The importance of the hippocampus in the formation and retrieval of episodic memory has been famously demonstrated in the case of patient H.M. Subsequent studies conducted in animal models have provided considerable insight into the specific functions of the individual components of the hippocampus. In the rodent, the pyramidal neurons of the CA1 and CA3 regions of the hippocampus have typically been associated with the encoding of visuo-spatial cues and their utilization in navigation. These ‘place cells’ fire when the animal is in a specific part of its environment (its place field). However, these cells also encode non-spatial information from other sensory inputs, such as olfaction and audition. This study was conducted to find out how contextual odor cues are represented in the firing of CA1 place cells and whether these cues could drive stable spatial representations. One group of mice was first extensively familiarized to a cylinder containing both visual cues and preserved, self-generated odor cues. Then, after assessing place field stability across a six hour delay, the visual and odor cues were rotated in opposite directions by ninety degrees (counter-rotated). Another group of mice was familiarized only to the visual cues that were subsequently rotated. The next day stability and rotation were re-assessed in a novel cylinder. However, the odor cues of the two groups were switched: the preserved odor cues of the first group were removed, and the odor cues of the second group were now preserved across the three sessions. In a separate experiment, a third group of animals was familiarized only to the odor cues. Firstly, we found that contextual odor cues attenuated rotation with the visual cues, but only following extensive familiarization. Secondly, the removal of familiar odor cues impaired long-term stability of place fields. Third and finally, the self-generated odor cues alone were not sufficient for the generation of stable place fields in a free, open-field exploration paradigm. We therefore conclude that although they are not as dominant as discrete visual cues, highly familiarized odor cues exert a significant effect on the representation of space of the mouse CA1 place cell, illustrating the role of contextually relevant information in navigating an ever-changing world.

Esta dissertação aborda o problema da utilização de classificadores paramétricos em dados de alta dimensionalidade. As vantagens trazidas pelos dados em alta dimensionalidade são bem conhecidas. Classes que são muito semelhantes podem, não obstante, ser separadas com um alto grau de acurácia desde que a classificação dos dados seja realizada em um espaço de alta dimensionalidade e que as matrizes de covariância das classes difiram significativamente. Sistemas sensores capazes de adquirir dados de imagem em alta dimensionalidade (dados de imagens hiperespectrais) foram, em parte, desenvolvidos para tirar proveito dessa condição. Nas condições do mundo real, no entanto, temos de enfrentar o problema de estimar um grande número de parâmetros, geralmente, com um número limitado de amostras. Amostras de treinamento são geralmente caras e demoradas para adquirir. Diferentes abordagens para resolver ou, pelo menos, atenuar este problema tem sido um tópico de investigação por parte da comunidade internacional em sensoriamento remoto. Entre outras, uma possível abordagem que tem sido proposta na literatura consiste em aumentar o número de amostras pela adição de amostras semi-rotuladas ao processo de estimação dos parâmetros do classificador. A metodologia investigada nesta dissertação segue esta abordagem geral. O foco principal deste estudo consiste em investigar uma abordagem para estimar os pesos a serem associados às amostras semi-rotuladas. A abordagem proposta inclui duas etapas. Na primeira, as estimativas iniciais para os pesos são realizadas de forma interativa, por meio da utilização de informações espectrais somente. Em uma segunda etapa, os pesos estimados são refinados por meio de informações de contexto espacial. A metodologia proposta é avaliada através de experimentos que fazem uso de dados de imagens hiperespectrais AVIRIS. Os resultados são apresentados e discutidos. Sugestões para futuras pesquisas neste tópico também são apresentados. / This dissertation deals with the problem of using parametric classifiers in high dimensional data settings. The advantages brought by high dimensional data are well known. Classes that are very similar can nonetheless be separated with a high degree of accuracy provided that the classification is performed in high dimensional data settings and that the classes’ covariance matrices differ significantly. Sensor system capable of acquiring high dimensional image data (hyperspectral image data) were in part developed to take advantage of this condition. In real world conditions, however, we have to face the problem of estimating a resulting large number of parameters with a generally limited number of samples. Training samples are usually expensive and time consuming to acquire. Different approaches to solve or at least mitigate this problem have been a topic of investigation by the international community in remote sensing. Among others, one possible approach that has been proposed in the literature consists in increasing the number of samples by adding semilabeled samples to the process of estimating the classifier’s parameters. The methodology investigated in this dissertation follows this general approach. The main focus in this study consists in investigating an approach to estimate the weights to be associated with the semilabeled samples. The proposed approach includes two steps. In the first one, initial estimates for the weights are performed in an iterative way, by making use of spectral information only. In a second step, the estimated weights are further adjusted by means of spatial context information. The proposed methodology is evaluated by experiments making use of AVIRIS hyperspectral image data. The results are presented and discussed. Suggestions for further research in this topic are also presented.

