[論文レビュー] Integrating machine learning paradigms and mixed-integer model predictive control for irrigation scheduling

Bernard T. Agyeman, Mohamed Naouri+3 more|arXiv (Cornell University)|Jun 14, 2023

Irrigation Practices and Water Management被引用数 10

ひとこと要約

予測的灌漑スケジューラは、教師なしゾーニング（k-means）、LSTMベースの土壌水分モデル、およびPPO訓練ポリシーを混在整数モデル予測制御フレームワーク内で統合し、複数ゾーンの畑における水資源利用効率と収量を改善する。

ABSTRACT

The agricultural sector currently faces significant challenges in water resource conservation and crop yield optimization, primarily due to concerns over freshwater scarcity. Traditional irrigation scheduling methods often prove inadequate in meeting the needs of large-scale irrigation systems. To address this issue, this paper proposes a predictive irrigation scheduler that leverages the three paradigms of machine learning to optimize irrigation schedules. The proposed scheduler employs the k-means clustering approach to divide the field into distinct irrigation management zones based on soil hydraulic parameters and topology information. Furthermore, a long short-term memory network is employed to develop dynamic models for each management zone, enabling accurate predictions of soil moisture dynamics. Formulated as a mixed-integer model predictive control problem, the scheduler aims to maximize water uptake while minimizing overall water consumption and irrigation costs. To tackle the mixed-integer optimization challenge, the proximal policy optimization algorithm is utilized to train a reinforcement learning agent responsible for making daily irrigation decisions. To evaluate the performance of the proposed scheduler, a 26.4-hectare field in Lethbridge, Canada, was chosen as a case study for the 2015 and 2022 growing seasons. The results demonstrate the superiority of the proposed scheduler compared to a traditional irrigation scheduling method in terms of water use efficiency and crop yield improvement for both growing seasons. Notably, the proposed scheduler achieved water savings ranging from 6.4% to 22.8%, along with yield increases ranging from 2.3% to 4.3%.

研究の動機と目的

• フィールドのばらつきを捉えるため、教師なし学習を用いて灌漑管理ゾーンを定義する。
• ゾーン内の土壌水分ダイナミクスを、データ駆動型LSTMモデルを用いてモデル化する。
• ゾーンベースの混合整数MPCへLSTMモデルを組み込み、灌漑をスケジュールする。
• 制限されたマネジメントゾーン概念を用いた強化学習により、日次の明確な二値灌漑決定を排除する。
• 実際の畑で2つの成長期と複数のMADにわたりスケジューラを評価し、従来法と比較する。

提案手法

• 作物タイプ、高度、土壌水理パラメータを用いたk-meansクラスタリングによる3段階の灌漑管理ゾーンの定義。
• ゾーンごとにパラメータ設定された1D Richards方程式に基づく土壌水分モデリングを、状態空間表現の数値解法で解く。
• オープンループのRichardsベースデータで訓練されたLSTMネットワークを用い、1日先の根域水分を予測する。
• ゾーン目的を持つ混合整数MPCを用い、ソフト制約を含みつつ土壌水分をターゲットゾーンに保ちながら灌漑コストを最小化する。
• Proximal Policy Optimization (PPO) を用いて日次の灌漑決定列を導出し、ゾーンごとに1つの日次灌漑レートを可能にする。
• 完全な多ゾーンMI-MPCを解くのではなく、派生した結合灌漑シーケンスにより多ゾーン畑のスケジューリングへ拡張する。

Figure 2 : An illustration of Stage 2 of the proposed delineation process.

実験結果

リサーチクエスチョン

• RQ1 フィールドのばらつきを捉えるため、教師なし学習を用いて灌漑管理ゾーンを定義する。
• RQ2 ゾーン内の土壌水分ダイナミクスを、データ駆動型LSTMモデルを用いてモデル化する。
• RQ3 ゾーンベースの混合整数MPCへLSTMモデルを組み込み、灌漑をスケジュールする。
• RQ4 制限されたマネジメントゾーン概念を用いた強化学習により、日次の明確な二値灌漑決定を排除する。
• RQ5 実際の畑で2つの成長期と複数のMADにわたりスケジューラを評価し、従来法と比較する。

主な発見

• 成長期を通じて水資源節約率が6.4%から22.8%を達成。
• 評価期間で収量が2.3%から4.3%増加と報告。
• スケジューラは従来の灌漑スケジューリング法に比べ、水資源利用効率と作物収量の改善を示した。
• カナダ、レスブリッジの26.4ヘクタールの畑で2015年と2022年のシーズンに評価。
• 2つの管理可能枯耗（MADs）を跨る頑健性を示す。

Figure 3 : A schematic diagram of the proposed LSTM model for each management zone.