This study examines how artificial intelligence (AI), especially Reinforcement Learning (RL), can be used in farming to boost crop yields, fine-tune nitrogen use and watering, and reduce nitrate runoff and greenhouse gases, focusing on Nitrous Oxide (N$_2$O) emissions from soil. Facing climate change and limited agricultural knowledge, we use Partially Observable Markov Decision Processes (POMDPs) with a crop simulator to model AI agents' interactions with farming environments. We apply deep Q-learning with Recurrent Neural Network (RNN)-based Q networks for training agents on optimal actions. Also, we develop Machine Learning (ML) models to predict N$_2$O emissions, integrating these predictions into the simulator. Our research tackles uncertainties in N$_2$O emission estimates with a probabilistic ML approach and climate variability through a stochastic weather model, offering a range of emission outcomes to improve forecast reliability and decision-making. By incorporating climate change effects, we enhance agents' climate adaptability, aiming for resilient agricultural practices. Results show these agents can align crop productivity with environmental concerns by penalizing N$_2$O emissions, adapting effectively to climate shifts like warmer temperatures and less rain. This strategy improves farm management under climate change, highlighting AI's role in sustainable agriculture.

Bản dịch tiếng Việt:

Nghiên cứu này xem xét cách trí tuệ nhân tạo (AI), đặc biệt là Học tăng cường (RL), có thể được sử dụng trong nông nghiệp để tăng năng suất cây trồng, tinh chỉnh việc sử dụng nitơ và tưới nước cũng như giảm lượng khí thải nitrat và khí nhà kính, tập trung vào lượng khí thải Nitrous Oxide (N$_2$O) từ đất. Đối mặt với biến đổi khí hậu và kiến ​​thức nông nghiệp hạn chế, chúng tôi sử dụng Quy trình quyết định Markov có thể quan sát một phần (POMDP) ​​với trình mô phỏng cây trồng để mô hình hóa sự tương tác của tác nhân AI với môi trường canh tác. Chúng tôi áp dụng Q-learning sâu với mạng Q dựa trên Mạng thần kinh tái phát (RNN) để đào tạo các tác nhân về các hành động tối ưu. Ngoài ra, chúng tôi còn phát triển các mô hình Học máy (ML) để dự đoán lượng phát thải N$_2$O, tích hợp những dự đoán này vào trình mô phỏng. Nghiên cứu của chúng tôi giải quyết những vấn đề không chắc chắn trong ước tính phát thải N$_2$O bằng phương pháp ML xác suất và sự biến đổi khí hậu thông qua mô hình thời tiết ngẫu nhiên, đưa ra nhiều kết quả phát thải để cải thiện độ tin cậy dự báo và ra quyết định. Bằng cách kết hợp các tác động của biến đổi khí hậu, chúng tôi nâng cao khả năng thích ứng với khí hậu của các tác nhân, hướng tới các hoạt động nông nghiệp kiên cường. Kết quả cho thấy các tác nhân này có thể điều chỉnh năng suất cây trồng phù hợp với các mối lo ngại về môi trường bằng cách hạn chế lượng khí thải N$_2$O, thích ứng hiệu quả với những thay đổi khí hậu như nhiệt độ ấm hơn và ít mưa hơn. Chiến lược này cải thiện việc quản lý trang trại trong điều kiện biến đổi khí hậu, nêu bật vai trò của AI trong nông nghiệp bền vững.

Document Ready

Click below to load the full PDF document natively.