatado aqui e em outros lugares9 representa um ponto de meio caminho entre o cenário naturalista de um sistema de rastreamento de olho totalmente móvel e os estudos de fotografia baseados em laboratório referidos acima. Em particular, nos concentramos em usar vídeos como o material de estímulo, explorando como este material pode ser usado para testar a quantidade de fascínio que diferentes parques geram na cidade de Melbourne. Nosso trabalho é baseado no pressuposto de que a análise detalhada dos vídeos é um passo necessário para romper antes de empreender uma avaliação mais completa, mais naturalista do potencial dos parques para fornecer a restauração do stress.
Neste estudo, empregamos um desktop Eye-Tracker com vídeos de passeios através de parques urbanos e pediu aos participantes para imaginar que eles estavam fazendo um passeio relaxante através de um parque. Descrevemos um método para permitir a quantidade de tempo que os participantes gastaram observando diferentes objetos para serem comparáveis entre os parques. Os estudos do desktop são geralmente mais fáceis de controlar comparados aos estudos móveis do ET e permitem a análise comparativa de cada assunto.
O software de rastreamento de olhos padrão usa uma ferramenta de área de interesse manual na qual um operador pode desenhar manualmente limites em torno de objetos de interesse em cada cena. Isso permite que a quantidade de tempo que os participantes gasto observando objetos diferentes sejam contados automaticamente. Para os dados de vídeo, esse processo é trabalhoso e sujeito a subjetividade e erro do operador. Em versões posteriores do software de análise de rastreamento de olho, AOIs pode rastrear automaticamente objetos entre quadros quando eles são do mesmo tamanho no vídeo. Esta é uma melhoria, entretanto, esta é pretendida somente ser usada para um número pequeno de estímulos em cada imagem e cada imagem deve ser verific e confirmado.
A rotulagem manual de objetos em uma imagem é comum e suportada por software de edição de imagem, como o GNU Image manipulação Program (GIMP). Dado que 1 s produz 30 frames ou imagens, a rotulagem manual dos vídeos é impraticável. Além disso, a rotulagem AOI desenhando polígonos vetoriais em torno da borda de objetos complexos, como as coberturas de árvores, é muito demorado. Finalmente, embora seja concebìvel possível calcular o tamanho dos objetos em um campo de visão usando a rotulagem do vetor, esta característica não está atualmente disponível.
O método que nós relatamos abaixo lida com estas limitações. Este estudo empregou a rotulagem automática de objetos. Isso é possível usando uma técnica de processamento de imagem conhecida como rotulagem semântica, na qual cada pixel em cada quadro do vídeo é atribuído a um rótulo que indica uma classe de objeto. O aprendizado de máquina é usado para derivar classificadores de pixel para cada classe de objeto de interesse. Esses classificadores fornecem um rótulo probabilístico para cada pixel (conhecido como potenciais unários), que são então refinados em um processo de otimização subsequente para alcançar a saída rotulada final. Esses classificadores aprendem limites de decisão estatística entre cada classe de objeto no espaço de recursos extraídos da imagem, incluindo textura, histograma de orientações de borda, valores de cor RGB e as coordenadas de imagem normalizadas. Uma técnica apropriada para isso é implementada na caixa de ferramentas de aprendizado de máquina DARWIN10 e é descrita abaixo.

<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

Como os indivíduos vivem cada vez mais nas cidades, os métodos para estudar seus movimentos diários e os dados que podem ser recolhidos tornam-se importantes e valiosos. Olho-Tracking informática são conhecidos para se conectar a uma gama de sentimentos, condições de saúde, Estados mentais e ações. Mas porque a visão é o resultado de constantes movimentos oculares, provocando o que é importante do que é o ruído é complexo e intensivo de dados. Além disso, um desafio significativo é controlar o que as pessoas olham em comparação com o que lhes é apresentado.
A seguir, apresentamos uma metodologia para combinar e analisar o rastreamento dos olhos em um vídeo de uma cena natural e complexa com uma técnica de aprendizado de máquina para analisar o conteúdo do vídeo. No protocolo, nos concentramos em analisar dados de vídeos filmados, como um vídeo pode ser melhor usado para registrar os dados de rastreamento dos participantes, e importante como o conteúdo do vídeo pode ser analisado e combinado com os dados de rastreamento de olhos. Apresentamos um breve resumo dos resultados e uma discussão sobre o potencial do método para estudos posteriores em ambientes complexos.

