No / Wheel structure has a critical influence on grinding performance especially active cutting edge density. Experiments were carried out to find out the relationshipbetween active and staticcutting edge density. It was found that there are many more active cutting edges in grinding than expected based on chip thickness formulae mainly due to wheel deflection in grinding.

People use orientation of their faces to convey rich, inter-personal information. For example, a person will direct his face to indicate who the intended target of the conversation is. Similarly in a conversation, face orientation is a non-verbal cue to listener when to switch role and start speaking, and a nod indicates that a person has understands, or agrees with, what is being said. Further more, face pose estimation plays an important role in human-computer interaction, virtual reality applications, human behaviour analysis, pose-independent face recognition, driver s vigilance assessment, gaze estimation, etc. Robust face recognition has been a focus of research in computer vision community for more than two decades. Although substantial research has been done and numerous methods have been proposed for face recognition, there remain challenges in this field. One of these is face recognition under varying poses and that is why face pose estimation is still an important research area. In computer vision, face pose estimation is the process of inferring the face orientation from digital imagery. It requires a serious of image processing steps to transform a pixel-based representation of a human face into a high-level concept of direction. An ideal face pose estimator should be invariant to a variety of image-changing factors such as camera distortion, lighting condition, skin colour, projective geometry, facial hairs, facial expressions, presence of accessories like glasses and hats, etc. Face pose estimation has been a focus of research for about two decades and numerous research contributions have been presented in this field. Face pose estimation techniques in literature have still some shortcomings and limitations in terms of accuracy, applicability to monocular images, being autonomous, identity and lighting variations, image resolution variations, range of face motion, computational expense, presence of facial hairs, presence of accessories like glasses and hats, etc. These shortcomings of existing face pose estimation techniques motivated the research work presented in this thesis. The main focus of this research is to design and develop novel face pose estimation algorithms that improve automatic face pose estimation in terms of processing time, computational expense, and invariance to different conditions.

The boreal forest in Fennoscandia has been subjected to major loss and fragmentation of natural forests due to intensive forestry. This has resulted in that forest edges are now abundant and important landscape features. Edges have documented effects on the structure, function and biodiversity in forests. Edge influence on biodiversity is complex and depends on interactions between many local and regional factors. This thesis focuses on sharp forest edges and their potential to influence biodiversity at the landscape-level. I have developed a method for quantification and characterization of sharp forest edges by interpretation of colour infrared (CIR) aerial photographs in combination with line intersect sampling (LIS) and sample plots. The method was used to estimate density of forest edge in 28 landscapes (each 1600 ha) in northern Sweden, differing in management intensity, landscape composition and geographical location. Forest edges were described in detail using edge, canopy and neighbourhood attributes. By combining these attributes it was possible to classify edges with respect to levels of exposure. A field experiment was conducted to examine the effect of edge contrast on growth of the old forest lichen Usnea longissima. The edge quantification method is accurate and efficient for estimating the length of sharp forest edges on an area basis (edge density, m ha-1) and for collecting detailed attributes of edges and their surroundings. In northern Sweden, the forest edge density is high (54 m ha-1) but varies extensively (12-102 m ha-1) between landscapes. Edge density is strongly correlated with the level of human disturbance and increases towards the southern part of the study area, at lower altitudes were management intensity is highest. Edge orientation, contrast and neighbourhood size shows an immense variation between edges and also varies between edge types. Regenerating edges are generally of higher contrast and face larger neighbourhoods than natural edges. Maintained edges had high contrast but small neighbourhoods. A larger proportion of edges in mature forests are highly exposed to microclimatic edge influence than edges in general. The field experiment revealed that growth of U. longissima was highest near edges where the vegetation on the adjacent area was sheltering, but not shading, the lichen. In the present thesis, I have provided a valuable tool for estimating density of forest edges with potential to yield information on important factors determining edge influence at landscape-level. The large variability in edge density, edge and neighbourhood attributes imply large differences in microclimate anf thus in the potential for ede influence. Management and conservation strategies must incorporate these factors to realistically address edge influence on biota at the landscape-level.

