MétaCan
Menu
Retour à la cohorte
Enregistrement W4289135211 · doi:10.3390/heritage5030100

Moisture as a Driver of Long-Term Threats to Timber Heritage—Part I: Changing Heritage Climatology

2022· article· en· W4289135211 sur OpenAlexaboutno aff
Jenny Richards, Peter Brimblecombe

Notice bibliographique

RevueHeritage · 2022
Typearticle
Langueen
DomaineArts and Humanities
ThématiqueConservation Techniques and Studies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésClimate changeEnvironmental scienceClimatologyRelative humidityGeographyTropicsHumidityApparent temperatureRange (aeronautics)Physical geographyMeteorologyGeologyEcologyOceanography

Résumé

récupéré en direct d'OpenAlex

Timber is widely used in the construction of buildings on a global scale, but it is sensitive to degradation. Moisture notably poses a risk to timber decay, and this is likely to change significantly during the 21st century if a high emission scenario occurs. Global HadGEM3 model output was used to map projected changes in relative humidity range, seasonality of relative humidity, time of wetness, wind-driven rain, salt transitions and potential for fungal attack (Scheffer Index). In the Congo Basin, Great Plains (USA) and Scandinavia, humidity ranges are likely to increase along with seasonal change. In many parts of the tropics, time of wetness is likely to decrease by the end of the century. Increases in days of wind-driven rain are projected for western Russia, eastern Europe, Alaska, western Canada and Southern Brazil and Paraguay. Drylands have historically had a low salt risk, but this is projected to increase. In the future, a broad extension of fungal risk along the Himalayas and into central China seems likely, driven as much by temperature as rainfall. The picture presented suggests a slightly less humid heritage climate, which will redistribute the risks to heritage. Mapping global pressures of timber decay could help policymakers and practitioners identify geographically disparate regions that face similar pressures.

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)0,001
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil0,106

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,041
Tête enseignante GPT0,271
Écart entre enseignants0,230 · 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

Citations28
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHeritageMême sujetConservation Techniques and StudiesTravaux en français237 207