論文の概要: AgGym: An agricultural biotic stress simulation environment for ultra-precision management planning

• arxiv url: http://arxiv.org/abs/2409.00735v1
• Date: Sun, 1 Sep 2024 14:55:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 11:36:58.097707
• Title: AgGym: An agricultural biotic stress simulation environment for ultra-precision management planning
• Title（参考訳）: AgGym:超精密経営計画のための農業生物ストレスシミュレーション環境
• Authors: Mahsa Khosravi, Matthew Carroll, Kai Liang Tan, Liza Van der Laan, Joscif Raigne, Daren S. Mueller, Arti Singh, Aditya Balu, Baskar Ganapathysubramanian, Asheesh Kumar Singh, Soumik Sarkar,
• Abstract要約: 本稿では, 現場における生物ストレスの拡散をモデル化するための, モジュラー, 作物, ストレスシミュレーションフレームワークであるAgGymを紹介する。 本稿では,AgGymを限られたデータでカスタマイズし,各種の生物ストレス条件下での収量分布をシミュレートできることを示す。 提案フレームワークは,生物ストレス管理のスケジュールを,機会的,規範的に基づく個人化された意思決定支援を実現する。
• 参考スコア（独自算出の注目度）: 8.205412609306713
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agricultural production requires careful management of inputs such as fungicides, insecticides, and herbicides to ensure a successful crop that is high-yielding, profitable, and of superior seed quality. Current state-of-the-art field crop management relies on coarse-scale crop management strategies, where entire fields are sprayed with pest and disease-controlling chemicals, leading to increased cost and sub-optimal soil and crop management. To overcome these challenges and optimize crop production, we utilize machine learning tools within a virtual field environment to generate localized management plans for farmers to manage biotic threats while maximizing profits. Specifically, we present AgGym, a modular, crop and stress agnostic simulation framework to model the spread of biotic stresses in a field and estimate yield losses with and without chemical treatments. Our validation with real data shows that AgGym can be customized with limited data to simulate yield outcomes under various biotic stress conditions. We further demonstrate that deep reinforcement learning (RL) policies can be trained using AgGym for designing ultra-precise biotic stress mitigation strategies with potential to increase yield recovery with less chemicals and lower cost. Our proposed framework enables personalized decision support that can transform biotic stress management from being schedule based and reactive to opportunistic and prescriptive. We also release the AgGym software implementation as a community resource and invite experts to contribute to this open-sourced publicly available modular environment framework. The source code can be accessed at: https://github.com/SCSLabISU/AgGym.
• Abstract（参考訳）: 農業生産は、高い収量、利益、種子品質の優れた作物を成功させるために、殺虫剤、殺虫剤、除草剤などの入力を慎重に管理する必要がある。 現在の最先端の作物管理は粗大な作物管理戦略に依存しており、全畑に害虫や病気を防除する化学物質を散布し、コストが上昇し、亜最適土壌と作物管理に繋がる。 これらの課題を克服し、作物生産を最適化するために、我々は、仮想フィールド環境内の機械学習ツールを使用して、農家が利益を最大化しつつ、バイオティクスの脅威を管理するための局所的な管理計画を生成する。 特にAgGymは, 土壌中の生物ストレスの拡散をモデル化し, 化学処理なしでの収量損失を推定するための, モジュラー, 作物, ストレス非依存のシミュレーションフレームワークである。 実データを用いた検証の結果,AgGymは各種の生物ストレス条件下での収量分布をシミュレートするために,限られたデータでカスタマイズ可能であることがわかった。 さらに,AgGymを用いた深部強化学習(RL)政策を,より少ない化学薬品と低コストで収量回復を図り,超精密な生物性ストレス緩和戦略を設計するための訓練が可能であることを実証した。 提案フレームワークは, 生物ストレス管理をスケジュールベースから, 即時的, 規範的, 反応性に転換する, 個人化された意思決定支援を実現する。 また、AgGymソフトウェア実装をコミュニティリソースとしてリリースし、専門家にこのオープンソースで公開されているモジュラー環境フレームワークへの貢献を依頼します。 ソースコードは、https://github.com/SCSLabISU/AgGym.comでアクセスできる。

関連論文リスト

• A Comparative Study of Deep Reinforcement Learning for Crop Production Management [13.123171643387668]
  適応的な作物管理政策を開発するための有望なツールとして強化学習(RL)が登場している。 ジム-DSSATの作物モデル環境において, 作物管理, PPO, 深度Q-networks (DQN) に最も広く利用されているシミュレータの1つが, 有望な結果を示している。 本研究では,PPOとDQNを,体育DSSAT環境によって提供される3つのRLタスクの静的ベースラインポリシー(肥料化,灌水,混合管理)に対して評価した。
  論文  参考訳（メタデータ） (2024-11-06T18:35:51Z)
• AgentGen: Enhancing Planning Abilities for Large Language Model based Agent via Environment and Task Generation [89.68433168477227]
  LLM(Large Language Model)ベースのエージェントは注目され、ますます人気が高まっている。 本稿では,LLMの学習指導による計画能力の向上について検討する。 この制限に対処するために,多様な環境の自動合成と段階的な計画課題について検討する。
  論文  参考訳（メタデータ） (2024-08-01T17:59:46Z)
• BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
  そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
  論文  参考訳（メタデータ） (2024-05-27T19:57:17Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• 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)
• Optimizing Crop Management with Reinforcement Learning and Imitation Learning [9.69704937572711]
  我々は,Nの施肥と灌水を,強化学習(RL),模倣学習(IL),作物シミュレーションを通じて同時に最適化するインテリジェントな作物管理システムを提案する。 フロリダ州のトウモロコシを用いたケーススタディの実験を行い,シミュレーションにおけるトウモロコシ管理ガイドラインとの比較を行った。 完全かつ部分的な観察の下で訓練された政策は、より良い結果をもたらす。その結果、より利益が上がり、環境への影響も小さくなる。
  論文  参考訳（メタデータ） (2022-09-20T20:48:52Z)
• Optimizing Nitrogen Management with Deep Reinforcement Learning and Crop Simulations [11.576438685465797]
  窒素 (N) 管理は土壌の肥大化と作物生産の維持に重要であり, 負の環境影響を最小限に抑えるが, 最適化は困難である。 本稿では,深部強化学習(RL)を用いた知的N管理システムと農業技術移転意思決定支援システム(DSSAT)を用いた作物シミュレーションを提案する。 次に、シミュレーションされた作物環境とRLエージェントとの日々のインタラクションを可能にするGym-DSSATインタフェースと、Q-networkとソフトアクタ-クリティックアルゴリズムを用いて管理ポリシーをトレーニングする。
  論文  参考訳（メタデータ） (2022-04-21T20:26:41Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• CropGym: a Reinforcement Learning Environment for Crop Management [0.0]
  強化学習エージェントが受精管理ポリシーを学ぶことができるOpenAIジム環境を実装します。 私たちの環境では、Proximal Policy Optimizationアルゴリズムで訓練されたエージェントが、他のベースラインエージェントよりも環境負荷の低減に成功しています。
  論文  参考訳（メタデータ） (2021-04-09T12:17:26Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• 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)

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。