基于SWAT的作物管理强化学习框架
机器学习
2023-02-13 v1
摘要
作物管理在复杂且高度不确定的环境中涉及一系列关键的、相互依赖的决策或行动，呈现出明显的空间与时间变化。面对气候变化、资源减少与价格飙升，管理肥料与灌溉等资源投入堪称艰巨任务。机器学习高效处理复杂、非线性、高维数据的能力可彻底变革农业决策。本文引入一个强化学习（RL）环境，其利用土壤和水评估工具（SWAT）中的动力学，并能在流域尺度上评估与评价管理实践。这极大节省了原本需在整个生长季投入的时间与资源。我们将作物管理视为优化问题，目标是在最小化外部农事投入（具体为肥料与灌溉量）的同时获得更高作物产量。该问题自然受降水、太阳辐射、温度与土壤含水量等环境因素制约。我们通过开发并基准测试遵循标准农事实践与前沿RL算法所告知管理策略的各类决策智能体，展示了我们框架的效用。
引用
@article{arxiv.2302.04988,
title = {A SWAT-based Reinforcement Learning Framework for Crop Management},
author = {Malvern Madondo and Muneeza Azmat and Kelsey Dipietro and Raya Horesh and Michael Jacobs and Arun Bawa and Raghavan Srinivasan and Fearghal O'Donncha},
journal= {arXiv preprint arXiv:2302.04988},
year = {2023}
}