Addressing Climate Change Resilience in Pavements: Major Vulnerability Issues and Adaptation Measures
Notice bibliographique
Résumé
Climate change is the one of the greatest challenges of our time, and it poses a threat to the surrounding built and natural environments. This review paper addresses climate change resilience in pavements by considering major vulnerability issues and adaptation measures. First, a review on foundational information of climate change related to transportation infrastructure is provided to bring all transportation professionals and practitioners to the same knowledge base on climate change terminology. Such information includes sources of climate information, climate scenarios, downscaling climate data, and uncertainty in climate projection information. Relevant climate stressors to pavements are discussed in some depth, including the most significant ones, which are increases in temperature and precipitation intensity. Thus, the proposed different engineering-informed adaptation measures relevant to the climate stressors of interest were evidence-based with reference to published peer-reviewed articles and case studies. Such adaptation solutions are related to monitoring pavement key performance parameters and pavement adaptations in structural design, robust materials and mix design, along with adaptation in maintenance, regulation, and construction. Efforts to adapt pavement systems to climate change are ongoing. In addition to such research works, this study concludes that impacts of adaptation measures on pavement and environment should be incorporated in the decision-making process in planning and design. This makes it important to integrate practical adaptation strategies in design and construction standards and guides, and implement awareness and education of climate change adaptation among engineers and practitioners.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».