Standardised framework for analysis of greenhouse performance using key performance indicators
Notice bibliographique
Résumé
CONTEXT There is a growing interest in sustainable and year-round food production through protected agriculture. Greenhouses play a key role in this transition, but their performance varies significantly with climate conditions and operational strategies. OBJECTIVE As a result, this study proposes a standardised and practical framework for evaluating greenhouse performance, grounded in a systematic analysis of key performance indicators (KPI). METHODS A total of 16 key performance indicators (KPI) were identified from the literature and classified into three main categories: thermal, daylighting, and energy. From these, a refined set of 10 KPI was selected based on their applicability, non-redundancy, and relevance for both passive and active greenhouses. These KPI were applied to a case study involving a naturally ventilated, free-standing Gothic arch greenhouse, modelled using the TRNSYS dynamic simulation software. The model was validated using measured data and used to assess greenhouse performance under three distinct Canadian climates: cold (Montréal), very cold (Baie-Comeau), and subarctic (Kuujjuaq). RESULTS AND CONCLUSION The analysis revealed that while some KPI, such as the average indoor air temperature ( T ¯ a i , ND ) and daily light integral ( DLI ), are essential for assessing crop survival, others provided insights into growing potential, operational climate control or the environmental and economic viability of the system. This study introduced two refined indicators for greenhouse cultivation in cold climates: TGSL limit , which excludes lethal short-term cold events, and OGSL , which combines temperature and daylight to define realistic growing conditions. These demonstrated that combining different classes of KPI enabled more meaningful, comparative assessments of greenhouse suitability, offering practical guidance for optimising crop production and energy use under diverse climates. SIGNIFICANCE This work contributes to a standardised and practical framework for evaluating greenhouse performance, paving the way for more informed decision-making in controlled environment agriculture.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 ».