ІНТЕЛЕКТУАЛЬНЕ КЕРУВАННЯ МІКРОКЛІМАТОМ СІТІ-ФЕРМИ НА ОСНОВІ АЛГОРИТМУ Q-LEARNING
DOI:
https://doi.org/10.17721/AIT.2024.1.02Ключові слова:
розподілені системи, технології IoT, хмарні обчислення, Q-learning, моніторингАнотація
В с т у п . У контексті швидкого розвитку сіті-фермерства та зростання інтересу до сталого виробництва харчових продуктів, керування мікрокліматом стає ключовим аспектом для досягнення оптимального вирощування рослин. Оптимальне керування температурою, вологістю та освітленням може допомогти використовувати обмежений простір ефективніше, збільшуючи врожайність на одиницю площі. Системи контролю клімату, які дозволяють створювати оптимальні умови для рослин, дозволяють збільшити виробництво на обмеженій площі. Метою дослідження є прийняття обґрунтованих рішень у системі контролю клімату, заснованою на алгоритмах підсиленого навчання, зокрема Q-learning, для підвищення продуктивності й ефективності вирощування мікрозелені в сіті-фермерстві. М е т о д и . Для прийняття обґрунтованих рішень у системі контролю клімату досліджено алгоритм навчання з підкріпленням (Q-learning), який складається з таких етапів: визначення різних кліматичних станів системи, вибір дії, яку слід виконати, на основі поточного стану системи й оцінки корисності, яку розраховують на основі рівняння Беллмана. Розроблено та реалізовано модель керування мікрокліматом, яка використовує алгоритм Q-learning для оптимізації параметрів клімату. Методика дослідження включала моделювання різних умов середовища, навчання моделі на основі зібраних даних та експериментального тестування в реальних умовах сіті-фермерства. Р е з у л ь т а т и . Експериментальне моделювання з використанням мови програмування Python із бібліотеками TensorFlow, PyTorch та scikit-learn, підтвердили ефективність застосування алгоритму Q-learning у системі контролю клімату для підвищення продуктивності й ефективності вирощування мікрозелені. Щоб переконатися, що система досягла бажаного стану, використовують такі стратегії, як моніторинг реальних значень параметрів за допомогою IoT-датчиків системи контролю клімату, аналіз отриманих значень Q-таблиці та встановлення критеріїв зупинки навчання. Результати роботи програми передають актуаторам через мережу передачі даних Wi-Fi за допомогою мікроконтролера ESP8266, який використовують як модуль Wi-Fi для мікроконтролера Arduino. В и с н о в к и . Застосування системи контролю клімату з алгоритмом Q-learning у сіті-фермерстві сприяє досягненню більшої продуктивності, ефективності та стабільності вирощування рослин, що відображається на покращенні результатів вирощування рослин.Завантажити
Посилання
Ajagekar, A., & You, F. (2022). Deep Reinforcement Learning Based Automatic Control in Semi-Closed Greenhouse Systems. In L. Ricardez-Sandoval,
J. Pico, J. H. Lee, J. M. Lee (Eds.), IFAC-PapersOnLine, 55(7), 406–411. https://doi.org/10.1016/j.ifacol.2022.07.477
Ali, N., Wahid, A., Shaw, R., & Mason, K. (2024). A Reinforcement Learning Approach to Dairy Farm Battery Management using Q Learning. In T. Dietterich,
K. Apt, R. Boisvert (Eds.), Journal of Energy Storage, 93, 112031. https://doi.org/10.48550/arXiv.2403.09499
Alibabaei, K., Gaspar, P. D., & Lima, T. M. (2021). Crop yield estimation using deep learning based on climate big data and irrigation scheduling. In José A. Afonso, R. Barbosa, A. Bielecki (Eds.), Energies, 14(11), 3004. https://doi.org/10.3390/en14113004
Ashcraft, C., & Karra, K. (2021). Machine learning aided crop yield optimization. In T. Dietterich, K. Apt, R. Boisvert (Eds.), arXiv preprint arXiv:2111.00963. https://doi.org/10.48550/arXiv.2111.00963
Ashokkumar, K., Chowdary, D. D., & Sree, C. D. (2019, October). Data analysis and prediction on cloud computing for enhancing productivity in agriculture.
