Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο: https://hdl.handle.net/20.500.14279/29251
Πεδίο DCΤιμήΓλώσσα
dc.contributor.advisorΧατζημιτσής, Διόφαντος-
dc.contributor.authorΤσαμπαλός, Αλέξης-
dc.date.accessioned2023-06-12T08:22:03Z-
dc.date.available2023-06-12T08:22:03Z-
dc.date.issued2022-
dc.identifier.urihttps://hdl.handle.net/20.500.14279/29251-
dc.description.abstractΗ 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.en_US
dc.formatpdfen_US
dc.language.isoelen_US
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectΤεχνητή νοημόσυνηen_US
dc.subjectΚαλλιέργεια πατάταςen_US
dc.titleΣύστημα τεχνητής νοημοσύνης για την αποτελεσματική και αποδοτική άρδευση καλλιεργειώνen_US
dc.typeBachelors Thesisen_US
dc.affiliationCyprus University of Technologyen_US
dc.relation.deptDepartment of Civil Engineering and Geomaticsen_US
dc.description.statusCompleteden_US
cut.common.academicyear2021-2022en_US
dc.relation.facultyFaculty of Engineering and Technologyen_US
item.openairetypebachelorThesis-
item.grantfulltextopen-
item.cerifentitytypePublications-
item.fulltextWith Fulltext-
item.languageiso639-1el-
item.openairecristypehttp://purl.org/coar/resource_type/c_46ec-
crisitem.author.deptDepartment of Civil Engineering and Geomatics-
crisitem.author.facultyFaculty of Engineering and Technology-
crisitem.author.orcid0000-0002-2684-547X-
crisitem.author.parentorgFaculty of Engineering and Technology-
Εμφανίζεται στις συλλογές:Πτυχιακές Εργασίες/ Bachelor's Degree Theses
Αρχεία σε αυτό το τεκμήριο:
Αρχείο Περιγραφή ΜέγεθοςΜορφότυπος
ΠΕΡΙΛΗΨΗ_ΤΣΑΜΠΑΛΟΣ ΑΛΕΞΗΣ.pdfΠερίληψη176.38 kBAdobe PDFΔείτε/ Ανοίξτε
CORE Recommender
Δείξε τη σύντομη περιγραφή του τεκμηρίου

Page view(s) 50

154
Last Week
0
Last month
3
checked on 18 Μαϊ 2026

Download(s) 50

120
checked on 18 Μαϊ 2026

Google ScholarTM

Check


Αυτό το τεκμήριο προστατεύεται από άδεια Άδεια Creative Commons Creative Commons