Esta dissertação aborda o problema da utilização de classificadores paramétricos em dados de alta dimensionalidade. As vantagens trazidas pelos dados em alta dimensionalidade são bem conhecidas. Classes que são muito semelhantes podem, não obstante, ser separadas com um alto grau de acurácia desde que a classificação dos dados seja realizada em um espaço de alta dimensionalidade e que as matrizes de covariância das classes difiram significativamente. Sistemas sensores capazes de adquirir dados de imagem em alta dimensionalidade (dados de imagens hiperespectrais) foram, em parte, desenvolvidos para tirar proveito dessa condição. Nas condições do mundo real, no entanto, temos de enfrentar o problema de estimar um grande número de parâmetros, geralmente, com um número limitado de amostras. Amostras de treinamento são geralmente caras e demoradas para adquirir. Diferentes abordagens para resolver ou, pelo menos, atenuar este problema tem sido um tópico de investigação por parte da comunidade internacional em sensoriamento remoto. Entre outras, uma possível abordagem que tem sido proposta na literatura consiste em aumentar o número de amostras pela adição de amostras semi-rotuladas ao processo de estimação dos parâmetros do classificador. A metodologia investigada nesta dissertação segue esta abordagem geral. O foco principal deste estudo consiste em investigar uma abordagem para estimar os pesos a serem associados às amostras semi-rotuladas. A abordagem proposta inclui duas etapas. Na primeira, as estimativas iniciais para os pesos são realizadas de forma interativa, por meio da utilização de informações espectrais somente. Em uma segunda etapa, os pesos estimados são refinados por meio de informações de contexto espacial. A metodologia proposta é avaliada através de experimentos que fazem uso de dados de imagens hiperespectrais AVIRIS. Os resultados são apresentados e discutidos. Sugestões para futuras pesquisas neste tópico também são apresentados. / This dissertation deals with the problem of using parametric classifiers in high dimensional data settings. The advantages brought by high dimensional data are well known. Classes that are very similar can nonetheless be separated with a high degree of accuracy provided that the classification is performed in high dimensional data settings and that the classes’ covariance matrices differ significantly. Sensor system capable of acquiring high dimensional image data (hyperspectral image data) were in part developed to take advantage of this condition. In real world conditions, however, we have to face the problem of estimating a resulting large number of parameters with a generally limited number of samples. Training samples are usually expensive and time consuming to acquire. Different approaches to solve or at least mitigate this problem have been a topic of investigation by the international community in remote sensing. Among others, one possible approach that has been proposed in the literature consists in increasing the number of samples by adding semilabeled samples to the process of estimating the classifier’s parameters. The methodology investigated in this dissertation follows this general approach. The main focus in this study consists in investigating an approach to estimate the weights to be associated with the semilabeled samples. The proposed approach includes two steps. In the first one, initial estimates for the weights are performed in an iterative way, by making use of spectral information only. In a second step, the estimated weights are further adjusted by means of spatial context information. The proposed methodology is evaluated by experiments making use of AVIRIS hyperspectral image data. The results are presented and discussed. Suggestions for further research in this topic are also presented.

Esta dissertação aborda o problema da utilização de classificadores paramétricos em dados de alta dimensionalidade. As vantagens trazidas pelos dados em alta dimensionalidade são bem conhecidas. Classes que são muito semelhantes podem, não obstante, ser separadas com um alto grau de acurácia desde que a classificação dos dados seja realizada em um espaço de alta dimensionalidade e que as matrizes de covariância das classes difiram significativamente. Sistemas sensores capazes de adquirir dados de imagem em alta dimensionalidade (dados de imagens hiperespectrais) foram, em parte, desenvolvidos para tirar proveito dessa condição. Nas condições do mundo real, no entanto, temos de enfrentar o problema de estimar um grande número de parâmetros, geralmente, com um número limitado de amostras. Amostras de treinamento são geralmente caras e demoradas para adquirir. Diferentes abordagens para resolver ou, pelo menos, atenuar este problema tem sido um tópico de investigação por parte da comunidade internacional em sensoriamento remoto. Entre outras, uma possível abordagem que tem sido proposta na literatura consiste em aumentar o número de amostras pela adição de amostras semi-rotuladas ao processo de estimação dos parâmetros do classificador. A metodologia investigada nesta dissertação segue esta abordagem geral. O foco principal deste estudo consiste em investigar uma abordagem para estimar os pesos a serem associados às amostras semi-rotuladas. A abordagem proposta inclui duas etapas. Na primeira, as estimativas iniciais para os pesos são realizadas de forma interativa, por meio da utilização de informações espectrais somente. Em uma segunda etapa, os pesos estimados são refinados por meio de informações de contexto espacial. A metodologia proposta é avaliada através de experimentos que fazem uso de dados de imagens hiperespectrais AVIRIS. Os resultados são apresentados e discutidos. Sugestões para futuras pesquisas neste tópico também são apresentados. / This dissertation deals with the problem of using parametric classifiers in high dimensional data settings. The advantages brought by high dimensional data are well known. Classes that are very similar can nonetheless be separated with a high degree of accuracy provided that the classification is performed in high dimensional data settings and that the classes’ covariance matrices differ significantly. Sensor system capable of acquiring high dimensional image data (hyperspectral image data) were in part developed to take advantage of this condition. In real world conditions, however, we have to face the problem of estimating a resulting large number of parameters with a generally limited number of samples. Training samples are usually expensive and time consuming to acquire. Different approaches to solve or at least mitigate this problem have been a topic of investigation by the international community in remote sensing. Among others, one possible approach that has been proposed in the literature consists in increasing the number of samples by adding semilabeled samples to the process of estimating the classifier’s parameters. The methodology investigated in this dissertation follows this general approach. The main focus in this study consists in investigating an approach to estimate the weights to be associated with the semilabeled samples. The proposed approach includes two steps. In the first one, initial estimates for the weights are performed in an iterative way, by making use of spectral information only. In a second step, the estimated weights are further adjusted by means of spatial context information. The proposed methodology is evaluated by experiments making use of AVIRIS hyperspectral image data. The results are presented and discussed. Suggestions for further research in this topic are also presented.

