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

本文提出了一种智能作物管理系统，采用深度强化学习（RL）、模仿学习（IL）和作物模拟技术，通过同时优化氮肥施用和灌溉，解决了对特定种植环境和作物寻找最佳管理实践的挑战。实验结果表明，该管理系统在不同观测情况下的训练策略均取得了更好的效果，并且部分观测策略可以直接在实际情况中使用。

Sep, 2022

本文介绍了一种改进的 “混合强化学习” 方法，通过将强化学习与历史数据相结合，提高了泵站调度优化的可操作性，增强了智能体的行为解释能力，并最小化错误，从而显著改善了实际水配管网络的可持续性、操作效率和对新出现情况的动态适应能力。

Oct, 2023

本文提出了一种基于深度强化学习（DRL）的一般控制策略框架，用于地下流动环境中的闭环决策制定。针对数据同化 / 历史匹配和鲁棒优化步骤中的挑战，将闭环油藏管理（CLRM）问题表示为一个部分可观察的马尔科夫决策过程，并使用近端策略优化算法来解决相关的优化问题。数据集由多个地质模型场景合集构成，训练结果表明相对于既有地质模型的鲁棒优化以及传统的 CLRM 方法，基于 DRL 的方法在油水注入生产中的净现值（NPV）获得了 15% 和 33% 的提升，并且相对于传统 CLRM 平均提升了 4% NPV，并且在多种地质模型场景中均能发挥较好的效果。

Mar, 2022

研究采用深度强化学习方法（DDPG、TD3 和 SAC18 和 SAC19）分析并找到了加利福尼亚州福尔桑水库的最佳操作政策，结果表明 TD3 和 SAC 方法能够满足水库需求并优化其运行策略。

Mar, 2024

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

通过一个关于土地利用变化下径流减少问题的简单案例研究，我们讨论了强化学习在解决社会水文问题中提供了一种有效且高效的框架。强化学习之所以在这类问题中具有功效，是因为它能够以迭代方式更新策略，而这也是社会水文学的基础，我们关注的是人水互动的共同演化。我们还讨论了强化学习在这类问题中的好处，并分享了对未来研究方向的观点。

May, 2024

利用嵌入模型深度强化学习的智能闭环控制框架，结合计算机视觉算法和作物生长模型得到温度、湿度、光照强度和二氧化碳浓度等精确测量值，实现效果优于传统温室控制方法并使成本大大降低。

Dec, 2019

提出了一种利用机器学习进行灌溉决策优化的预测灌溉调度程序，该程序采用 k-means 聚类方法将田地划分为不同的灌溉区域，使用长短时记忆网络对其进行动态预测，并采用混合整数优化来在最大程度上减少灌溉成本的同时提高水效率和作物产量。

Jun, 2023

该研究使用深度强化学习方法针对不断恶化的水管开发了一种自动确定最佳恢复策略的成本效益资产管理解决方案，并证明了基于深度强化学习的策略相对于标准的预防性、校正性和贪婪性计划方案具有更好的效果。

Aug, 2022