Upangaji wa njia ya kufunika unaozingatia headland inayobadilika ni mbinu ya kupanga njia kijiometri ambayo, badala ya kutenga eneo la kugeukia lenye upana usiobadilika katika mpaka wote wa shamba, hutenga eneo linalofaa la headland tu katika sehemu za mpaka ambako mistari ya kazi inahitaji kweli muunganisho wa kugeuka. Katika utafiti huu, mbinu huchagua kwa pamoja mwelekeo wa kazi na ofseti ya mstari, huzalisha mistari sambamba ya kazi, huunganisha mistari jirani kwa mizunguko ya U ya Bézier ya ujazo, hunormalisha umbali wa kugeuka, hitilafu ya ufunikaji na uwiano wa headland kwa ECDF-midrank, na hutumia uboreshaji wa mageuzi tofauti unaosaidiwa na ujifunzaji wa kuimarisha unaoitwa DQN-SHADE ili kupata suluhisho la ubora wa juu katika nafasi ya utafutaji ya kidijitali isiyo laini inayotokana na mfumo huo.

Uigaji wa kijiometri wa utafiti ulifanywa katika mipaka 24 halisi ya mashamba iliyotolewa kutoka picha za UAV za Changji Huaxing Farm katika eneo la Xinjiang, China. Upana wa kazi wa mashine uliwekwa kuwa 19,5 m na radiusi ya chini ya kugeuka kuwa 5,0 m. Mwelekeo wa kazi ulichaguliwa kati ya 0°–179,5° kwa azimio la 0,5°, huku ofseti ya mstari ikichaguliwa kutoka seti \(\{0,0.25,0.50,0.75\}\); hivyo, kwa kila shamba, michanganyiko 1440 ya kidijitali ya mwelekeo–ofseti ilitathminiwa kwa uchunguzi kamili kwa madhumuni ya rejea.

Katika ulinganisho wa algoriti sita za uboreshaji wa kistokastiki chini ya bajeti sawa ya tathmini ya wagombea, DQN-SHADE ilionyesha utendaji mkuu wa juu zaidi wa utafutaji kwa wastani wa \(S_{total}=0.9582\), gap ya wastani kwa optimum ya rejea \(=0.0034\), na \(SR_{5\times10^{-3}}=80.83\%\). Kwa SHADE-6, gap ya wastani ilikuwa 0,0044 na kiwango cha mafanikio %76,25; kwa DE ya kawaida gap ilikuwa 0,0053 na kiwango cha mafanikio %71,94.

Ugawaji wa headland inayobadilika ulipunguza uwiano wa wastani wa headland kutoka %13,30 hadi %7,52 ikilinganishwa na mbinu ya headland ya kudumu kwenye mpaka wote, ukaongeza uwiano wa eneo la kazi lililohifadhiwa kutoka %86,67 hadi %92,48 na kutoa wastani wa 16.378,23 m² wa eneo la ziada la kazi lililounganishwa kwa kila shamba. Uwiano wa wastani wa ufunikaji wa kijiometri ulihifadhiwa katika kiwango cha %98,16. Kwa upande mwingine, umbali wa wastani wa kugeuka kwa thamani kamili uliongezeka kutoka 1304,53 m hadi 1371,89 m. Kwa hiyo, mbinu haiboresha vipimo vyote kwa wakati mmoja; inazalisha njia ndefu kidogo ya jumla ya kugeuka kwa kubadilishana na eneo kubwa zaidi la shamba linaloweza kutumika.

Matokeo haya si utendaji wa kuendesha gari halisi wala utendaji halisi wa kunyunyizia. Ufunikaji ulihesabiwa kutoka maeneo ya buffer ya kijiometri yenye upana wa 19,5 m karibu na mistari ya kazi; usambazaji wa matone ya kunyunyizia, drift ya upepo, mienendo ya boom, makosa halisi ya kufuata njia na matumizi halisi ya mafuta hayakuigwa wala kupimwa. Kwa hiyo, hitimisho la chanzo ni kwamba mbinu huboresha matumizi ya eneo la shamba na ubora wa njia chini ya hali za uigaji wa kijiometri zilizotathminiwa.

Kwa nini tatizo la utafiti si tu “kupata njia fupi zaidi”?

Katika mashine za ulinzi wa mimea zinazofanya kazi ardhini, upangaji wa njia ya kufunika unahitaji kwa wakati mmoja eneo lengwa lifanyiwe kazi kikamilifu kadiri inavyowezekana, mwingiliano usio wa lazima kati ya mistari upunguzwe, mashine isitoke nje ya shamba, na miunganisho ya kugeuka inayowezekana kimwili iundwe kati ya mistari jirani.

