利用强化学习与模仿学习优化作物管理
人工智能
2023-02-28 v2 机器学习
摘要
作物管理，包括氮（N）肥施用与灌溉管理，对作物产量、经济收益和环境有显著影响。尽管存在管理指南，但针对特定种植环境和作物寻找最优管理实践仍具挑战。先前工作使用强化学习（RL）和作物模拟器来解决该问题，但训练出的策略要么性能有限，要么无法在真实世界中部署。本文中，我们提出一种智能作物管理系统，通过 RL、模仿学习（IL）以及使用农业技术转移决策支持系统（DSSAT）的作物模拟，同时优化氮施肥与灌溉。我们首先使用深度 RL，特别是深度 Q 网络，训练以模拟器全部状态信息为观测（记为完全观测）的管理策略。随后我们调用 IL，通过模仿先前在完全观测下 RL 训练策略的动作，来训练仅需真实世界中易获取的有限状态信息（记为部分观测）的管理策略。我们以佛罗里达州玉米为案例进行实验，并在模拟中将训练策略与玉米管理指南比较。我们在完全与部分观测下训练的策略均取得更好结果，表现为更高收益或以更小环境影响获得相似收益。此外，部分观测管理策略可直接部署于真实世界，因其使用易得信息。
引用
@article{arxiv.2209.09991,
title = {Optimizing Crop Management with Reinforcement Learning and Imitation Learning},
author = {Ran Tao and Pan Zhao and Jing Wu and Nicolas F. Martin and Matthew T. Harrison and Carla Ferreira and Zahra Kalantari and Naira Hovakimyan},
journal= {arXiv preprint arXiv:2209.09991},
year = {2023}
}