机构名称：
¥ 1.0
数字双胞胎通过数据收集和机器学习创建现实世界系统的虚拟复制品，在各个行业中引起了人们的关注。这些复制品用于运行模拟，监视过程和支持决策，从而向受益用户提取有价值的信息。强化学习是一种有前途的机器学习技术，可以在数字双胞胎中使用，因为它依赖于环境或系统的虚拟表示来学习给定任务的最佳策略，这正是数字双胞胎提供的。通过其自学性质，强化学习不仅可以优化给定的任务，而且还可以找到实现以前未经探索的目标的方法，因此，开辟了新的途径，以解决诸如虫害和疾病检测，作物生长或作物旋转计划之类的任务。但是，尽管强化学习可以使许多农业实践有益，但经常被忽略了所采用模型的解释性，随着用户未能建立对建议决策的信任，因此减少了其好处。因此，显然缺乏专注于可解释的增强学习技术，这表明将来的发展是一个重要的领域，因为对于许多人来说，这对于许多人来说至关重要，因为农业食品部门需要依靠弹性方法和可理解的决策。可解释的AI模型有助于达到这两个要求。因此，在农业中使用增强学习有可能在农业领域开放各种基于强化学习的数字双胞胎应用。一方面，我们检查了应用域，并将它们归于类别。为了探索这些领域，本综述对现有的研究作品进行了分类，这些研究作品采用了强化学习技术在农业环境中。另一方面，我们通过强化学习方法进行了对作品进行分组，以获取当前使用的模型的概述。通过此分析，审查旨在提供有关农业最先进的强化学习应用程序的见解。此外，我们旨在确定未来研究的差距和机会，重点关注强化学习和数字双胞胎的潜在协同作用，以应对农业挑战并优化农业流程，为更加有效和可持续的农业方法铺平道路。
智能农业技术
主要关键词
相关文件推荐