Katika shamba lisilo na umbo la kawaida, mwelekeo wa kazi unapobadilika, si mwelekeo wa mistari pekee unaobadilika. Idadi ya mistari, mpaka wa shamba unaofikiwa na ncha za mistari, mpaka ambao mizunguko inapaswa kufanywa, na eneo linalohitaji kutengwa kwa ajili ya kugeuka pia hubadilika. Ofseti ya mwanzo ya mistari inaweza pia kuathiri maeneo yaliyokosekana na yanayoingiliana.

Kwa sababu hii, chanzo kinachukulia mwelekeo wa kazi, ofseti ya mstari, eneo la headland na mizunguko ya U kama mfumo wa kijiometri unaohusiana, badala ya matatizo huru yanayofuatana.

Headland Inayobadilika Ni Nini na Inatofautianaje na Headland ya Kudumu?

Headland inayobadilika, badala ya kutoa buffer sawa ya kugeukia kwa mpaka wote wa shamba, hutenga eneo la headland tu kwa sehemu za mpaka ambako mistari jirani ya kazi huunda kweli muunganisho wa kugeuka, kulingana na pembe kati ya mwelekeo wa kazi na mwelekeo wa mpaka; kwa njia hii, eneo lisilo la kazi lisilo la lazima kwenye kingo ambako hakuna kugeuka linaweza kupunguzwa.

Upana wa headland ya kudumu

Upana wa headland ya kudumu kwenye mpaka wote umefafanuliwa katika chanzo kama:

\[ W_{hfix}=2R_{min}+\alpha W \]

.

Hapa \(R_{min}\) ni radiusi ya chini ya kugeuka, \(W\) ni upana wa kazi wa mashine, na \(\alpha\) ni mgawo wa akiba ya usalama. Katika majaribio makuu:

• \(R_{min}=5.0\,m\)
• \(W=19.5\,m\)
• \(\alpha=0.25\)

ilitumika. \(2R_{min}\) inawakilisha eneo la msingi la kugeuka, huku \(\alpha W\) ikiwakilisha akiba ya ziada ya usalama inayolingana na upana wa kazi.

Uhusiano kati ya mwelekeo wa kazi na mwelekeo wa mpaka

Ikiwa mwelekeo wa sehemu ya mpaka ni \(\theta_i\) na mwelekeo wa kazi ni \(\theta\), pembe husika ya mara kwa mara ya 180° kati yao huhesabiwa kama:

\[ \phi_i=\min\left(|\theta_i-\theta|,\;180^\circ-|\theta_i-\theta|\right), \qquad \phi_i\in[0^\circ,90^\circ] \]

.

Upana unaopendekezwa kwa headland inayobadilika ni:

\[ \widetilde{W}_{h,i}=2R_{min}+\alpha W|\sin\phi_i| \]

. Kigezo \(|\sin\phi_i|\) hutumiwa kupima hitaji la eneo la kugeuka la pembeni la mpaka kulingana na mstari wa kazi.

Hata hivyo, chanzo hakitumii upana huu kiotomatiki kwa kila sehemu ya mpaka. Huamuliwa pia kando ikiwa mpaka huo hubeba kweli muunganisho wa kugeuka kati ya mistari:

\[ W_{h,i}^{DH}= \begin{cases} \widetilde{W}_{h,i}, & q_i(\theta,\delta)=1\\ 0, & q_i(\theta,\delta)=0 \end{cases} \]

\(q_i(\theta,\delta)\) ni kiashiria cha jozi kinachoonyesha ikiwa mpaka husika una mahitaji ya kugeuka. Ikiwa ncha za mistari zinaangukia katika ujirani wa mpaka wa takribani upana mmoja wa kazi na huunda muunganisho wa kugeuka kati ya mistari jirani, mpaka huo huchukuliwa kuwa wa matumizi ya kugeuka.

Mwelekeo wa kazi na ofseti ya mstari huchaguliwaje?

Suluhisho la mgombea:

\[ X=[\theta,\widetilde{\delta}] \]

hufafanuliwa. \(\theta\) ni mwelekeo wa kazi na uko kati ya 0° na 180°. Ofseti ya mstari, katika uundaji wa njia halisi, huchaguliwa kutoka seti ya kidijitali:

\[ C_\delta=\{0,\;0.25,\;0.50,\;0.75\} \]

Uhamishaji halisi wa mstari kwa upande:

\[ d=\delta W \]

huhesabiwa. Kwa kuwa \(W=19,5\,m\), chaguo nne za ofseti zinawakilisha awamu tofauti za mwanzo za upana huo huo wa kazi.

