Statistical evaluation of texture analysis from the biocrystallization method

The consumers are becoming more concerned about food quality, especially regarding how, when and where the foods are produced (Haglund et al., 1999; Kahl et al., 2004; Alföldi, et al., 2006). Therefore, during recent years there has been a growing interest in the methods for food quality assessment, especially in the picture-development methods as a complement to traditional chemical analysis of single compounds (Kahl et al., 2006). The biocrystallization as one of the picture-developing method is based on the crystallographic phenomenon that when crystallizing aqueous solutions of dihydrate CuCl2 with adding of organic solutions, originating, e.g., from crop samples, biocrystallograms are generated with reproducible crystal patterns (Kleber & Steinike-Hartung, 1959). Its output is a crystal pattern on glass plates from which different variables (numbers) can be calculated by using image analysis. However, there is a lack of a standardized evaluation method to quantify the morphological features of the biocrystallogram image. Therefore, the main sakes of this research are (1) to optimize an existing statistical model in order to describe all the effects that contribute to the experiment, (2) to investigate the effect of image parameters on the texture analysis of the biocrystallogram images, i.e., region of interest (ROI), color transformation and histogram matching on samples from the project 020E170/F financed by the Federal Ministry of Food, Agriculture and Consumer Protection(BMELV).The samples are wheat and carrots from controlled field and farm trials, (3) to consider the strongest effect of texture parameter with the visual evaluation criteria that have been developed by a group of researcher (University of Kassel, Germany; Louis Bolk Institute (LBI), Netherlands and Biodynamic Research Association Denmark (BRAD), Denmark) in order to clarify how the relation of the texture parameter and visual characteristics on an image is. The refined statistical model was accomplished by using a lme model with repeated measurements via crossed effects, programmed in R (version 2.1.0). The validity of the F and P values is checked against the SAS program. While getting from the ANOVA the same F values, the P values are bigger in R because of the more conservative approach. The refined model is calculating more significant P values. The optimization of the image analysis is dealing with the following parameters: ROI(Region of Interest which is the area around the geometrical center), color transformation (calculation of the 1 dimensional gray level value out of the three dimensional color information of the scanned picture, which is necessary for the texture analysis), histogram matching (normalization of the histogram of the picture to enhance the contrast and to minimize the errors from lighting conditions). The samples were wheat from DOC trial with 4 field replicates for the years 2003 and 2005, “market samples”(organic and conventional neighbors with the same variety) for 2004 and 2005, carrot where the samples were obtained from the University of Kassel (2 varieties, 2 nitrogen treatments) for the years 2004, 2005, 2006 and “market samples” of carrot for the years 2004 and 2005. The criterion for the optimization was repeatability of the differentiation of the samples over the different harvest(years). For different samples different ROIs were found, which reflect the different pictures. The best color transformation that shows efficiently differentiation is relied on gray scale, i.e., equal color transformation. The second dimension of the color transformation only appeared in some years for the effect of color wavelength(hue) for carrot treated with different nitrate fertilizer levels. The best histogram matching is the Gaussian distribution. The approach was to find a connection between the variables from textural image analysis with the different visual criteria. The relation between the texture parameters and visual evaluation criteria was limited to the carrot samples, especially, as it could be well differentiated by the texture analysis. It was possible to connect groups of variables of the texture analysis with groups of criteria from the visual evaluation. These selected variables were able to differentiate the samples but not able to classify the samples according to the treatment. Contrarily, in case of visual criteria which describe the picture as a whole there is a classification in 80% of the sample cases possible. Herewith, it clearly can find the limits of the single variable approach of the image analysis (texture analysis).

