gym-DSSAT : un modèle de cultures converti en un environnement d’apprentissage par renforcement

Abstract

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.