Maskinlæring til varsling af skadeligt bevaringsmiljø på arkiver, biblioteker og museer

Levetiden af kulturarvsmaterialer afhænger af det omgivende miljø. Materialer stiller forskellige krav til miljøet, men de fleste samlinger holder bedst, hvis de bevares køligt, i ren luft, med moderat, relativ fugtighed og udsættes for mindst muligt lys. Arkiver, biblioteker og museer bestræber sig derfor på at optimere miljøet i magasiner og udstillingsområder i forhold til materialerne. Det er ’best practice’, at institutionerne overvåger miljøet løbende og kontrollerer, at det holder sig inden for givne retningslinjer. Kontrollen bygger på analyse af indhentede miljødata, men da analysen sker efter, at uhensigtsmæssige
miljøhændelser, der kan nedbryde kulturarven, måtte være indtruffet,
risikerer man, at afhjælpende indsatser iværksættes for sent. Formålet med dette projekt er at undersøge mulighederne for at udvikle et nyt proaktivt system til miljøkontrol i magasiner, hvor vi kombinerer indendørs- og
udendørsmiljømålinger, og udnytter maskinlæring til at forudsige uønskede miljøhændelser. Dermed vil vi gøre det muligt at handle rettidigt og forhindre, at kulturarven lider skade. Det vil være et gennembrud inden for præventiv bevaring, hvis vi kan udvikle en metode, der tidligt kan varsle miljøforhold, der kan være kritiske for bevaringen af kulturarv. Et proaktivt system vil også kunne bidrage til at reducere energiforbruget.