It has been suggested that commuting behaviours become habitual and that changes to commute mode are more likely at the time of major life events. However, evidence to support this has so far been limited to analyses of small-scale samples. To address this evidence gap, we use two waves of panel data from the UK Household Longitudinal Study (2009/10 and 2010/11) to identify and explain the prevalence of individual change in commute mode from year to year amongst a representative sample of the English working population (n = 15,200). One third of those that cycle or get the bus to work, and one quarter of those that walk to work, are shown to change commuting mode by the following year. Car commuting is more stable, with only one in ten car commuters changing mode by the following year. Commute mode changes are found to be primarily driven by alterations to the distance to work which occur in association with changing job or moving home. Switching to non-car commuting becomes much more likely (9.2 times) as the distance to work drops below three miles. High quality public transport links to employment centres are shown to encourage switches away from car commuting and mixed land uses are shown to encourage switches to active commuting (walking and cycling). Switches away from car commuting are found to be more likely (1.3 times) for those with a pro-environmental attitude. The attitude orientation is shown to precede the behaviour change, demonstrating evidence of ‘cause and effect’. Overall, the study shows that changes in commuting behaviour are strongly influenced by life events, spatial context and environmental attitude.

No description available.

Urban development plans in the Turkish planning system envision that a time would come and the spatial development of any city would be completed in the specific planning period. The allegation of the planning system is to control every detail during urban development. However, the static nature of development plans within the regulatory context cannot provide strategies to manage the dynamic nature of the socio-political context. This contradictory situation involves tensions in planning control mechanisms and creates cleavages within the spatial context. &amp / #8216 / Changes in the spatial context&amp / #8217 / are the indicators of such cleavages. They are conceived to be significant since they might enhance or erode the distinctiveness of a place. To the extent that possibility of change is disregarded in static nature of urban development plans, plan modifications become the primary tools for emergence of the &amp / #8216 / changes in spatial context&amp / #8217 / . They usually emerge through individual actions and individuals begin to produce their own pattern of urbanism in the urban built environment. Management and control of &amp / #8216 / changes in the spatial context&amp / #8217 / is at the very center of the study. It is about shaping the physical form of development rights. The study aims to evaluate the qualitative and quantitative influence of plan modifications on the spatial context through a study within the whole contexts of planning control mechanisms. Hence, the study also concentrates on the operation of planning control mechanisms in the Turkish planning system. The plan modifications are evaluated throughout a detailed analysis held within boundaries of Municipality of Greater Mersin.

