【技术实现步骤摘要】
本申请涉及智慧农业，特别涉及一种作物的氮肥决策方法、装置、电子设备及存储介质。
技术介绍
1、现有的农田氮肥管理依靠传统经验，在作物生长过程中，氮肥施加的时间和施用量都相对固定，在一个区域(县或乡镇)内通常采用相同的管理模式，忽略了作物生长的时间和空间差异性，无法保证施肥与作物氮需求的同步。作物的氮肥决策需要确定最优的施肥的时间和施肥量，才能使作物的产量最高或者经济效益最大。在面对作物生长这种长序列的周期和较大的施氮动作空间时，动态规划方法的计算复杂度很高，因此目前的氮肥优化管理仍然依赖固定时间表进行决策。
2、强化学习方法结合了蒙特卡罗采样和动态规划算法，采用随机游走的方法来探索环境，能够根据外界环境的状态提供不同的决策方案。深度强化学习针对传统强化学习难以处理大量状态和动作数量的问题，引入深度神经网络来感知更复杂的环境状态和建立更复杂的策略，从而提升强化学习算法的能力。
3、然而，相关技术中，深度强化学习环境体大多数都是一个单独的作物模型或其替代模型，没有充分考虑作物模拟与实际生长可能存在的偏差，这种决策状态...
【技术保护点】
1.一种作物的氮肥决策方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在基于所述预设的智能体模型，根据所述更新后的作物生长状态和所述决策日降水量生成施肥决策时间和施肥决策数值之后，包括：
3.根据权利要求2所述的方法，其特征在于，所述智能体奖励为：
4.根据权利要求1所述的方法，其特征在于，在基于所述预设的智能体模型，根据所述更新后的作物生长状态和所述决策日降水量生成施肥决策时间和施肥决策数值之前，包括：
5.根据权利要求1所述的方法，其特征在于，所述预设的同化模型为：
6.根据权...
【技术特征摘要】
1.一种作物的氮肥决策方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在基于所述预设的智能体模型，根据所述更新后的作物生长状态和所述决策日降水量生成施肥决策时间和施肥决策数值之后，包括：
3.根据权利要求2所述的方法，其特征在于，所述智能体奖励为：
4.根据权利要求1所述的方法，其特征在于，在基于所述预设的智能体模型，根据所述更新后的作物生长状态和所述决策日降水量生成施肥决策时间和施肥决策数值之前，包括：
5.根据权利要求1所述的方法，其特征在于，所述预设的同化模型为：
6.根据权利要求1所述的方法，其特征在于，所述作物生长状态包括：作物的生育期、...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。