MétaCan
Menu
Retour à la cohorte
Enregistrement W2000228604 · doi:10.1179/136821910x12695060594165

Insights into animal temperature adaptations revealed through thermal imaging

2010· article· en· W2000228604 sur OpenAlexafffund
Glenn J. Tattersall, Viviana Cadena

Notice bibliographique

RevueThe Imaging Science Journal · 2010
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueEffects of Environmental Stressors on Livestock
Établissements canadiensBrock University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésOverheating (electricity)ThermalHeat sinkHeat transferBiological systemHeat flowHeat generationEndothermic processMechanicsEnvironmental scienceComputer scienceChemistryThermodynamicsBiologyPhysics

Résumé

récupéré en direct d'OpenAlex

Infrared thermal technology allows for the real-time visualisation of fixed or transient changes in the long-wave radiative energy emanating from an object, in essence, allowing for the estimation of surface temperature. Animal surface temperatures are, therefore, readily detected using this technology, allowing for the assessment of physiological responses associated with the regulation of body temperature. In this paper, we will introduce some recent advances made possible or enhanced through the use of thermal imaging. In particular, this imaging technology has shed light on the regulation of peripheral blood flow in endothermic animals, on the dynamics of animal heat transfer in complex thermal environments, on the production of heat associated with metabolism and on the importance of evaporative heat loss to respiratory function and its potential contribution to preventing overheating of the brain. More than a simple imager for temperature, this technology has the potential to contribute a greater understanding of animal thermal adaptations, not only since it provides live information on surface temperatures, but more importantly because its non-invasive nature which allows measurements to be obtained with minimal disturbance.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,008
Tête enseignante GPT0,234
Écart entre enseignants0,227 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations88
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Imaging Science JournalMême sujetEffects of Environmental Stressors on LivestockTravaux en français237 207