AgGym：面向超精准管理规划的农业生物胁迫模拟环境
人工智能
2024-09-04 v1 机器学习
摘要
农业生产需要对杀菌剂、杀虫剂和除草剂等投入品进行精细管理，以确保作物高产、盈利且种子品质优良。当前最先进的大田作物管理依赖于粗放尺度的作物管理策略，即对整个田块喷洒病虫害防治化学品，导致成本增加以及土壤和作物管理欠优。为克服这些挑战并优化作物生产，我们利用虚拟田间环境中的机器学习工具，为农户生成本地化管理方案，以管理生物威胁并实现利润最大化。具体而言，我们提出了 AgGym，一个模块化、作物和胁迫无关的模拟框架，用于模拟田间生物胁迫的传播，并估算有无化学处理下的产量损失。我们基于真实数据的验证表明，AgGym 可利用有限数据进行定制，以模拟各种生物胁迫条件下的产量结果。我们进一步证明，可使用 AgGym 训练深度强化学习（RL）策略，以设计超精准的生物胁迫缓解策略，有望以更少的化学品和更低的成本提高产量恢复。我们提出的框架支持个性化决策支持，可将生物胁迫管理从基于计划、被动应对的模式转变为机会性、处方性的模式。我们还发布了 AgGym 软件实现作为社区资源，并邀请专家为这一开源公开的模块化环境框架做出贡献。源代码可访问：https://github.com/SCSLabISU/AgGym。
引用
@article{arxiv.2409.00735,
title = {AgGym: An agricultural biotic stress simulation environment for ultra-precision management planning},
author = {Mahsa Khosravi and Matthew Carroll and Kai Liang Tan and Liza Van der Laan and Joscif Raigne and Daren S. Mueller and Arti Singh and Aditya Balu and Baskar Ganapathysubramanian and Asheesh Kumar Singh and Soumik Sarkar},
journal= {arXiv preprint arXiv:2409.00735},
year = {2024}
}