مقاله مدیریت کشاورزی مبتنی بر یادگیری در محیط های تقریبا قابل مشاهده که در معرض تغییرپذیری آب و هوا هستند

چکیده

Agricultural management, with a particular focus on fertilization strategies, holds a central role in shaping crop yield, economic profitability, and environmental sustainability. While conventional guidelines offer valuable insights, their efficacy diminishes when confronted with extreme weather conditions, such as heatwaves and droughts. In this study, we introduce an innovative framework that integrates Deep Reinforcement Learning (DRL) with Recurrent Neural Networks (RNNs). Leveraging the Gym-DSSAT simulator, we train an intelligent agent to master optimal nitrogen fertilization management. Through a series of simulation experiments conducted on corn crops in Iowa, we compare Partially Observable Markov Decision Process (POMDP) models with Markov Decision Process (MDP) models. Our research underscores the advantages of utilizing sequential observations in developing more efficient nitrogen input policies. Additionally, we explore the impact of climate variability, particularly during extreme weather events, on agricultural outcomes and management. Our findings demonstrate the adaptability of fertilization policies to varying climate conditions. Notably, a fixed policy exhibits resilience in the face of minor climate fluctuations, leading to commendable corn yields, cost-effectiveness, and environmental conservation. However, our study illuminates the need for agent retraining to acquire new optimal policies under extreme weather events. This research charts a promising course toward adaptable fertilization strategies that can seamlessly align with dynamic climate scenarios, ultimately contributing to the optimization of crop management practices.

چکیده به فارسی (ترجمه ماشینی)

مدیریت کشاورزی با تمرکز ویژه بر استراتژی های لقاح ، نقش اساسی در شکل گیری عملکرد محصول ، سودآوری اقتصادی و پایداری محیط زیست دارد.در حالی که دستورالعمل های متعارف بینش ارزشمندی را ارائه می دهند ، در مواجهه با شرایط شدید آب و هوایی مانند امواج گرما و خشکسالی ، اثربخشی آنها کاهش می یابد.در این مطالعه ، ما یک چارچوب ابتکاری را معرفی می کنیم که یادگیری تقویت عمیق (DRL) را با شبکه های عصبی مکرر (RNN) ادغام می کند.با استفاده از شبیه ساز Gym-DSSAT ، ما یک عامل هوشمند را برای تسلط بر مدیریت لقاح بهینه نیتروژن آموزش می دهیم.از طریق یک سری آزمایش های شبیه سازی که بر روی محصولات ذرت در آیووا انجام شده است ، ما مدل های تصمیم گیری Markov (POMDP) تا حدی قابل مشاهده را با مدل های فرایند تصمیم گیری مارکوف (MDP) مقایسه می کنیم.تحقیقات ما مزایای استفاده از مشاهدات پی در پی در تدوین سیاستهای ورودی کارآمدتر نیتروژن را تأکید می کند.علاوه بر این ، ما تأثیر تغییرپذیری آب و هوا ، به ویژه در حوادث شدید آب و هوایی ، بر نتایج و مدیریت کشاورزی را بررسی می کنیم.یافته های ما نشان دهنده سازگاری سیاست های لقاح با شرایط مختلف آب و هوا است.نکته قابل توجه ، یک سیاست ثابت در مقابل نوسانات جزئی آب و هوا ، مقاومت در برابر عملکرد ذرت قابل ستایش ، مقرون به صرفه بودن و حفاظت از محیط زیست را نشان می دهد.با این حال ، مطالعه ما نیاز به آموزش مجدد عامل را برای دستیابی به سیاست های بهینه جدید در حوادث شدید آب و هوایی روشن می کند.این تحقیق یک دوره امیدوارکننده را به سمت استراتژی های لقاح قابل انطباق که می تواند یکپارچه با سناریوهای پویا آب و هوا هماهنگ باشد ، ترسیم می کند و در نهایت به بهینه سازی شیوه های مدیریت محصول کمک می کند.