Beginn: Ab sofort
Erstbetreuer: Prof. Dr. Heisenberg
Zweitbetreuer: Dr. Oliver Wisser (Cutec Forschungszentrum - TU Clausthal)
Niveau: Masterarbeit
Problemstellung:
Die Landwirtschaft steht vor der Herausforderung, nachhaltigere und effizientere Anbaumethoden zu entwickeln, um eine wachsende Weltbevölkerung zu ernähren und sich gleichzeitig an den Klimawandel anzupassen. Reinforcement Learning (RL) bietet einen vielversprechenden Ansatz, um datengetriebene und adaptive Managementstrategien für den Pflanzenbau zu entwickeln. CropGym, eine spezialisierte Simulationsumgebung auf OpenAI-Basis, ermöglicht die Integration von RL in die Pflanzenbewirtschaftung. Ziel dieser Masterarbeit ist es, innovative RL-Strategien mit CropGym zu entwickeln und zu evaluieren, die gezielt auf die Optimierung von Erträgen, Ressourceneffizienz und Klimaanpassungen abzielen.
Die Landwirtschaft steht vor der Herausforderung, nachhaltigere und effizientere Anbaumethoden zu entwickeln, um eine wachsende Weltbevölkerung zu ernähren und sich gleichzeitig an den Klimawandel anzupassen. Reinforcement Learning (RL) bietet einen vielversprechenden Ansatz, um datengetriebene und adaptive Managementstrategien für den Pflanzenbau zu entwickeln. CropGym, eine spezialisierte Simulationsumgebung auf OpenAI-Basis, ermöglicht die Integration von RL in die Pflanzenbewirtschaftung. Ziel dieser Masterarbeit ist es, innovative RL-Strategien mit CropGym zu entwickeln und zu evaluieren, die gezielt auf die Optimierung von Erträgen, Ressourceneffizienz und Klimaanpassungen abzielen.
Vorarbeiten:
- CropGym ist bereits als Simulationsbibliothek in python verfügbar und wurde erfolgreich in mehreren RL-Projekten eingesetzt.
- Erste RL-Modelle für spezifische Kulturpflanzen (z. B. Weizen, Mais) sind schon implementiert und dienen als Beispiele.
- Nutzbare Datensätze finden sich unter anderem bei Kaggle.
- Eine umfassende Dokumentation und APIs für CropGym stehen bereits zur Verfügung.
Offene Aufgaben:
- Vertiefte Einarbeitung in die CropGym-Umgebung und bestehende RL-Frameworks.
- Entwicklung eines RL-Agenten, der dynamisch Bewirtschaftungsentscheidungen wie Bewässerung, Düngung und Schädlingsmanagement trifft.
- Testen verschiedener RL-Algorithmen (wie z.B. DQN, PPO, SAC) auf ihre Eignung in CropGym.
- Analyse der Ergebnisse hinsichtlich Ertrag, Ressourcennutzung und Nachhaltigkeitsaspekten.
- Ggfs. Vergleich der RL-Strategien mit herkömmlichen Managementmethoden.
Interessiert?
Wenn Sie sich für Reinforcement Learning und seine Anwendung in der Landwirtschaft begeistern, laden wir Sie herzlich ein, sich mit uns in Verbindung zu setzen. Sie erhalten die Möglichkeit, mit modernster Simulationssoftware und RL-Technologien zu arbeiten und einen praktischen Beitrag zu einem hochrelevanten Forschungsfeld zu leisten.
Wenn Sie sich für Reinforcement Learning und seine Anwendung in der Landwirtschaft begeistern, laden wir Sie herzlich ein, sich mit uns in Verbindung zu setzen. Sie erhalten die Möglichkeit, mit modernster Simulationssoftware und RL-Technologien zu arbeiten und einen praktischen Beitrag zu einem hochrelevanten Forschungsfeld zu leisten.
