[논문 리뷰] Integrating machine learning paradigms and mixed-integer model predictive control for irrigation scheduling

Bernard T. Agyeman, Mohamed Naouri외 3명|arXiv (Cornell University)|2023. 06. 14.

Irrigation Practices and Water Management인용 수 10

한 줄 요약

예측 기반 관개 스케줄러는 비지도 구역화(k-means), LSTM 기반 토양 수분 모델, PPO로 학습된 정책을 혼합 정수 모델 예측 제어(MPC) 프레임워크에 통합하여 다 구역 필드에서 물 사용 효율성과 수확량을 향상시킵니다.

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%.

연구 동기 및 목표

• 필드 변동성을 포착하기 위해 비지도 학습으로 관개 관리 구역을 정의합니다.
• 데이터 기반 LSTM 모델을 사용하여 구역 내 토양 수분 다이나믹스를 모델링합니다.
• LSTM 모델을 구역 기반 MI-MPC에 통합하여 관개를 스케줄링합니다.
• 제한된 관리 구역 개념과 함께 강화 학습으로 일일 이진 관개 의사결정을 제거합니다.
• 두 개의 재배 계절과 여러 MAD에서 실제 밭에서 스케줄러를 평가하고 전통적 방법과 비교합니다.

제안 방법

• 작물 유형, 고도, 토양 수리학 파라미터를 이용한 3단계 관리 구역 정의를 위한 k-means 클러스터링.
• 구역별로 매개변수화된 1D Richards 방정식 기반 토양 수분 모델링을 상태 공간 표현을 위해 수치적으로 해석합니다.
• 루트 구역 수분을 예측하기 위해 열린 루프 Richards 기반 데이터로 학습된 LSTM 네트워크.
• Soft constraints 가진 토양 수분을 목표 구역으로 유지하면서 관개 비용을 최소화하는 구역 목표를 가진 MI-MPC.
• 일일 관개 의사결정 시퀀스를 도출하기 위해 Proximal Policy Optimization (PPO)을 사용, 구역별 단일 일일 관개 비율 가능.
• 전체 다구역 MI-MPC를 해결하는 대신 도출된 바인딩 관개 시퀀스를 통해 다구역 필드 스케줄링으로 확장합니다.

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

실험 결과

연구 질문

• RQ1 필드 변동성을 포착하는 관개 관리 구역을 효과적으로 구분하는 방법은?
• RQ2 데이터 기반 LSTM 모델이 각 구역 내 루트 구역 수분 다이나믹스를 정확히 예측할 수 있는가?
• RQ3 LSTM 모델을 구역 기반 MI-MPC에 통합하면 기존 스케줄링과 비교해 물 사용 효율성과 수확량이 향상되는가?
• RQ4 PPO를 활용한 강화 학습이 혼합 정수 MPC 프레임워크에서 명시적 일일 이진 관개 의사결정을 제거할 수 있는가?
• RQ5 제안된 스케줄러가 여러 계절과 MAD 설정에서 실제 밭에서 어떻게 성능을 보이는가?

주요 결과

• 물 사용량 6.4%에서 22.8%까지 절감.
• 평가된 계절에서 수량이 2.3%에서 4.3%까지 증가.
• 스케줄러는 전통적 관개 스케줄링 방법에 비해 물 사용 효율과 작물 수량에서 개선을 보였음.
• 캐나다 렐드지(Lethbridge)에서 26.4헥타르 밭에 대해 2015년 및 2022년 계절에 대해 평가.
• MAD 두 가지에 걸친 강건성 시연.

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