論文の概要: Optimizing Irrigation Efficiency using Deep Reinforcement Learning in the Field

• arxiv url: http://arxiv.org/abs/2304.01435v1
• Date: Tue, 4 Apr 2023 01:04:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 15:49:54.712775
• Title: Optimizing Irrigation Efficiency using Deep Reinforcement Learning in the Field
• Title（参考訳）: 深層補強学習による灌水効率の最適化
• Authors: Xianzhong Ding, Wan Du
• Abstract要約: 農業用水は淡水消費に大きく寄与している。 現在の灌水システムでは、将来の土壌の水分損失は考慮されていない。 本稿では, ドライカと呼ばれる灌水効率を向上する手法を提案する。
• 参考スコア（独自算出の注目度）: 4.091593765662773
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agricultural irrigation is a significant contributor to freshwater consumption. However, the current irrigation systems used in the field are not efficient. They rely mainly on soil moisture sensors and the experience of growers, but do not account for future soil moisture loss. Predicting soil moisture loss is challenging because it is influenced by numerous factors, including soil texture, weather conditions, and plant characteristics. This paper proposes a solution to improve irrigation efficiency, which is called DRLIC. DRLIC is a sophisticated irrigation system that uses deep reinforcement learning (DRL) to optimize its performance. The system employs a neural network, known as the DRL control agent, which learns an optimal control policy that considers both the current soil moisture measurement and the future soil moisture loss. We introduce an irrigation reward function that enables our control agent to learn from previous experiences. However, there may be instances where the output of our DRL control agent is unsafe, such as irrigating too much or too little water. To avoid damaging the health of the plants, we implement a safety mechanism that employs a soil moisture predictor to estimate the performance of each action. If the predicted outcome is deemed unsafe, we perform a relatively-conservative action instead. To demonstrate the real-world application of our approach, we developed an irrigation system that comprises sprinklers, sensing and control nodes, and a wireless network. We evaluate the performance of DRLIC by deploying it in a testbed consisting of six almond trees. During a 15-day in-field experiment, we compared the water consumption of DRLIC with a widely-used irrigation scheme. Our results indicate that DRLIC outperformed the traditional irrigation method by achieving a water savings of up to 9.52%.
• Abstract（参考訳）: 農業用水は淡水消費に大きく寄与している。 しかし、現在現場で使われている灌水システムは効率が良くない。 主に土壌水分センサと栽培者の経験に依存しているが、将来の土壌水分損失を考慮しない。 土壌テクスチャ,気候条件,植物特性など,多くの要因に影響されるため,土壌水分損失の予測は困難である。 本稿では, ドライカと呼ばれる灌水効率向上のためのソリューションを提案する。 DRLICは、深い強化学習(DRL)を使用して、その性能を最適化する洗練された灌水システムである。 このシステムは、DRLコントロールエージェントと呼ばれるニューラルネットワークを使用し、現在の土壌水分の測定と将来の土壌水分損失の両方を考慮した最適制御ポリシーを学習する。 我々は,制御エージェントが過去の経験から学習できる灌水報酬機能を導入する。 しかし、DRLコントロールエージェントの出力が安全でない場合もあり、水が多すぎるか少なすぎる場合もあります。 植物の健康を損なうのを避けるため,土壌水分予測器を用いて各行動の性能を推定する安全機構を実装した。 予測結果が安全でないと判断された場合、比較的保守的な動作を行う。 提案手法の現実的応用を実証するために, スプリンクラー, センサノード, 制御ノード, 無線ネットワークを備えた灌水システムを開発した。 6本のアーモンド木からなるテストベッドに展開することでDRLICの性能を評価する。 15日間のフィールド内実験で,ドリックの水消費量を広く利用されている灌水法と比較した。 以上の結果から, ドリックは最大9.52%の貯水率を達成し, 従来の灌水法を上回った。