Nesta dissertação está proposta uma metodologia para fins de detecção de mudanças do uso do solo em imagens multitemporais de sensoriamento remoto. Em lugar de classificar os pixels de imagens que cobrem uma cena, em duas classes exaustivas e mutuamente excludentes (mudança, não-mudança), propõe-se adotar uma abordagem do tipo fuzzy, na qual são estimados os graus de pertinência às classes mudança e não-mudança. Com este objetivo adota-se aqui uma abordagem em nível de sub-pixel na estimação dos graus de pertinência para cada pixel. Esta abordagem se mostra mais adequada para fins de modelagem do que ocorre em cenas naturais, onde as alterações que acontecem ao longo de um período de tempo tendem a apresentar uma variação contínua em lugar de discreta. Em uma segunda etapa, os graus de pertinência estimados recebem um ajustamento adicional por meio da introdução de informações de contexto espacial. A metodologia proposta foi testada por meio de três experimentos, um empregando uma imagem sintética e dois utilizando imagens reais. A partir da análise quantitativa dos resultados e comparação com estudos semelhantes, comprova-se a adequação da metodologia proposta. / In this dissertation it is proposed a new methodology to land use change detection in remote sensing multitemporal image data. Rather than applying a rigid labeling of the pixels in the image data into two classes (change, no-change), we propose estimating the degrees of membership to classes change and no-change in a fuzzy-like fashion. To this end, a sub-pixel approach is implemented to detect the degree of change in every pixel. This methodology aims at modeling natural scenes in a more realistic way, since changes in natural scenes tend to occur in a continuum rather than in a sharp distinctive way. In a second step, the estimated values for the degrees of membership are further refined by means of spatial context information. Three experiments were performed to test the proposed methodology, one employing synthetic data and two using real image data. From the quantitative analysis of the results and from similar studies we can prove the adequacy of the proposed methodology.

Nesta dissertação está proposta uma metodologia para fins de detecção de mudanças do uso do solo em imagens multitemporais de sensoriamento remoto. Em lugar de classificar os pixels de imagens que cobrem uma cena, em duas classes exaustivas e mutuamente excludentes (mudança, não-mudança), propõe-se adotar uma abordagem do tipo fuzzy, na qual são estimados os graus de pertinência às classes mudança e não-mudança. Com este objetivo adota-se aqui uma abordagem em nível de sub-pixel na estimação dos graus de pertinência para cada pixel. Esta abordagem se mostra mais adequada para fins de modelagem do que ocorre em cenas naturais, onde as alterações que acontecem ao longo de um período de tempo tendem a apresentar uma variação contínua em lugar de discreta. Em uma segunda etapa, os graus de pertinência estimados recebem um ajustamento adicional por meio da introdução de informações de contexto espacial. A metodologia proposta foi testada por meio de três experimentos, um empregando uma imagem sintética e dois utilizando imagens reais. A partir da análise quantitativa dos resultados e comparação com estudos semelhantes, comprova-se a adequação da metodologia proposta. / In this dissertation it is proposed a new methodology to land use change detection in remote sensing multitemporal image data. Rather than applying a rigid labeling of the pixels in the image data into two classes (change, no-change), we propose estimating the degrees of membership to classes change and no-change in a fuzzy-like fashion. To this end, a sub-pixel approach is implemented to detect the degree of change in every pixel. This methodology aims at modeling natural scenes in a more realistic way, since changes in natural scenes tend to occur in a continuum rather than in a sharp distinctive way. In a second step, the estimated values for the degrees of membership are further refined by means of spatial context information. Three experiments were performed to test the proposed methodology, one employing synthetic data and two using real image data. From the quantitative analysis of the results and from similar studies we can prove the adequacy of the proposed methodology.

Nesta dissertação está proposta uma metodologia para fins de detecção de mudanças do uso do solo em imagens multitemporais de sensoriamento remoto. Em lugar de classificar os pixels de imagens que cobrem uma cena, em duas classes exaustivas e mutuamente excludentes (mudança, não-mudança), propõe-se adotar uma abordagem do tipo fuzzy, na qual são estimados os graus de pertinência às classes mudança e não-mudança. Com este objetivo adota-se aqui uma abordagem em nível de sub-pixel na estimação dos graus de pertinência para cada pixel. Esta abordagem se mostra mais adequada para fins de modelagem do que ocorre em cenas naturais, onde as alterações que acontecem ao longo de um período de tempo tendem a apresentar uma variação contínua em lugar de discreta. Em uma segunda etapa, os graus de pertinência estimados recebem um ajustamento adicional por meio da introdução de informações de contexto espacial. A metodologia proposta foi testada por meio de três experimentos, um empregando uma imagem sintética e dois utilizando imagens reais. A partir da análise quantitativa dos resultados e comparação com estudos semelhantes, comprova-se a adequação da metodologia proposta. / In this dissertation it is proposed a new methodology to land use change detection in remote sensing multitemporal image data. Rather than applying a rigid labeling of the pixels in the image data into two classes (change, no-change), we propose estimating the degrees of membership to classes change and no-change in a fuzzy-like fashion. To this end, a sub-pixel approach is implemented to detect the degree of change in every pixel. This methodology aims at modeling natural scenes in a more realistic way, since changes in natural scenes tend to occur in a continuum rather than in a sharp distinctive way. In a second step, the estimated values for the degrees of membership are further refined by means of spatial context information. Three experiments were performed to test the proposed methodology, one employing synthetic data and two using real image data. From the quantitative analysis of the results and from similar studies we can prove the adequacy of the proposed methodology.