論文の概要: NDRL: Cotton Irrigation and Nitrogen Application with Nested Dual-Agent Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2512.16408v1
• Date: Thu, 18 Dec 2025 11:07:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:32.023171
• Title: NDRL: Cotton Irrigation and Nitrogen Application with Nested Dual-Agent Reinforcement Learning
• Title（参考訳）: NDRL:Nested Dual-Agent Reinforcement Learningによる綿の洗浄と窒素利用
• Authors: Ruifeng Xu, Liang He,
• Abstract要約: 本研究では,Nested Dual-Agent Reinforcement Learning (NDRL)法を提案する。 児童エージェントの報酬機能は、定量水ストレス因子(WSF)と窒素ストレス因子(NSF)を組み込む 実験の結果、2023年と2024年に比較すると、シミュレーションされた収量は4.7%増加した。
• 参考スコア（独自算出の注目度）: 30.1462125315719
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective irrigation and nitrogen fertilization have a significant impact on crop yield. However, existing research faces two limitations: (1) the high complexity of optimizing water-nitrogen combinations during crop growth and poor yield optimization results; and (2) the difficulty in quantifying mild stress signals and the delayed feedback, which results in less precise dynamic regulation of water and nitrogen and lower resource utilization efficiency. To address these issues, we propose a Nested Dual-Agent Reinforcement Learning (NDRL) method. The parent agent in NDRL identifies promising macroscopic irrigation and fertilization actions based on projected cumulative yield benefits, reducing ineffective explorationwhile maintaining alignment between objectives and yield. The child agent's reward function incorporates quantified Water Stress Factor (WSF) and Nitrogen Stress Factor (NSF), and uses a mixed probability distribution to dynamically optimize daily strategies, thereby enhancing both yield and resource efficiency. We used field experiment data from 2023 and 2024 to calibrate and validate the Decision Support System for Agrotechnology Transfer (DSSAT) to simulate real-world conditions and interact with NDRL. Experimental results demonstrate that, compared to the best baseline, the simulated yield increased by 4.7% in both 2023 and 2024, the irrigation water productivity increased by 5.6% and 5.1% respectively, and the nitrogen partial factor productivity increased by 6.3% and 1.0% respectively. Our method advances the development of cotton irrigation and nitrogen fertilization, providing new ideas for addressing the complexity and precision issues in agricultural resource management and for sustainable agricultural development.
• Abstract（参考訳）: 効果的な灌水と窒素の施肥は作物の収量に大きな影響を及ぼす。 しかし, 既往の研究は, 1) 作物生育における水-窒素組合せの最適化と収量最適化の難しさ, (2) 軽度ストレス信号の定量化と遅延フィードバックの難しさの2つの限界に直面する。 これらの課題に対処するため,Nested Dual-Agent Reinforcement Learning (NDRL)法を提案する。 NDRLの親剤は、投射累積収率の利点に基づいて、有望なマクロな灌水および受精作用を同定し、目的と収率の整合を維持しつつ、効率の悪い探索を減らした。 児童エージェントの報酬機能は、定量水ストレス因子(WSF)と窒素ストレス因子(NSF)を内包し、混合確率分布を用いて日々の戦略を動的に最適化し、収量と資源効率を両立させる。 我々は2023年と2024年のフィールド実験データを用いて、農業技術移転のための意思決定支援システム(DSSAT)の校正と検証を行い、実環境をシミュレートし、NDRLと対話した。 実験の結果,2023年と2024年は,2023年と2024年はそれぞれ4.7%増加し,それぞれ5.6%,5.1%増加し,窒素部分係数生産性は6.3%,1.0%上昇した。 本手法は, 農業資源管理の複雑さと精度の問題に対処し, 持続可能な農業開発のための新しいアイデアを提供する。

関連論文リスト

• Informed Learning for Estimating Drought Stress at Fine-Scale Resolution Enables Accurate Yield Prediction [10.780371055923304]
  水は農業の生産性に不可欠であり、水不足と収量ポテンシャルの低下は意思決定において重要な要素である。 物理過程と整合する作物シミュレーションモデルは本質的な説明性を提供するが、しばしば性能が良くない。 作物収量モデリングのための機械学習モデルは強力でスケーラブルであるが、一般的にブラックボックスとして機能し、作物の成長の物理的原理に固執しない。
  論文  参考訳（メタデータ） (2025-10-21T13:58:04Z)
• Towards High Data Efficiency in Reinforcement Learning with Verifiable Reward [54.708851958671794]
  オフラインとオンラインの両方のデータ選択のための最適化戦略を組み合わせた,データ効率のよいポリシ最適化パイプラインを提案する。 オフラインフェーズでは、多様性、影響、適切な難易度に基づいて、トレーニングサンプルの高品質なサブセットをキュレートする。 オンラインRLVRトレーニングにおいて、探索可能性の低いサンプルを動的にフィルタリングするサンプルレベルの探索性指標を導入する。
  論文  参考訳（メタデータ） (2025-09-01T10:04:20Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• Robotic System with AI for Real Time Weed Detection, Canopy Aware Spraying, and Droplet Pattern Evaluation [0.0]
  我々は,雑草の存在を検知し,天蓋の大きさを推定し,ノズルのアクティベーションをリアルタイムで動的に調整できる,視覚誘導型AI駆動可変速度噴霧装置を開発した。 このシステムは軽量のYOLO11nとYOLO11nセグ深層学習モデルを統合し、NVIDIA Jetson Orin Nano上に展開して推論を行う。 今後の研究は、サウスダコタ州で一般的な雑草3種を含む検出能力を拡大することに焦点を当てる。
  論文  参考訳（メタデータ） (2025-07-07T19:27:29Z)
• Involution-Infused DenseNet with Two-Step Compression for Resource-Efficient Plant Disease Classification [0.0]
  本研究では,重み付けと知識蒸留を統合した2段階モデル圧縮手法を提案する。 その結果、ResNet50sは、PandVillageとPaddyLeafのデータセットで99.55%と98.99%の精度を達成した。
  論文  参考訳（メタデータ） (2025-05-31T22:43:23Z)
• EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
  大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。 本稿では,新しいベンチマークであるEfficientLLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T02:27:08Z)
• 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)
• Optimizing Irrigation Efficiency using Deep Reinforcement Learning in the Field [4.091593765662773]
  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。
  論文  参考訳（メタデータ） (2023-04-04T01:04:53Z)
• 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)

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。