الزراعة في البيوت المحمية ضرورية لإنتاج الغذاء المستدام، إلا أن الطلب العالي على الطاقة وعدم كفاءة الموارد تشكل تحديات كبيرة. غالبًا ما تعتمد طرق التحكم في المناخ التقليدية على استراتيجيات هيورستيك أو أنظمة قائمة على قواعد غير مثالية، مما يؤدي إلى استهلاك مفرط للطاقة وتكاليف تشغيل عالية. لمواجهة ذلك، نقترح إطار تعلم معزز بالانتشار للتحكم في مناخ البيوت المحمية بكفاءة موارد، مع تحسين درجات الحرارة والرطوبة ومستويات CO₂ مع تقليل استهلاك الطاقة. على عكس التعلم العميق التقليدي أو طرق السياسة العشوائية، تعزز طريقتنا المستندة إلى الانتشار قوة السياسة من خلال نمذجة الديناميات البيئية العشوائية، مما يمكّن اتخاذ قرارات تكيفية تحت عدم اليقين. نحن نتحقق من طريقتنا باستخدام بيانات العالم الحقيقي والمحاكاة للبيوت المحمية، مظهرين أداءً متفوقًا مقارنةً بأسلوب النسبة والتكامل والاشتقاق التقليدي. تظهر نتائج المحاكاة توفيرًا للطاقة بنسبة 47.31% (±4.14%) في الربيع، و45.69% (±4.51%) في الصيف، و55.54% (±2.06%) في الخريف، و42.92% (±2.29%) في الشتاء، مقارنة بأساليب الأساس مع الحفاظ على ظروف نمو المحاصيل المثلى. هذه الدراسة تعزز التحكم الذكي في الزراعة الدقيقة من خلال دمج نماذج الانتشار الاحتمالية التي تمت تنقيتها مع التعلم المعزز، مقدمة طريقًا مدفوعًا بالبيانات نحو عمليات البيوت المحمية الكفوءة في استخدام الطاقة والمحايدة للكربون. • التعلم المعزز بالانتشار للتحكم في مناخ البيوت المحمية. • دمج نماذج الانشار التوليدية مع التعلم المعزز. • تقليل استهلاك الطاقة بنسبة 40-58% عبر عمليات البيوت المحمية الموسمية. • زيادة إنتاج المحاصيل بنسبة 10.5% وتقليل التكاليف بنسبة 35.6%. • تمكين الزراعة المدفوعة بالبيانات والمحايدة للكربون.
درس تشين وآخرون (الثلاثاء) هذا السؤال.