関連論文リスト

• TRG-Net: An Interpretable and Controllable Rain Generator [61.2760968459789]
  本研究は,降雨の基盤となる物理的発生機構を十分に考慮した,新しい深層学習型降雨発生器を提案する。 その意義は、発電機が予想される雨をシミュレートするために雨の本質的な要素を精巧に設計するだけでなく、複雑で多様な雨のイメージに微妙に適応することにある。 提案した雨発生器が発生した雨は, 高品質であるだけでなく, 排水作業や下流作業にも有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-15T03:27:39Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• DeepAqua: Self-Supervised Semantic Segmentation of Wetland Surface Water Extent with SAR Images using Knowledge Distillation [44.99833362998488]
  トレーニングフェーズ中に手動アノテーションを不要にする自己教師型ディープラーニングモデルであるDeepAquaを提案する。 我々は、光とレーダーをベースとしたウォーターマスクが一致する場合を利用して、水面と植物の両方を検知する。 実験の結果,DeepAquaの精度は7%向上し,Intersection Over Unionが27%,F1が14%向上した。
  論文  参考訳（メタデータ） (2023-05-02T18:06:21Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• A SWAT-based Reinforcement Learning Framework for Crop Management [0.0]
  土壌・水質評価ツール(SWAT)の力学を利用した強化学習(RL)環境を導入する。 これにより、フル成長の季節に配備されるはずの時間と資源が大幅に節約される。 我々は,標準的な農業慣行や最先端のRLアルゴリズムに通知された経営戦略に従って,様々な意思決定エージェントを開発・ベンチマークすることで,フレームワークの有用性を実証する。
  論文  参考訳（メタデータ） (2023-02-10T00:24:22Z)
• Deep reinforcement learning for irrigation scheduling using high-dimensional sensor feedback [0.0]
  本フレームワークの有効性は, オーストラリアの生産地で栽培された水稲のケーススタディを用いて実証した。 このフレームワークは一般的なものであり、現実的な問題のある広範囲の収穫システムに適用できる。
  論文  参考訳（メタデータ） (2023-01-02T23:13:20Z)
• Retrieval-Augmented Reinforcement Learning [63.32076191982944]
  過去の経験のデータセットを最適な行動にマップするために、ネットワークをトレーニングします。 検索プロセスは、現在のコンテキストで有用なデータセットから情報を取得するために訓練される。 検索強化R2D2はベースラインR2D2エージェントよりもかなり高速に学習し,より高いスコアを得ることを示す。
  論文  参考訳（メタデータ） (2022-02-17T02:44:05Z)
• Self-supervised Contrastive Learning for Irrigation Detection in Satellite Imagery [0.7584685045934025]
  気候変動は河川流出の減少と帯水層再資源化を招き、淡水利用率の低下による農業用水需要の持続不可能さが増している。 農業用水の利用状況の監視・追跡を慎重に行う必要があるため、持続可能な方法での食料の確保は引き続き大きな課題となる。 光リモートセンシングデータに最先端の自己教師型深層学習技術を適用し,従来の教師付き学習法に比べて最大9倍の精度,90%のリコール,40%の一般化能力で灌水を検出できることを確認した。
  論文  参考訳（メタデータ） (2021-08-12T01:13:04Z)
• An artificial intelligence and Internet of things based automated irrigation system [8.283810659689589]
  モノのインターネット(IoT)デバイスは、あらゆる領域で使われ始めている。 灌水に関する操作と決定は、ほとんどが人々によって行われます。 IoTデバイスやセンサから収集されたデータは、通信チャネル経由で送信され、MongoDBに格納される。
  論文  参考訳（メタデータ） (2021-04-01T21:05:26Z)
• From Rain Generation to Rain Removal [67.71728610434698]
  雨層を生成物としてパラメータ化した雨画像のためのベイズ生成モデルを構築した。 降雨画像の統計的分布を推定するために,変分推論の枠組みを用いる。 総合的な実験により,提案モデルが複雑な降雨分布を忠実に抽出できることが確認された。
  論文  参考訳（メタデータ） (2020-08-08T18:56:51Z)
• Data Pre-Processing and Evaluating the Performance of Several Data Mining Methods for Predicting Irrigation Water Requirement [2.2108425580353774]
  近年の干ばつや人口増加は、利用可能な限られた水資源の使用に対する前例のない需要を植え付けている。 灌水地域の水管理を改善するためには,将来的な水需要の予測モデルが必要である。 データマイニングはそのようなモデルを構築するのに効果的に利用できる。
  論文  参考訳（メタデータ） (2020-03-01T05:42:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。