Figura 1 e Figura 2 mostram o resultado de tomar todos os dados de rastreamento de olho para todo o vídeo em todos os participantes e produzindo um mapa de calor; Esta é a abordagem padrão disponível em pacotes de software de rastreamento de olho. Comparando a Figura 1 e a Figura 2 é possível identificar que, em média, os participantes escaneados à esquerda e à direita na co...

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

O objetivo do protocolo é detalhar como coletar dados de vídeo para uso em laboratório; como gravar dados de rastreamento de olhos dos participantes olhando para os dados e como analisar eficientemente o conteúdo dos vídeos que eles estavam olhando para usar uma técnica de aprendizado de máquina.

Combinando dados de rastreamento de olhos com uma análise de conteúdo de vídeo de livre-visualizando um vídeo de uma caminhada em um ambiente de parque urbano

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

Muitos estudos de rastreamento ocular dependem de estímulos de vídeo complexos e configurações do mundo real, tornando a análise dos dados altamente complexa. Esta técnica de análise permite uma abordagem muito mais rica e automatizada para analisar dados baseados em vídeo do que os métodos disponíveis atualmente levando à extração mais rica de dados mais complexos. Este método pode ser usado em muitos aplicativos diferentes de rastreamento ocular, particularmente em situações do mundo real ou aqueles que usam o vídeo como estímulo.Estudos paisagísticos têm se apoiado em entender como as pessoas reagem a diferentes estímulos visuais. Esta técnica combinada com o rastreamento ocular poderia ser usada para testar essas suposições. Para este tipo de pesquisa, uma abordagem de equipe é essencial para que existam múltiplos aspectos que requerem entrada e consideração de alto nível.Demonstrando o procedimento comigo será meu estudante de pós-graduação Andrew Treller. As sequências de filme devem ser mostradas em um laboratório de rastreamento de olhos no qual a luz natural está disponível, mas que pode ser controlada para evitar reflexos na tela na tela o maior possível para ocupar o máximo possível do campo visual, evitando assim distrações de fora do campo de visão. Depois de sentar o participante a 60-65 centímetros de distância da tela, peça que imagine estar precisando de restauração usando uma frase que permite ao participante imaginar no contexto do vídeo de rastreamento ocular.Em seguida, reprodue os filmes para o participante em uma ordem aleatória predeterminada usando um dispositivo de rastreamento de olhos de desktop para registrar os movimentos oculares do participante durante cada vídeo. Para projetar uma área de interesse, selecione itens de interesse do estudo, como árvores, arbustos, placas de sinalização, edifícios, caminhos, passos. Para obter um desempenho ideal e requisitos mínimos de treinamento, use elementos facilmente distinguíveis um do outro a olho nu e/ou que ocupam consistentemente diferentes regiões de cada quadro de vídeo.Em geral, incluir exemplos de treinamento suficientes que retratam diferenças visualmente distintas de cada AOI deve ser suficiente para um desempenho robusto. Quando todos os itens tiverem sido modificados, selecione um número apropriado de quadros de treinamento para compor o conjunto de treinamento. Não há nenhum número fixo apropriado.Em seguida, abra cada quadro de treinamento do vídeo no software de edição de imagens e para cada quadro sobreponham uma camada de imagem transparente na imagem carregada para rotulagem e crie uma paleta de cores fornecendo uma cor para cada classe de objeto de interesse. Para selecionar a cor para a área de amostra de interesse, clique e arraste pixels dentro de uma área para colorir em uma região de amostra com a escolha apropriada da paleta. Uma vez que a rotulagem de um quadro esteja completa, exporte a camada sobreposta como um arquivo de imagem separado, tomando cuidado para que o nome do arquivo base corresponda ao nome original do arquivo base do quadro, mas com um C anexado ao final.Para validar quantitativamente a precisão do classificador treinado, selecione quadros da sequência de vídeo original ainda não selecionados para serem incluídos no conjunto de treinamento e rotule os pixels em cada quadro como apenas demonstrados para que os quadros de treinamento sejam o mais precisos e abrangentes possível. Quando a rotulagem de um quadro estiver completa, use a mesma convenção de nomeação que para o treinamento, salvando os arquivos em uma pasta de quadros de validação separada. Para rotulagem automática de pixels da sequência de vídeo, inicie a interface gráfica de usuário de Darwin e clique em etiquetas de treinamento de carga.Para configurar a GUI para treinamento e rotulagem, selecione criar projeto e fornecer ao projeto um nome usando a caixa de diálogo pop-up. Selecione a pasta contendo todos os quadros originais da sequência de vídeo na janela pop-up. Usando a caixa de diálogo do explorador de arquivos pop-up, selecione a pasta contendo as imagens de treinamento rotuladas para a sequência de vídeo relevante.E na caixa de diálogo do explorador de arquivos, selecione a pasta contendo todas as imagens de validação rotuladas para a sequência de vídeo relevante. Siga o prompt para selecionar uma pasta de destino para todos os quadros de saída que estarão na forma de imagens rotuladas usando a mesma paleta de cores usada no treinamento. Utilizando a caixa de diálogo pop-up, sob áreas de interesse, entre nas áreas de interesse para rotular incluindo os valores vermelho/verde/azul usados para marcar cada região nos exemplos de treinamento.O algoritmo examinará cada quadro de treinamento rotulado e aprenderá um modelo de aparência para classificar os pixels em qualquer uma das classes de interesse de objetos especificados. Uma vez que o treinamento esteja completo, clique validar o treinamento. E na caixa de diálogo do explorador de arquivos, selecione a pasta contendo todas as imagens de validação rotuladas para a sequência de vídeo relevante.Para validar visualmente os rótulos gerados, clique em validação visual. Cada imagem rotulada gerada será exibida ao lado do quadro de validação original. Se a precisão observada na validação quantitativa ou qualitativa ficar abaixo dos níveis aceitáveis, inclua e retreine outros exemplos de treinamento.Uma vez que as fases de treinamento e validação do classificador estejam concluídas, clique em executar a inferência para iniciar a rotulagem completa de todos os quadros na sequência de vídeo usando o classificador treinado. Uma vez que a rotulagem esteja completa, o que pode levar várias horas, clique em procurar saída para ver as etiquetas resultantes. A maioria dos softwares de rastreamento de olhos mostrará que, em média, os participantes digitalizaram à esquerda e à direita na x-coordenada do vídeo no primeiro vídeo em comparação com o segundo vídeo para o qual o mapa de calor mostra uma forma de rounder.Usando a técnica de rotulagem de pixels de aprendizado de máquina descrita neste artigo, podemos ver mais detalhes. Esta representação gráfica do tempo de fixação percentual mostra que o caminho é claramente visível durante o curso do vídeo. No entanto, como mostra esse número a partir dos dados de rastreamento ocular, o participante apenas olhou para esse recurso ocasionalmente em pontos-chave.Aqui é mostrado um resumo do tempo de permanência de todos os 39 participantes deste estudo representativo ao olhar para objetos ao longo da duração do vídeo. Neste gráfico, os mesmos dados de tempo de moradia foram divididos pela quantidade de tempo e espaço que diferentes objetos ocuparam no vídeo. Um valor de um indica que o tempo de moradia pode ser contabilizado pela quantidade de objeto no vídeo.Por exemplo, objetos menos pertinentes, como o céu em ambas as imagens, foram vistos comparativamente menos do que outros objetos. Objetos artificiais, como lâmpadas de rua e bancos, foram habitados em maior medida em comparação com outros objetos naturais. Esses tipos de análise podem ter muitos usos abrangentes para olhar questões de atenção e salciência e podem ter muitas aplicações de alcance amplo em diferentes áreas de pesquisa.À medida que o uso de curtas-metragens como estímulos visuais se torna cada vez mais comum, esperamos que essa técnica se torne mais popular.

