gym-DSSAT: a crop model turned into a Reinforcement Learning environment
gym-DSSAT : un modèle de cultures converti en un environnement d’apprentissage par renforcement
Résumé
Addressing a real world sequential decision problem with Reinforcement Learning (RL) usually starts with the use of a simulated environment that mimics real conditions. We present a novel open source RL environment for realistic crop management tasks. gym-DSSAT is a
gym interface to the Decision Support System for Agrotechnology Transfer (DSSAT), a high fidelity crop simulator. DSSAT has been developped over the last 30 years and is widely recognized by agronomists. gym-DSSAT comes with predefined simulations based on real world maize experiments.
The environment is as easy to use as any gym environment. We provide performance baselines using basic RL algorithms. We also briefly outline how the monolithic DSSAT simulator written in Fortran has been turned into a Python RL environment. Our methodology is generic and may be applied to similar simulators. We report on very preliminary experimental results which suggest that RL can help researchers to improve sustainability of fertilization and irrigation practices.
La résolution d’un problème de déecision séquentielle en conditions réelles s’appuie très souvent sur l’utilisation d’un simulateur qui reproduit ces conditions réelles. Nous introduisons un nouvel environnement pour l’apprentissage par renforcement (AR) qui propose des tâches d’apprentissage réalistes pour la conduite de cultures. gym-DSSAT est une interface gym avec le simulateur de cultures Decision Support System for Agrotechnology Transfer (DSSAT), un simulateur de haute fidélité. DSSAT a été développé durant les 30 dernières années et est largement reconnu par les agronomes. gym-DSSAT propose des simulations prédéfinies, basées sur des expérimentations au champ avec du maïs. L’environnement est aussi simple à utiliser que n’importe quel autre environnement gym. Nous proposons des performances de base dans l’environnement en utilisant des algorithmes d’AR conventionnels. Nous décrivons également brièvement comment le simulateur monolithique DSSAT, codé en Fortran, a été transformé en un environnement d’AR en Python. Notre approche est générique et peut être appliquée à des simulateurs similaires. Quoique très préliminaires, les premiers résultats expérimentaux indiquent que l’AR peut aider les chercheurs à rendre les pratiques de fertilisation et d’irrigation plus durables.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|