考虑 N$_2$O 排放和气候变率不确定性的智能农业管理
机器学习
2024-02-15 v1 人工智能
计算机与社会
摘要
本研究探讨了人工智能 (AI)，特别是强化学习 (RL)，如何用于农业以提高作物产量，精细化氮肥和灌溉用量，并减少硝酸盐流失和温室气体排放，聚焦于来自土壤的氮氧化物 (NO) 排放。面对气候变化和有限的农业知识，我们使用部分可观测马尔可夫决策过程 (POMDP) 建模 AI 代理与农业环境的交互。我们应用深度 Q 学习配合基于循环神经网络 (RNN) 的 Q 网络进行代理最优动作训练。我们还开发了预测 NO 排放的机器学习模型，将这些预测整合到模拟器中。我们的研究通过概率 ML 方法处理 NO 排放估计的不确定性，通过随机气候模型处理气候变率，为改进预测可靠性和决策提供一系列排放情景。通过纳入气候变化效应，我们增强了代理的气候适应性，致力于实现韧性农业实践。结果表明，这些代理可以通过惩罚 NO 排放、有效适应气候变化（如更高温度和降雨减少）来实现作物生产力与环境关切的平衡。这一策略在气候变化下改进农业管理，凸显了 AI 在可持续农业中的作用。
引用
@article{arxiv.2402.08832,
title = {Intelligent Agricultural Management Considering N$_2$O Emission and Climate Variability with Uncertainties},
author = {Zhaoan Wang and Shaoping Xiao and Jun Wang and Ashwin Parab and Shivam Patel},
journal= {arXiv preprint arXiv:2402.08832},
year = {2024}
}