应用强化学习和模仿学习优化农作物管理
利用深度强化学习和递归神经网络结合的创新框架,在农业管理中引入智能代理,优化氮肥管理策略,并研究气候变异对农业结果和管理的影响,为适应动态气候情景提供了可行的可调整肥料策略。
Jan, 2024
利用强化学习技术对模拟的作物育种计划进行优化,以此来改善农业生产力并减少土地使用、温室气体排放和水消耗。使用真实基因组玉米数据对基于强化学习的育种算法与标准育种方法进行对比,研究表明强化学习技术在遗传增益方面具有优势。
Jun, 2024
本研究探讨了人工智能(AI),尤其是强化学习(RL)在农业中的应用,以提高作物产量、精确调整氮肥使用和浇水量、减少硝酸盐径流和温室气体排放为重点,特别关注来自土壤的氧化亚氮(N2O)排放。通过使用部分可观察马尔可夫决策过程(POMDP)和作物模拟器来模拟 AI 智能体与农业环境的互动,应用基于循环神经网络(RNN)的深度 Q 学习和 Q 网络进行智能体的训练,在模拟器中整合了机器学习(ML)模型来预测 N2O 排放。我们通过概率机器学习方法处理了 N2O 排放估算中的不确定性,并通过随机天气模型应对气候变异,提供一系列排放结果以提高预测可靠性和决策能力。通过纳入气候变化因素,提升了智能体的气候适应能力,旨在实现可持续农业实践。研究结果表明,通过惩罚 N2O 排放,在气候变暖和降水减少等气候变化条件下,这些智能体能够平衡作物生产和环境问题。这种策略改善了气候变化下的农业管理,突出了人工智能在可持续农业中的作用。
Feb, 2024
该研究采用深度强化学习技术,提出了一种有效的灌溉方法,旨在为农民提高粮食产量和效益。对于考虑的每天,决策规则基于九个状态变量输入,返回每天五个不同灌溉量的概率性建议,经过测试证明该决策规则可以在大多数情况下同时实现最高的灌溉效益和经济效益。
Jan, 2023
本研究提出使用深度强化学习的 DRLIC 灌溉系统来优化灌溉效率,通过考虑当前土壤水分测量和未来水分损失的最优控制策略,实现了水源节约高达 9.52%。
Apr, 2023
将强化学习和模仿学习有效性应用于基于视觉的自主无人机竞赛,通过直接处理视觉输入无需明确状态估计,我们提出了一种结合强化学习和模仿学习优势的新型训练框架,通过三个阶段的训练实现超越单独强化学习或模仿学习在仅使用视觉信息且无需明确状态估计的情况下驾驶四轴飞行器穿过赛道的优秀性能和鲁棒性。
Mar, 2024
数字孪生在农业中的应用研究综述了以强化学习为基础的数字孪生在农业领域的应用,包括机器人技术、温室管理、灌溉系统和作物管理等,旨在发掘数字孪生与强化学习的整合研究现状,确定未来研究的机会和挑战,并探索协同解决农业问题和优化农业经营的方式,为更高效和可持续的农业方法铺平道路。
Jun, 2024
本研究的目的是利用深度 Q 网络 (DQN) 优化决策,以促进农业部门光伏系统的安装。该研究通过开发一个 DQN 框架,考虑安装预算、政府激励、能源需求、系统成本和长期效益等因素,帮助农业投资者做出明智的决策。该研究结果显示了深度 Q 网络如何支持农业投资者在光伏系统安装方面做出决策,并在促进可持续和高效农业实践方面具有重要意义。通过使用深度 Q 网络,农业投资者可以做出优化决策,提高能源效率,减少环境影响,增强盈利能力。这项研究对光伏系统在农业领域的整合和进一步创新具有重要贡献。
Aug, 2023
利用有限的模仿数据进行自主性提升的开创性框架 —— 模仿引导强化学习(IBRL),在从像素学习的模拟中实现了 7 个具有挑战性的稀疏奖励连续控制任务的最新性能和样本效率,是 RLPD 方法的 6.4 倍成功率的新亮点。
Nov, 2023