[논문]작물 생산량 예측을 위한 심층강화학습 성능 분석

옴마킨; 이성근

doi:10.13067/jkiecs.2023.18.1.99

초록
AI-Helper

최근 딥러닝 기술을 활용하여 작물 생산량 예측 연구가 많이 진행되고 있다. 딥러닝 알고리즘은 입력 데이터 세트와 작물 예측 결과에 대한 선형 맵을 구성하는데 어려움이 있다. 또한, 알고리즘 구현은 획득한 속성의 비율에 긍정적으로 의존한다. 심층강화학습을 작물 생산량 예측 응용에 적용한다면 이러한 한계점을 보완할 수 있다. 본 논문은 작물 생산량 예측을 개선하기 위해 DQN, Double DQN 및 Dueling DQN 의 성능을 분석한다. DQN 알고리즘은 과대 평가 문제가 제기되지만, Double DQN은 과대 평가를 줄이고 더 나은 결과를 얻을 수 있다. 본 논문에서 제안된 모델은 거짓 판정을 줄이고 예측 정확도를 높이는 것으로 나타났다.

Abstract ▼ AI-Helper

Recently, many studies on crop yield prediction using deep learning technology have been conducted. These algorithms have difficulty constructing a linear map between input data sets and crop prediction results. Furthermore, implementation of these algorithms positively depends on the rate of acquir...

Recently, many studies on crop yield prediction using deep learning technology have been conducted. These algorithms have difficulty constructing a linear map between input data sets and crop prediction results. Furthermore, implementation of these algorithms positively depends on the rate of acquired attributes. Deep reinforcement learning can overcome these limitations. This paper analyzes the performance of DQN, Double DQN and Dueling DQN to improve crop yield prediction. The DQN algorithm retains the overestimation problem. Whereas, Double DQN declines the over-estimations and leads to getting better results. The proposed models achieves these by reducing the falsehood and increasing the prediction exactness.

주제어

표/그림 (9)

그림 Fig. 1 Plots showing the loss and reward of DQNs
그림 Fig. 2 Loss and reward of Double DQNs
그림 Fig. 3 Schematic Dueling DQN
그림 Fig. 4 Loss and reward of Dueling DQNs
그림 Fig. 5 Training and testing of crop dataset
그림 Fig. 6 DQN's performance on crop dataset.
그림 Fig. 7 Dueling DON's performance on crop dataset.
그림 Fig. 8 Double DQN's performance on crop dataset.
표 Table 1: Rewards and profit of DQN, Double DQN, and Dueling DQN

참고문헌 (12)

S. Li, S. Peng, W. Chen, and X. Lu, "INCOME:？Practical land monitoring precision agriculture？with sensor networks," Computer Communications,？vol. 36, no. 4, 2013, pp. 459-467.

상세보기
A. D. Jones, F. M. Ngure, G. Pelto, and S. L.？Young, "What are we assessing when we？measure food security? A compendium and？review of current metrics," Advances in Nutrition,？vol. 4, no. 5, 2013, pp. 481-505.

상세보기
Y. Cai, K. Guan, J. Peng, S. Wang, C. Seifert,？and Z. Li, "A high-performance and in-season？classification system of field-level croptypes？using time-series Landsat data and a machine？learning approach," Remote Sensing of？Environment, vol. 210, 2018, pp. 35-47.

상세보기
A. Kaya, A. S. Keceli, C. Catal, H. Y. Yalic, H.？Temucin, and B. Tekinerdogan, "Analysis of？transfer learning for deep neural network based？plant classification models," Computers and？Electronics in Agriculture, vol. 158, 2019, pp.？20-29.

상세보기
A. Kamilaris and F. X. Prenafeta-Boldu, "Deep？learning in agriculture: A survey," Computers？and Electronics in Agriculture, vol. 147, 2018, pp.？70-90.

상세보기
H. Huang, M. Lin, and Q. Zhang, "Double-Q？learning based DVFS for multi-core real-time？systems," in Proc. IEEE Int. Conf. Internet？Things(iThings), Exeter, United Kingdom, 2017.
K. Peng, R. Jiao, J. Dong, and Y. Pi, "A deep？belief network based healthindicator construction？and remaining useful life prediction using improvedparticle filter," Neurocomputing, vol.？361, 2019, pp. 19-28.

상세보기
F. Du, J. Zhang, J. Hu, and R. Fei,？"Discriminative multi-modal deep generative？models," Knowledge Base System, vol. 173, 2019,？pp. 74-82.

상세보기
S. Jung and S. Lee, "A Queue Management？Mechanism for Service groups based on Deep？Reinforcement Learning," J. of the Korea Institute？of Electronic Communication Sciences, vol. 15, no.？6, 2020, pp. 1099-1104.
S. Lee, "A Routing Algorithm based on Deep？Reinforcement Learning in SDN," J. of the Korea？Institute of Electronic Communication Sciences, vol.？16, no. 6, 2021, pp. 1153-1160.
M. D. Johnson, W. W. Hsieh, A. J. Cannon, A.？Davidson, and F. Bedard, "Crop yield？forecasting on the Canadian Prairies by remotely？sensed vegetation indices and machine learning？methods," Agricultural and Forest Meteorology,？vol. 218-219, 2016, pp. 74-84.

상세보기
A. Tolba, O. Said, and Z. Al-Makhadmeh,？"MDS: Multi level decision sys tem for patient？behavior analysis based on wearable device？information," Computer Communications, vol. 147,？2019, pp. 180-187.

상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

작물 생산량 예측을 위한 심층강화학습 성능 분석
Performance Analysis of Deep Reinforcement Learning for Crop Yield Prediction 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9)

표/그림 (9)

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

작물 생산량 예측을 위한 심층강화학습 성능 분석 Performance Analysis of Deep Reinforcement Learning for Crop Yield Prediction 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (9) 모든 표/그림 보기

표/그림 (9) 슬라이드로 보기

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

이성근 (40)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

작물 생산량 예측을 위한 심층강화학습 성능 분석
Performance Analysis of Deep Reinforcement Learning for Crop Yield Prediction 원문보기

초록
AI-Helper

표/그림 (9)

표/그림 (9)