Analysing the influence of growing conditions on both energy load and crop yield of a controlled environment agriculture space
Notice bibliographique
Résumé
Controlled environment agriculture, such as vertical farming, consists of stacking crops in a controlled environment and is transforming agriculture by providing a highly productive solution for year-round production. However, vertical farms are also energy-intensive due to precise control of the growing conditions (temperature, humidity, carbon dioxide, and lighting). While many studies focus on optimising indoor conditions to enhance yield, the impact of those growing conditions on energy is often overlooked. This study aims to provide a comprehensive analysis, using a dynamic model, of the influence of growing conditions typically used to cultivate lettuces on energy and crop yield. Several combinations of air temperatures (20, 24 and 28 °C), vapour pressure deficits (0.54 and 0.85 kPa), lighting intensities (200 to 700 μmol·m−2·s−1) and photoperiods (12 to 24 h) are studied. The dynamic model, developed using a building performance simulation tool, supports the simultaneous assessment of energy load and crop yield. It includes a model of a small-scale vertical farm that integrates a dynamic crop model to estimate heat gains/losses from crops and crop growth rate according to growing conditions. The results indicated that the best compromise between energy load and yield is at an air temperature of 24 °C. Moreover, lowering lighting intensity and extending the photoperiod positively impacted both energy load and yield. Certain growing conditions, such as lowering the vapour pressure deficit, can reduce the need for dehumidification. Additionally, for lighting intensities exceeding 500 μmol∙m−2∙s−1, although the energy load continued to increase linearly with the lighting intensity, the growth rate was limited, resulting in reduced production efficiency. These extensive results and thorough analyses offer valuable insights into the influence of the growing conditions on energy load and yield.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».