Where's Spot?

Es la hora de comer y el perrito Spot no aparece,su madre le busca por la casa, en el reloj, en el piano. Debajo de cada solapa hay una sorpresa divertida.

Spot goes to the park.

Spot va a jugar al parque con sus amigos. Se divierte, juega a la pelota, monta en los columpios y comete alguna travesura. Al levantar las solapas te sorprenderás.

Spot can count.

Spot puede contar del 1 al 10. Y para probar esta habilidad hace un viaje a la granja con su papá. A los niños les encantará aprender a contar con Spot y sus amigos del corral, y compartir la diversión de encontrar las respuestas escondidas bajo las solapas.

Spot and his grandparents go to the carnival.

Es el día del carnaval y Spot va al desfile con sus abuelos. El abuelo esta acostumbrado a ser un bombero, así que Spot y sus amigos montan en el viejo coche de bomberos del abuelo. Spot piensa que ha pasado el mejor día de carnaval de su vida.

Spot's first christmas.

Participa con el perrito Spot en esta historia que narra su primera Navidad. Descubre lo emocionante y divertido que es levantar las solapas y descubrir lo que hay debajo de ellas.

Spot's magical christmas.

Es Nochebuena y el trineo de Santa Claus se ha perdido. El perrito Spot y sus amigos, el hipopótamo Helen, el caimán Tom y el mono, Steve van en su busca. Spot vive una mágica aventura en el trineo tirado por renos,atravesando un cielo estrellado y en dirección al valle donde vive Santa Claus y realiza los preparativos para la gran noche de los niños.

Spot's baby sister.

Spot recibe la sorpresa de una hermanita llamada Susie. Spot juega con ella y con sus amigos,el hipopótamo Helen y el caimán Tom. A los niños de uno a tres años les encantará levantar las solapas y sorprenderse con lo que encuentran debajo de ellas.

Spot's birthday party.

Es el cumpleaños de Spot y quiere jugar al escondite con sus amigos. Los niños muy pequeños pueden también jugar con Spot y ayudarle a encontrarlos, pues están ocultos bajo las solapas.

Spot bakes a cake.

Es el cumpleaños de papá y Spot quiere sorprenderle con un pastel de chocolate. Con ayuda de mamá,compra los ingredientes,los mezcla y decora el pastel, también prepara una tarjeta de felicitación.Levanta las solapas y te encantará lo que hay debajo.

Spot goes to the circus.

El balón de Spot rebota en la carpa del circo y el cachorro sale en su busca. Los niños se divierten, levantado las solapas y ayudando al perrito a descubrir donde esta su pelota: no está en la nariz del payaso, ni en la boca del león, no la tiene el elefante de los globos, ni la cerdita equilibrista, tampoco el canguro saltarín.

Communicating eye gaze across a distance without rooting participants to the spot

Eye gaze is an important conversational resource that until now could only be supported across a distance if people were rooted to the spot. We introduce EyeCVE, the worldpsilas first tele-presence system that allows people in different physical locations to not only see what each other are doing but follow each otherpsilas eyes, even when walking about. Projected into each space are avatar representations of remote participants, that reproduce not only body, head and hand movements, but also those of the eyes. Spatial and temporal alignment of remote spaces allows the focus of gaze as well as activity and gesture to be used as a resource for non-verbal communication. The temporal challenge met was to reproduce eye movements quick enough and often enough to interpret their focus during a multi-way interaction, along with communicating other verbal and non-verbal language. The spatial challenge met was to maintain communicational eye gaze while allowing free movement of participants within a virtually shared common frame of reference. This paper reports on the technical and especially temporal characteristics of the system.

Multiscale geostatistical analysis of AVHRR, SPOT-VGT, and MODIS global NDVI products

Global NDVI data are routinely derived from the AVHRR, SPOT-VGT, and MODIS/Terra earth observation records for a range of applications from terrestrial vegetation monitoring to climate change modeling. This has led to a substantial interest in the harmonization of multisensor records. Most evaluations of the internal consistency and continuity of global multisensor NDVI products have focused on time-series harmonization in the spectral domain, often neglecting the spatial domain. We fill this void by applying variogram modeling (a) to evaluate the differences in spatial variability between 8-km AVHRR, 1-km SPOT-VGT, and 1-km, 500-m, and 250-m MODIS NDVI products over eight EOS (Earth Observing System) validation sites, and (b) to characterize the decay of spatial variability as a function of pixel size (i.e. data regularization) for spatially aggregated Landsat ETM+ NDVI products and a real multisensor dataset. First, we demonstrate that the conjunctive analysis of two variogram properties – the sill and the mean length scale metric – provides a robust assessment of the differences in spatial variability between multiscale NDVI products that are due to spatial (nominal pixel size, point spread function, and view angle) and non-spatial (sensor calibration, cloud clearing, atmospheric corrections, and length of multi-day compositing period) factors. Next, we show that as the nominal pixel size increases, the decay of spatial information content follows a logarithmic relationship with stronger fit value for the spatially aggregated NDVI products (R2 = 0.9321) than for the native-resolution AVHRR, SPOT-VGT, and MODIS NDVI products (R2 = 0.5064). This relationship serves as a reference for evaluation of the differences in spatial variability and length scales in multiscale datasets at native or aggregated spatial resolutions. The outcomes of this study suggest that multisensor NDVI records cannot be integrated into a long-term data record without proper consideration of all factors affecting their spatial consistency. Hence, we propose an approach for selecting the spatial resolution, at which differences in spatial variability between NDVI products from multiple sensors are minimized. This approach provides practical guidance for the harmonization of long-term multisensor datasets.