基于学习的部分可观测环境下的农业管理：应对气候变异性
机器学习
2026-02-12 v2
摘要
农业管理，特别是施肥策略，在决定作物产量、经济效益和环境可持续性方面起着核心作用。虽然传统指南提供了宝贵的见解，但在面对极端天气条件（如热浪和干旱）时，其有效性会降低。在本研究中，我们引入了一个创新框架，将深度强化学习（DRL）与循环神经网络（RNN）相结合。利用Gym-DSSAT模拟器，我们训练一个智能体掌握最优氮肥管理。通过在爱荷华州玉米作物上进行的一系列模拟实验，我们比较了部分可观测马尔可夫决策过程（POMDP）模型与马尔可夫决策过程（MDP）模型。我们的研究强调了利用序列观测在制定更高效的氮输入策略方面的优势。此外，我们探讨了气候变异性（特别是在极端天气事件期间）对农业结果和管理的影响。我们的研究结果表明，施肥策略能够适应不同的气候条件。值得注意的是，固定策略在面对轻微气候波动时表现出韧性，从而带来可观的玉米产量、成本效益和环境保护。然而，我们的研究揭示了在极端天气事件下需要重新训练智能体以获得新的最优策略。这项研究为适应动态气候场景的灵活施肥策略指明了一条有前景的道路，最终有助于优化作物管理实践。
引用
@article{arxiv.2401.01273,
title = {Learning-based agricultural management in partially observable environments subject to climate variability},
author = {Zhaoan Wang and Shaoping Xiao and Junchao Li and Jun Wang},
journal= {arXiv preprint arXiv:2401.01273},
year = {2026}
}