In IOP Conference Series: Materials Science and Engineering (Vol. 590, No. 1, p. 012014). IOP Publishing. https://doi.org/10.1088/1757-899X/590/1/012014
Axak, N., Korablyov, M., Ushakov, M. (2020). Cloud Architecture for Remote Medical Monitoring. IEEE Proceedings of the 15th International conference “Computer Sciences and Information Technologies” (CSIT-2020). 1 (pp. 344–347). Zbarazh–Lviv. https://doi.org/10.1109/CSIT49958.2020.9321927
Axak N., Serdiuk N., Ushakov M., Korablyov M. (2020). Development of System for Monitoring and Forecasting of Employee Health on the Enterprise. In
V. Lytvyn, V. Vysotska, T. Hamon, N. Grabar, N. Sharonova, O. Cherednichenko, O. Kanishcheva (Eds.), Proceedings of the 4th International Conference on Computational Linguistics and Intelligent Systems (COLINS 2020), April 23–24, I: Main Conference (рр. 979–992), Lviv. https://ceur-ws.org/Vol-2604/paper65.pdf
Choab, N., Allouhi, A., El Maakoul, A., Kousksou, T., Saadeddine, S., & Jamil, A. (2019). Review on greenhouse microclimate and application: Design parameters, thermal modeling and simulation, climate controlling technologies. In R. Pitchumani, X. Xia (Eds.), Solar Energy, 191, 109–137.https://doi.org/10.1016/j.solener.2019.08.042
Chougule, M. A., & Mashalkar, A. S. (2022). A comprehensive review of agriculture irrigation using artificial intelligence for crop production. In K. Kumar,
G. Kakandikar, & J. Paulo Davim (Eds.), Computational Intelligence in Manufacturing, 187–200. https://doi.org/10.1016/B978-0-323-91854-1.00002-9
Dhaka, A. S., Dikshit, H. K., Mishra, G. P., Tontang, M. T., Meena, N. L., Kumar, R. R., Ramesh, S. V., Narwal, S., Aski, M., Thimmegowda, V., Gupta S., Nair, & R. M., Praveen, S. (2023). Evaluation of Growth Conditions, Antioxidant Potential, and Sensory Attributes of Six Diverse Microgreens Species. In Rosario Paolo Mauro (Eds.), Agriculture, 13(3), 676. https://doi.org/10.3390/agriculture13030676
Enssle, N. (2020). Microgreens: Market Analysis, Growing Methods and Models. In N. Enssle (Eds.). California State University San Marcos.
Lodge, J. (2019). Controlled Environment Agriculture: using Intelligent Systems on the next level. In A. Muñoz, J. Park (Eds.), Agriculture and Environment Perspectives in Intelligent Systems (pp. 1–33). IOS Press. https://doi.org/10.3233/AISE190002
Ngo, V. M., Le-Khac, N. A., & Kechadi, M. (2018). An efficient data warehouse for crop yield prediction. In T. Dietterich, K. Apt, R. Boisvert (Eds.), arXiv preprint arXiv:1807.00035. https://doi.org/10.48550/arXiv.1807.00035
Nikolaou, G., Neocleous, D., Katsoulas, N., & Kittas, C. (2019). Irrigation of greenhouse crops. In A. Koukounaras (Eds.), Horticulturae, 5(1), 7. https://doi.org/10.3390/horticulturae5010007
Paradiso, R., Proietti, S. (2022). Light-Quality Manipulation to Control Plant Growth and Photomorphogenesis in Greenhouse Horticulture: The State of the Art and the Opportunities of Modern LED Systems. In J. Ludwig-Müller (Eds.), J. Plant Growth Regul ,41, 742–780. https://doi.org/10.1007/s00344-021-10337-y
Wu, Z., Pan, P., Liu, J., Shi, B., Yan, M., & Zhang, H. (2021). Environmental Perception Q-Learning to Prolong the Lifetime of Poultry Farm Monitoring Networks. In V. Varadarajan (Eds.), Electronics, 10(23), 3024. https://doi.org/10.3390/electronics10233024
Zhou, N. (2020). Intelligent control of agricultural irrigation based on reinforcement learning. Journal of Physics Conference Series,1601(5), 052031. IOP Publishing. https://doi.org/10.1088/1742-6596/1601/5/052031
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Сучасні інформаційні технології
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
