基于高维传感器反馈的深度强化学习灌溉调度
机器学习
2024-01-02 v2 人工智能
摘要
深度强化学习通过基于随时间变化的各种测量施加自适应水量，在许多种植系统中具有改进灌溉调度的巨大潜力。目标是发现一种智能决策规则，处理种植者可获得的信息，并为所考虑的时间步给出合理的灌溉量。然而，由于技术新颖性，关于该技术的研宄仍然稀少且不实用。为加速进展，本文提出了一个原则性框架和可操作程序，使研究人员能够表述自己的优化问题并基于深度强化学习实现求解算法。该框架的有效性通过使用澳大利亚一个高产地区种植灌溉小麦的案例研究得到证明，其中利润被最大化。具体而言，决策规则接受九个状态变量输入：作物物候期、叶面积指数、五个顶层中每层的可提取土壤水、累积降雨量和累积灌溉量。它每天返回对五个候选灌溉量（0、10、20、30 和 40 mm）的概率化处方。生产系统在 Goondiwindi 使用 APSIM-Wheat 作物模型进行模拟。在利用 1981–2010 年天气数据的学习环境中训练后，习得的决策规则对 2011–2020 年每一年分别进行测试。结果与该地区常见常规规则所获得的基准利润进行比较。所发现的决策规则开出的每日灌溉量在所有测试年份均一致优于常规规则，最大改进在 2018 年达到 17%。该框架具有通用性，适用于具有现实优化问题的广泛种植系统。
引用
@article{arxiv.2301.00899,
title = {Deep reinforcement learning for irrigation scheduling using high-dimensional sensor feedback},
author = {Yuji Saikai and Allan Peake and Karine Chenu},
journal= {arXiv preprint arXiv:2301.00899},
year = {2024}
}