Biohöfe als Ausgangspunkte informeller Lernprozesse

Die Arbeit befasst sich mit der Frage nach dem Einfluss von Biohöfen auf die Menschen, die in ihrem Umfeld leben. Sie bietet Einblicke in die Zusammenhänge, in denen Nachbarn, Kollegen, Freunde oder Kunden einen Biohof gezielt oder eher zufällig nutzen, um hier informell Erfahrungen zu sammeln, die zu nachhaltigen Lebennstilen und Wirtschaftsweisen beitragen können. Im Rahmen von sechs Fallstudien wurden hierfür ökologisch wirtschaftende Landwirtschaftsbetriebe in Brandenburg im Hinblick auf die informelle Vermittlung von Wissen und Erfahrungen qualitativ untersucht. Mit Hilfe der Grounded Theory wird die Entstehung von informellen Lernprozessen im sozialen Umfeld der Höfe rekonstruiert. Neben dem empirischen Ausgangsmaterial erwiesen sich die handlungstheoretischen Konstrukte Lebenswelt, Habitus, Lebensstil und Lebensführung als hilfreicher Interpretationshintergrund. Mit diesen theoretischen Ansätzen werden die soziokulturellen Einflussfaktoren für Erfahren, Lernen und Vermitteln betont. Informelles Lernen wird so als ein sozial eingebetteter Prozess verstanden. Aus dieser, weniger subjektorientierten Perspektive treten dann Faktoren wie z.B. die Atmosphäre der Beziehung zwischen einer Person und dem Biohof, die sinnliche Wahrnehmung und die Art der Kommunikation in das Blickfeld der Analyse. In der Untersuchung wird eine Vielzahl von Verhaltensänderungen, Denkanstößen und Anregungen benannt, die im Zusammenhang mit den untersuchten Biohöfen geschildert wurden und die im Hinblick auf eine nachhaltige Entwicklung als förderlich eingeschätzt werden. Sie basieren, so der Ansatz der Arbeit, auf informellen Lernprozessen. Das zentrale Ergebnis der Fallanalysen ist eine strukturierte Zusammenstellung der im Untersuchungskontext relevanten Einflussfaktoren für erfolgreiches informelles Lernen. Als wesentliche erscheinen hierbei insbesondere zwei Variablen: zum einen hat sich das „wohlwollende Interesse“ als förderlich für das Zustandekommen und den Verlauf von informellen Lernprozessen herausgestellt. Mit diesem Begriff wird eine Einstellung dem Biohof gegenüber beschrieben, die ein Wohlgesonnensein, das Vertrauen und die Neugierde am Hof beinhaltet. Zum anderen scheint die „Erlebbarkeit“ der Angebote zur Wissensvermittlung für das informelle, habitus- und lebensstilbezogene Lernen bedeutsam zu sein. Ergänzend zu dem auf die lernenden Subjekte gerichteten Fokus wurden in der Forschungsarbeit auch Beweggründe der Betriebsleiter, für die jeweils praktizierte Wissens- und Erfahrungsvermittlung herausgearbeitet. Die Betrachtung wird durch die Zusammenstellung von Schwierigkeiten und Hindernissen abgerundet, die dem informellen Lernen vom Biohof entgegen stehen können. Ausgehend von den fallbezogenen Ergebnissen liefert die Arbeit damit eine Grundlage, um über die Bedeutung von Lernfeldern, die durch Biolandwirte, aber auch andere Akteursgruppen bereit gestellt werden, nachzudenken und um ihre gesellschaftliche Relevanz zu diskutieren.

Factors affecting peasants’ empowerment in West Halmahera District – a case study from Indonesia

Agricultural development has not yet created empowered farmers in Indonesia. Most farmers living in eastern Indonesia are peasants with low access to development resources. This condition causes most of the peasants to be classified as poor citizens. This research was meant to formulate improvement strategies for empowerment of the peasants. The data were collected between March – May 2012 using the following methods: observation, interview and focus group discussion. The data was analysed using descriptive statistic and structural equation modelling (SEM) and showed that: (1) the empowerment of peasants was within the lowest category for all variables, namely: the peasant characteristics, the role of the agents for development, program quality, the learning process and access to environmental support, (2) the determining factors affecting the empowerment of the peasants were: program implementation quality, the role of the agents of development, environmental access and support, the peasant characteristics, and the appropriateness of the learning process and (3) the strategy to improve empowerment of the peasants could be through corrective efforts towards program implementation quality, the role of facilitators, environmental access and support while considering the peasant characteristics and the learning process of the peasants.