論文の概要: Integrating machine learning paradigms and mixed-integer model predictive control for irrigation scheduling

• arxiv url: http://arxiv.org/abs/2306.08715v1
• Date: Wed, 14 Jun 2023 19:38:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 17:33:16.711416
• Title: Integrating machine learning paradigms and mixed-integer model predictive control for irrigation scheduling
• Title（参考訳）: 灌水スケジューリングのための機械学習パラダイムと混合整数モデル予測制御の統合
• Authors: Bernard T. Agyeman, Mohamed Naouri, Willemijn Appels, Jinfeng Liu (University of Alberta), Sirish L. Shah
• Abstract要約: 農業部門は水資源の保全と収穫量の最適化において大きな課題に直面している。 従来の灌水スケジューリング手法は、大規模な灌水システムのニーズを満たすのに不十分であることがしばしば証明される。 本稿では,機械学習の3つのパラダイムを活用して,灌水スケジュールを最適化する予測灌水スケジューラを提案する。
• 参考スコア（独自算出の注目度）: 0.20999222360659603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The agricultural sector currently faces significant challenges in water resource conservation and crop yield optimization, primarily due to concerns over freshwater scarcity. Traditional irrigation scheduling methods often prove inadequate in meeting the needs of large-scale irrigation systems. To address this issue, this paper proposes a predictive irrigation scheduler that leverages the three paradigms of machine learning to optimize irrigation schedules. The proposed scheduler employs the k-means clustering approach to divide the field into distinct irrigation management zones based on soil hydraulic parameters and topology information. Furthermore, a long short-term memory network is employed to develop dynamic models for each management zone, enabling accurate predictions of soil moisture dynamics. Formulated as a mixed-integer model predictive control problem, the scheduler aims to maximize water uptake while minimizing overall water consumption and irrigation costs. To tackle the mixed-integer optimization challenge, the proximal policy optimization algorithm is utilized to train a reinforcement learning agent responsible for making daily irrigation decisions. To evaluate the performance of the proposed scheduler, a 26.4-hectare field in Lethbridge, Canada, was chosen as a case study for the 2015 and 2022 growing seasons. The results demonstrate the superiority of the proposed scheduler compared to a traditional irrigation scheduling method in terms of water use efficiency and crop yield improvement for both growing seasons. Notably, the proposed scheduler achieved water savings ranging from 6.4% to 22.8%, along with yield increases ranging from 2.3% to 4.3%.
• Abstract（参考訳）: 農業部門は、主に淡水不足への懸念から、水資源の保全と収穫量の最適化において大きな課題に直面している。 従来の灌水スケジューリング手法は、大規模な灌水システムのニーズを満たすのに不十分であることが多い。 そこで本稿では,機械学習の3つのパラダイムを活かし,灌水スケジュールを最適化する予測灌水スケジューラを提案する。 提案するスケジューラでは, 土壌水分パラメータとトポロジ情報に基づいて, k-meansクラスタリング手法を用いて, フィールドを異なる灌水管理ゾーンに分割する。 さらに,管理ゾーン毎に動的モデルを構築するための長期短期記憶ネットワークを用いて,土壌水分動態の正確な予測を行う。 混合整数モデル予測制御問題として定式化されたスケジューラは、全体の水消費と灌水コストを最小化しながら、吸水量を最大化する。 混合整数最適化課題に取り組むために, 日次灌水決定に責任を持つ強化学習エージェントを訓練するために, 近位政策最適化アルゴリズムを用いる。 提案したスケジューラの性能を評価するため、カナダのレスブリッジにある26.4ヘクタールのフィールドが2015年と2022年の成長期のケーススタディとして選ばれた。 以上の結果から,水利用効率と作物収量改善の両面において,従来の灌水スケジューリング法と比較して,提案するスケジューラの優越性が示された。 特に、提案されたスケジューラは6.4%から22.8%の貯水量を達成し、収量は2.3%から4.3%に増加した。

関連論文リスト

• Integrated Water Resource Management in the Segura Hydrographic Basin: An Artificial Intelligence Approach [2.4189718223541044]
  本稿では,水管理シナリオにおけるこれらの課題に対処するためのパラダイム的枠組みを提案する。 提案手法は, 短時間と長期の双方で, 水利用率を正確に予測し, 需要を推定し, 資源配分を最適化する。 この手法は, スペインの瀬倉水文盆地において, 運用水管理の実践に検証され, 統合されている。
  論文  参考訳（メタデータ） (2024-11-11T10:35:41Z)
• Optimizing Diffusion Models for Joint Trajectory Prediction and Controllable Generation [49.49868273653921]
  拡散モデルは、自律運転における共同軌道予測と制御可能な生成を約束する。 最適ガウス拡散(OGD)と推定クリーンマニフォールド(ECM)誘導を導入する。 提案手法は生成過程の合理化を図り,計算オーバーヘッドを低減した実用的な応用を実現する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:59Z)
• Hybrid Reinforcement Learning for Optimizing Pump Sustainability in Real-World Water Distribution Networks [55.591662978280894]
  本稿では,実世界の配水ネットワーク(WDN)のリアルタイム制御を強化するために,ポンプスケジューリング最適化問題に対処する。 我々の主な目的は、エネルギー消費と運用コストを削減しつつ、物理的な運用上の制約を遵守することである。 進化に基づくアルゴリズムや遺伝的アルゴリズムのような伝統的な最適化手法は、収束保証の欠如によってしばしば不足する。
  論文  参考訳（メタデータ） (2023-10-13T21:26:16Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• 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)
• High-resolution global irrigation prediction with Sentinel-2 30m data [0.8137198664755597]
  地球規模の灌水利用の正確かつ正確な理解は、様々な気候科学の取り組みに不可欠である。 我々は,世界中の農地の30万分解能灌水予測を生成するために,新しい灌水モデルとpythonパッケージ(irrigation30)を開発した。 本モデルでは, ランダムにサンプリングされた小標本群において, 97%以上の一貫性スコアと92%の精度を達成できた。
  論文  参考訳（メタデータ） (2020-12-09T17:26:43Z)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)
• Probabilistic Multi-Step-Ahead Short-Term Water Demand Forecasting with Lasso [0.0]
  時系列モデルは、典型的な自己回帰、カレンダー、季節効果を捉えるために導入された。 高次元特徴空間が適用され、自動収縮・選択演算子によって効率よく調整される。 この手法は、ドイツの水道供給業者の時給水需要データに適用される。
  論文  参考訳（メタデータ） (2020-05-09T22:26:09Z)
• 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。