In dieser Arbeit wurde der Frage nachgegangen, inwieweit sich die Habitatansprüche von drei Brutvogelarten, der Offenlandart Feldlerche (Alauda arvensis), der Heckenart Neuntöter (Lanius collurio) und der Waldart Schwarzspecht (Dryocopus martius), mit Landschaftsstrukturmaßen darstellen lassen, und ob sich Landschaftsstrukturmaße für die Habitatmodellierung eignen. Basis für die Berechnung der Landschaftsstrukturmaße ist ein Flächenschema des IÖR-Monitors aus dem Jahr 2013, welches aus Daten des AFIS-ALKIS-ATKIS-Modells (AAA-Modells) aufgebaut wurde. Dieses Schema bietet redundanzfreie Flächennutzungsdaten für ganz Deutschland. Da es nur flächenhafte Elemente enthielt, wurde es um gepufferte linienhafte Elemente, genauer um Hecken, Baumreihen und Feldwege ergänzt. Die Artdaten stammen aus dem Monitoring häufiger Brutvögel (MhB), ebenfalls aus dem Jahr 2013. Die Berechnungen der Landschaftsstrukturmaße wurden mittels ArcGIS-Modellen durchgeführt. Für die Feldlerche und den Schwarzspecht wurden die Landschaftsstrukturmaße Mean Shape Index (MSI), Mean Patch Size (MPS), Anteil geeigneter Habitate (Percentage of Landscape, PLand), Total Core Area (TCA), Fläche geeigneter Biotope ohne anthropogene Störeinflüsse (Fl_ungest) und die Kantendichte der Landschaft (Edge Density, ED) berechnet. Für den Neuntöter sind es MSI, MPS, PLand, Fl_ungest, die Kantendichte und die Fläche geeigneter Gehölzbiotope und Hecken. Es wurde aufgezeigt, dass teilweise höchst signifikante lineare Zusammenhänge zwischen dem Vorkommen der drei Arten und den Landschaftsstrukturmaßen existieren. Die damit erklärten Streuungen der Brutpaarzahlen sind allerdings relativ gering. Das Bestimmtheitsmaß B oder R² der Regressionsgeraden beträgt für die Feldlerche maximal 0,285 bei der Fläche ungestörter Habitate, für den Schwarzspecht maximal 0,332 bei dem Anteil geeigneter Habitate und beim Neuntöter lediglich 0,038, ebenfalls für die Fläche ungestörter Habitate. Der Grund hierfür ist, dass die Arten Ansprüche an die Habitate stellen, die sich nicht mit Landschaftsstrukturmaßen erklären lassen. Die Modelle der multiplen linearen Regression sind ungeeignet, um Brutpaarzahlen der Arten vorherzusagen. Ohnehin war es nur für die Feldlerche möglich, ein solches Modell zu erstellen, das höhere Bestimmtheitsmaße aufweist als die einzelnen Landschaftsstrukturmaße. Deutlich bessere Ergebnisse wurden mit einem Modell erzielt, das die Eignung der Landschaft und ihrer Struktur als Habitat anhand einer Bewertungsmatrix beurteilt. Hier wurde bestimmt, wie hoch der Anteil besetzter Untersuchungsflächen an der Gesamtzahl von Untersuchungsflächen einer bestimmten Gesamtpunktzahl ist. Die Zusammenhänge zwischen Punktzahl und Anteil besetzter Flächen wurde mit teils nichtlinearen Regressionsfunktionen dargestellt. Der Anteil erklärter Abweichungen (R²) beträgt bei der Funktion der Feldlerche 97,1%, der des Schwarzspechts 88,5% und der des Neuntö-ters 49,3%.

In dieser Arbeit wurde der Frage nachgegangen, inwieweit sich die Habitatansprüche von drei Brutvogelarten, der Offenlandart Feldlerche (Alauda arvensis), der Heckenart Neuntöter (Lanius collurio) und der Waldart Schwarzspecht (Dryocopus martius), mit Landschaftsstrukturmaßen darstellen lassen, und ob sich Landschaftsstrukturmaße für die Habitatmodellierung eignen. Basis für die Berechnung der Landschaftsstrukturmaße ist ein Flächenschema des IÖR-Monitors aus dem Jahr 2013, welches aus Daten des AFIS-ALKIS-ATKIS-Modells (AAA-Modells) aufgebaut wurde. Dieses Schema bietet redundanzfreie Flächennutzungsdaten für ganz Deutschland. Da es nur flächenhafte Elemente enthielt, wurde es um gepufferte linienhafte Elemente, genauer um Hecken, Baumreihen und Feldwege ergänzt. Die Artdaten stammen aus dem Monitoring häufiger Brutvögel (MhB), ebenfalls aus dem Jahr 2013. Die Berechnungen der Landschaftsstrukturmaße wurden mittels ArcGIS-Modellen durchgeführt. Für die Feldlerche und den Schwarzspecht wurden die Landschaftsstrukturmaße Mean Shape Index (MSI), Mean Patch Size (MPS), Anteil geeigneter Habitate (Percentage of Landscape, PLand), Total Core Area (TCA), Fläche geeigneter Biotope ohne anthropogene Störeinflüsse (Fl_ungest) und die Kantendichte der Landschaft (Edge Density, ED) berechnet. Für den Neuntöter sind es MSI, MPS, PLand, Fl_ungest, die Kantendichte und die Fläche geeigneter Gehölzbiotope und Hecken. Es wurde aufgezeigt, dass teilweise höchst signifikante lineare Zusammenhänge zwischen dem Vorkommen der drei Arten und den Landschaftsstrukturmaßen existieren. Die damit erklärten Streuungen der Brutpaarzahlen sind allerdings relativ gering. Das Bestimmtheitsmaß B oder R² der Regressionsgeraden beträgt für die Feldlerche maximal 0,285 bei der Fläche ungestörter Habitate, für den Schwarzspecht maximal 0,332 bei dem Anteil geeigneter Habitate und beim Neuntöter lediglich 0,038, ebenfalls für die Fläche ungestörter Habitate. Der Grund hierfür ist, dass die Arten Ansprüche an die Habitate stellen, die sich nicht mit Landschaftsstrukturmaßen erklären lassen. Die Modelle der multiplen linearen Regression sind ungeeignet, um Brutpaarzahlen der Arten vorherzusagen. Ohnehin war es nur für die Feldlerche möglich, ein solches Modell zu erstellen, das höhere Bestimmtheitsmaße aufweist als die einzelnen Landschaftsstrukturmaße. Deutlich bessere Ergebnisse wurden mit einem Modell erzielt, das die Eignung der Landschaft und ihrer Struktur als Habitat anhand einer Bewertungsmatrix beurteilt. Hier wurde bestimmt, wie hoch der Anteil besetzter Untersuchungsflächen an der Gesamtzahl von Untersuchungsflächen einer bestimmten Gesamtpunktzahl ist. Die Zusammenhänge zwischen Punktzahl und Anteil besetzter Flächen wurde mit teils nichtlinearen Regressionsfunktionen dargestellt. Der Anteil erklärter Abweichungen (R²) beträgt bei der Funktion der Feldlerche 97,1%, der des Schwarzspechts 88,5% und der des Neuntö-ters 49,3%.