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

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

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

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

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

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

该论文展示了自主网络防御在工业控制系统中的潜力，并提供了一个基线环境，进一步探索多智能体强化学习在此问题领域的应用。

Jan, 2024

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

本文利用物理信息引导机器学习代理模型，开发了多尺度数字孪生工具，可快速评估地下水受污染特征在气候变化下的时空演变，预测 1954 年至 2100 年时段内的储备率，用于环境修复领域的研究。

Nov, 2022

在沿海河流系统中，通过使用诸如水坝、闸门、泵和水库等水力结构，以预测前释放水来减轻或甚至预防在暴风雨或大潮期间频繁发生的洪水，可以在很大程度上降低生命和财产的威胁。本文提出了一种名为 FIDLAR 的预测通知深度学习架构，用于实现快速和最优的洪水管理以及准确的预释放水。FIDLAR 无缝集成两个神经网络模块：Flood Manager 负责生成水预释放计划，Flood Evaluator 评估这些生成的计划。以梯度反馈的方式使用 Evaluator 模块进行单独预训练，以训练 Manager 模型以确保最优的水预释放固定计划。我们使用南佛罗里达易受频繁暴风雨影响的洪水易发沿海地区的数据对 FIDLAR 进行了实验。结果显示，FIDLAR 比当前使用的基于物理模型的方法快几个数量级，并通过改进的水预释放计划胜过了基准方法。我们的代码在此 https URL。

Feb, 2024