Développement d’indicateurs de performance pour la caractérisation d’espace d’agriculture en environnement contrôlé à l’aide de modèles numériques
Bibliographic record
Abstract
La production serricole au Québec, soutenue par des politiques visant une plus grande autonomie alimentaire, pose des défis majeurs en matière de performance énergétique. Or, la littérature scientifique dans ce domaine reste morcelée : les indicateurs de performance (IDP) utilisés sont souvent hétérogènes, centrés sur des aspects agronomiques ou énergétiques, et rarement adaptés aux conditions nordiques. De plus, peu d’approches offrent une méthode structurée pour relier les sorties de modèles numériques à des indicateurs réellement utiles pour l’analyse et la prise de décision en agriculture en environnement contrôlé (AEC). Ce mémoire vise à développer un cadre d’évaluation standardisé pour analyser la performance thermique, radiative et énergétique des espaces AEC à l’aide d’indicateurs de performance. Pour ce faire, deux approches de modélisation sont utilisées : un modèle quasi-statique simplifié, intégré à un chiffrier Excel, et un modèle dynamique détaillé, simulé sous TRNSYS. L’objectif est d’identifier, tester et comparer des IDP, tout en évaluant la capacité des deux outils à produire des résultats fiables, reproductibles et utiles dans divers contextes québécois. L’analyse a permis de sélectionner 10 indicateurs parmi un corpus initial de 16 issus de la littérature, en privilégiant ceux qui sont à la fois représentatifs, non redondants et applicables à différents types d’espace AEC. Ces indicateurs thermiques, radiatifs et énergétiques ont été évalués selon trois climats du Québec, afin de tester leur application. À la suite de l’analyse de leurs avantages et limites, deux nouveaux indicateurs ont été proposés : la saison de croissance thermique limite (TGSLLimit), qui combine les contraintes de température et d’éclairage pour estimer la période réellement favorable à la culture sans apport énergétique externe. Ce dernier a permis de révéler une saison de croissance plus courte d’un à deux mois que celle estimée à partir d’indicateurs traditionnels. Ce travail propose ainsi une méthode complète, flexible et reproductible pour l’évaluation de la performance des espaces AEC. En combinant modélisation numérique et sélection rigoureuse d’indicateurs, il fournit un outil concret pour améliorer la conception, la planification énergétique et les stratégies culturales en environnement contrôlé. Cette approche contribue à une agriculture plus durable, résiliente et adaptée aux conditions climatiques du Québec.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".