Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/20.500.14279/29251
Τίτλος: | Σύστημα τεχνητής νοημοσύνης για την αποτελεσματική και αποδοτική άρδευση καλλιεργειών | Συγγραφείς: | Τσαμπαλός, Αλέξης | Λέξεις-κλειδιά: | Τεχνητή νοημόσυνη;Καλλιέργεια πατάτας | Advisor: | Χατζημιτσής, Διόφαντος | Ημερομηνία Έκδοσης: | 2022 | Department: | Department of Civil Engineering and Geomatics | Faculty: | Faculty of Engineering and Technology | Περίληψη: | Η παρούσα πτυχιακή εστιάζεται στην ανάπτυξη συστήματος τεχνητής νοημοσύνης με χρήση ενισχυτικών τεχνικών εκμάθησης για τη βελτιστοποίηση απόδοσης της καλλιέργειας πατάτας υπό περιορισμό προϋπολογισμού άρδευσης και εδαφικών ορίων υγρασίας στη γεωργική περιοχή μελέτης στα Μανδριά της Πάφου. Μια μαθηματική μεθοδολογία ακολουθείται στο πλαίσιο ενισχυτικής μάθησης όπου διατυπώνουμε την συνάρτηση επιβράβευσης η οποία συγκλίνει κοντά στην περιοχή βέλτιστης λύσης με βάση την παραμετροποίηση υπό περιορισμούς και a priori εκτίμηση των βέλτιστων παραμέτρων. Η παραμετροποιημένη συνάρτηση ανταμοιβής διαμορφώνεται με βάση τα κατώφλια υγρασίας σε κάθε στάδιο του φαινολογικού κύκλου της πατάτας-στόχου, τη μέγιστη απόδοση καλλιέργειας αλλά και τον προϋπολογισμό της άρδευσης. Χρησιμοποιήσαμε τη μέθοδο Nelder – Mead για την αρχική εκτίμηση των ορίων βέλτιστης απόδοσης νερού στο έδαφος για κάθε φαινολογικό στάδιο και την αντιμετωπίσαμε ως είσοδο βέλτιστων τιμών για να επισπεύσουμε και να οδηγήσουμε τη σύγκλιση κοντά στη βέλτιστη απόδοση. Αναπτύχθηκε ένα εκπαιδευτικό περιβάλλον προκειμένου να συνδεθεί ο προσομοιωτής AquaCrop (FAO) με συγχρονισμό βημάτων περιβάλλοντος και μοντέλου καλλιέργειας σε χρόνο βημάτων 1:1. Τα δεδομένα-στόχοι αποκτήθηκαν από το έργο SWSOIP μέσω εκτιμήσεων τηλεπισκόπησης και επιτόπιων παρατηρήσεων, προκειμένου να προσομοιωθεί η ανάπτυξη της πατάτας και οι δυναμικές αλληλεπιδράσεις της στον πραγματικό κόσμο. Στο πεδίο δράσης του πράκτορα ορίστηκε ένα διακριτό σύνολο άρδευσης βάθους για κάθε βήμα της προσομοίωσης εκπαίδευσης. Η αρχιτεκτονική του πράκτορα ακολουθεί την υλοποίηση του Deep-Q-Network με βάση τις προδιαγραφές του χώρου παρατήρησης και δράσης. Τέλος, εκπαιδεύουμε τον πράκτορα για ένα προκαθορισμένο μέγεθος δείγματος και αξιολογούμε την απόδοση του εκτός του δείγματος εκπαίδευσης. Λέξεις κλειδιά: Τεχνητή νοημοσύνη, Τεχνικές ενισχυτικής εκμάθησης, Δίκτυο βαθιάς Q-μάθησης, Προσομοίωση καλλιέργειας, Βελτιστοποίηση απόδοσης καλλιέργειας. | URI: | https://hdl.handle.net/20.500.14279/29251 | Rights: | Attribution-NonCommercial-NoDerivatives 4.0 International | Type: | Bachelors Thesis | Affiliation: | Cyprus University of Technology |
Εμφανίζεται στις συλλογές: | Πτυχιακές Εργασίες/ Bachelor's Degree Theses |
Αρχεία σε αυτό το τεκμήριο:
Αρχείο | Περιγραφή | Μέγεθος | Μορφότυπος | |
---|---|---|---|---|
ΠΕΡΙΛΗΨΗ_ΤΣΑΜΠΑΛΟΣ ΑΛΕΞΗΣ.pdf | Περίληψη | 176.38 kB | Adobe PDF | Δείτε/ Ανοίξτε |
CORE Recommender
Page view(s)
53
Last Week
0
0
Last month
7
7
checked on 22 Δεκ 2024
Download(s) 50
56
checked on 22 Δεκ 2024
Google ScholarTM
Check
Αυτό το τεκμήριο προστατεύεται από άδεια Άδεια Creative Commons