Framework for Optimizing Crop Selection for Future Space Missions
Notice bibliographique
Résumé
Establishing sustainable food production systems is essential for supporting human life on long-duration space missions, where resupply opportunities are limited. Selecting the optimal crops for these systems is a critical task, as they must meet the crew’s nutritional demands within resource limitations. However, there is currently no overarching tool for selecting crops based on the mission-specific timeline, crew requirements, and available resources. This research addresses this gap by developing the framework for a dynamic crop selection model to enhance mission planning and increase the success of future lunar plant cultivation systems. The foundation of this framework includes the creation of a database for a selection of space system candidate crops. Key plant factors included in the database are the plants’ nutritional qualities and their growth requirements (e.g., temperature, humidity, water, nutrients, light, and growth cycle). The framework accounts for user inputs such as mission duration, the astronauts’ dietary needs, and the system’s constraints and environmental control capabilities. The projected output would include suggestions for the most suitable crops to be grown in the given bioregenerative life support system. This framework will lay the groundwork for a dynamic model. The interactivity of the model would allow for easy comparison of crop options and prediction of plant yield and resource consumption rates. Additionally, it will calculate oxygen production, carbon dioxide uptake, and water flows within the controlled environment, which is not only crucial to optimizing plant growth but to maintaining optimal air quality and astronaut health. This framework aims to ensure that the most appropriate crops are chosen for the mission scenario while optimizing the overall biomass production and nutritional output within the system. Being able to eventually simulate different biomass scenarios instantaneously will greatly improve the efficiency of lunar food production initiatives.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».