基于深度强化学习的田间灌溉效率优化

农业灌溉是淡水消耗的重要来源。然而，当前田间使用的灌溉系统效率不高。它们主要依赖土壤湿度传感器与种植者经验，却未考虑未来土壤湿度损失。预测土壤湿度损失具挑战性，因其受土壤质地、天气状况与植物特性等众多因素影响。本文提出一种称为 DRLIC 的灌溉效率改进方案。DRLIC 是一种利用深度强化学习（DRL）优化性能的精密灌溉系统。该系统采用称为 DRL 控制智能体的神经网络，学习同时考虑当前土壤湿度测量值与未来土壤湿度损失的最优控制策略。我们引入灌溉奖励函数，使控制智能体能从过往经验中学习。但 DRL 控制智能体输出可能不安全，如灌溉过多或过少。为避免损害植物健康，我们实施一种安全机制，利用土壤湿度预测器估算各动作表现；若预测结果不安全，则改行相对保守动作。为展示方法的实际运用，我们开发了由喷头、感知与控制节点及无线网络构成的灌溉系统。我们在含六棵杏仁树的测试床上部署 DRLIC 评估其表现。15 天田间实验中，我们将 DRLIC 耗水量与一种广泛使用灌溉方案比较。结果表明 DRLIC 优于传统灌溉法，最高节水 9.52%。