Research

JoVE Journal

Environment

Analysis of Fatty Acid Content and Composition in Microalgae

Análise do conteúdo de ácidos graxos e composição em Microalgas

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

Ambiente

Design and Construction of an Urban Runoff Research Facility

Projeto e Construção de um Mecanismo de Pesquisa escoamento urbano

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

Um Aquatic Microbial metaproteômica fluxo de trabalho: a partir de células para Tryptic Peptides adequado para análise baseada em espectrometria de massa em 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

O uso de um sistema automatizado (GreenFeed) para monitorar entérica de metano e dióxido de carbono As emissões dos ruminantes

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

Extraindo Métricas para sistemas radiculares tridimensionais: Análise de volume e de superfície de In-solo X-ray tomografia computadorizada de dados

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: Indivíduos Identificação por suas pegadas

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

Um sistema de vigilância por vídeo para monitorar a criação de colônias de andorinhas comuns (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

Protocolo para a produção de vídeo infravermelho tridimensional de congelamento em plantas

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

Quantificação de proteínas solúveis vegetais e carboidratos digeríveis conteúdo, usando o milho (Zea mays) como um 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

Acompanhamento a longo prazo de vídeo de animais aquáticos, Cohoused: um estudo de caso da atividade locomotora diária do lagostim (Nephrops norvegicus)