研究与设计 | 基于深度强化学习的智慧林业灌溉 控制系统研究
研究与设计 | 基于深度强化学习的智慧林业灌溉 控制系统研究
摘 要:针对传统林业灌溉中依赖人工经验和固定阈值控制、用水效率低、含水率波动大等问题,构建了一种基于深度强化学习的智慧灌溉一体化控制系统,实现“感知-决策-执行-反馈”的闭环自动控制。系统在硬件层面集成STM32、ESP32、树莓派及Web服务器:STM32负责多源环境数据采集与阀泵执行控制,ESP32承担本地交互与数据中转,树莓派部署近端策略优化算法(Proximal Policy Optimization,PPO)强化学习控制器,服务器基于SpringBoot+Vue3实现远程监控与管理。在算法层面,引入FAO-56蒸散发模型,根据气象要素和作物系数计算参考耗水量,构建动态土壤含水率目标,并设计兼顾含水偏差、用水量、含水变化趋势与控制平滑性的多目标奖励函数,以PPO为核心优化灌溉策略,实现节水与稳定生长的双重约束。控制策略部署在树莓派端本地推理,无需依赖云端。实验在基于构建的FAO-Plant环境,模拟为期80d的林木生长环境,对比固定阈值灌溉策略与PPO策略,结果表明:在相近林木生长条件下,PPO策略可将日均用水量降低约16.7%,目标区间达标率显著提高,系统整体运行稳定,具备工程推广应用潜力。