Jun, 2023

应用混合整数模型预测控制及机器学习范例进行灌溉调度整合

PDF
TL;DR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。
发现论文，激发创造
  • 利用高维度传感器反馈的深度强化学习进行灌溉调度

    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

  • 利用深度强化学习在田地中优化灌溉效率

    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

  • 机器学习、遥感和物联网在产量预测中的最新应用：一次关键性综述

    将遥感技术和机器学习运用于农业领域可以提高农业生产效率，改善产量预测和水资源管理，以实现联合国《可持续发展目标》中 “零饥饿” 的目标。通过综述现有文献，该研究探究了采用遥感、机器学习等技术进行农作物产量预测与水资源管理的方法，并探讨了如何将这些方法应用于实时决策，为农业生产提供决策依据。

    Jun, 2023

  • 基于场景的水库系统模型预测控制

    水库系统的最优运行是一个具有挑战性的任务，而模型预测控制（MPC）可以通过采用基于过去数据的一组可能的未来入流来优化控制，从而更有效地应对不确定性和冲突目标。通过使用实际入流数据进行广泛的蒙特卡洛测试，该方法的有效性得到了验证。

    Sep, 2023

  • 水力分布网络实际应用中优化泵站可持续性的混合强化学习

    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

  • 基于学习的农业管理应对气候变异的部分可观测环境

    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

  • 可再生能源中预测和优化问题的方法比较与评估

    本文介绍了 2021 年 IEEE-CIS 关于可再生能源调度的技术挑战赛的七个排名最高解决方案，比较和评估了这些解决方案，并提供了一个基准问题，以便在这个领域促进和便利研究。这场比赛使用了 Monash 微电网的数据、天气数据和能源市场数据，并专注于两个主要挑战：预测可再生能源的生产和需求，并获得活动（讲座）和现场电池的最低成本的最佳方案。最准确的预测由梯度提升树和随机森林模型得出，而优化大多使用混合整数线性和二次规划。

    Dec, 2022

  • 机器学习降低空气污染

    本文提出了一种数据驱动的方法，通过将运营决策与天气条件联系起来，缓解工业厂区对附近城市的空气污染的影响，结合预测和规定性机器学习模型预测短期风速和方向，并建议减少或暂停工业生产的运营决策，从而实现可持续性的工业发展。

    Mar, 2023

  • 结合机器学习和作物模型改善美国玉米带作物产量预测

    研究探讨将作物建模和机器学习（ML）相结合是否能提高美国玉米带的玉米产量预测，并确定 APSIM 特征对于玉米产量预测的影响，研究结果显示将 APSIM 模拟作为输入特征用于 ML 模型中可将预测均方根误差（RMSE）降低 7 到 20％，其中土壤湿度相关的 APSIM 变量对于 ML 预测最具影响力。

    Jul, 2020

  • 神经网络对农业水力发电厂管理的影响：应对挑战与探索未开发的机会

    拥有良好的水资源管理实践，协调水电与农业用水配置，以确保稳定的农田灌溉，提高电力生产效率，并利用神经网络进行智能水分配决策，从而降低干旱期间对农业的不利影响。

    Nov, 2023