Mwelekeo wa kazi pia huwekwa kwenye seti yenye azimio la 0,5°:

\[ \Theta=\{0^\circ,0.5^\circ,\ldots,179.5^\circ\} \]

. Hivyo 360 mwelekeo × 4 ofseti = 1440 michanganyiko ya njia za wagombea.

Mzunguko wa U wa Bézier huundwaje?

Mzunguko kati ya mistari jirani ya kazi una sehemu tatu: mstari wa kutoka, mzunguko wa U wa Bézier wa ujazo na mstari wa kuingia.

Mstari wa Bézier wa ujazo ni:

\[ B(t)=(1-t)^3P_0+3(1-t)^2tP_1+3(1-t)t^2P_2+t^3P_3, \qquad t\in[0,1] \]

. \(P_0\) na \(P_3\) ni sehemu za mwanzo na mwisho wa mzunguko. Sehemu za udhibiti \(P_1\) na \(P_2\) huundwa ili mkunjo uwe tangenti kwa mwelekeo wa mistari ya kazi katika ncha zote mbili.

Kila mzunguko wa Bézier hutathminiwa kwa sehemu 64 za sampuli. Sehemu hizi hutumiwa kuhesabu urefu wa mzunguko, kukagua radiusi ya chini ya kugeuka na kuthibitisha ikiwa njia inabaki ndani ya eneo la headland lililotengwa.

Urefu wa mzunguko mmoja ni:

\[ L_{turn,j}=l_{out,j}+L_{B,j}+l_{in,j} \]

na umbali wa jumla wa kugeuka wa njia yote ni:

\[ D_{turn}=\sum_{j=1}^{N_s-1}L_{turn,j} \]

. \(N_s\) ni idadi ya mistari halali ya kazi.

Ubora wa ufunikaji hupimwaje?

Eneo la kunyunyizia lililopangwa limefafanuliwa kama muungano wa buffer za kijiometri zenye upana wa jumla wa \(W\) kuzunguka mistari ya katikati ya mistari ya kazi.

Hitilafu ya ufunikaji:

\[ E_{cov}=r_{miss}+r_{overlap}+r_{out} \]

huhesabiwa. Hapa:

• \(r_{miss}\): sehemu isiyofunikwa ya eneo lengwa la kazi,
• \(r_{overlap}\): sehemu iliyofunikwa zaidi ya mara moja,
• \(r_{out}\): sehemu ya ufunikaji uliopangwa inayovuka nje ya shamba.

Metrika hii haipimi msongamano halisi wa matone. Utafiti unasema wazi kwamba drift ya upepo, usambazaji wa kunyunyizia na mienendo ya boom haikuundwa katika modeli.

Uwiano wa headland hupima nini?

\[ H_{head}=\frac{A_{head}}{A_{field}} \]

\(A_{head}\) inaonyesha eneo la headland na \(A_{field}\) eneo lote la shamba. Thamani ya chini ina maana kuwa sehemu kubwa zaidi ya shamba inahifadhiwa kama eneo endelevu la kazi.

Kwa Nini ECDF-Midrank Inatumika?

ECDF-midrank hubadilisha vigezo vya gharama vyenye mizani na vitengo tofauti, kama umbali wa kugeuka kwa mita, hitilafu ya ufunikaji isiyo na kipimo na uwiano wa headland, kuwa alama za ubora za kulinganisha zisizo na kipimo kulingana na usambazaji wa wagombea wa kila shamba, na hivyo kuruhusu mashamba makubwa na madogo kulinganishwa kwa mantiki moja ya alama ya jumla.

Kwa metrika ya gharama \(z\):

\[ ECDF^{mid}_f(z)= \frac{n_{<,f}(z)+\frac{1}{2}n_{=,f}(z)} {n_f} \]

huhesabiwa.

Hapa \(n_{<,f}\) inaonyesha idadi ya wagombea wenye thamani ndogo kuliko \(z\); \(n_{=,f}\) idadi ya wagombea wenye thamani sawa; na \(n_f\) idadi yote ya wagombea wa rejea katika shamba hilo.

Vigezo vinavyotegemea gharama kisha hubadilishwa kuwa alama za ubora kama:

\[ S_{turn}=1-ECDF^{mid}_f(D_{turn}) \]

\[ S_{cov}=1-ECDF^{mid}_f(E_{cov}) \]

\[ S_{head}=1-ECDF^{mid}_f(H_{head}) \]

. Hivyo, gharama ndogo huzalisha alama kubwa.

Tathmini ya jumla:

\[ S_{total}=w_1S_{turn}+w_2S_{cov}+w_3S_{head} \]

na:

\[ w_1+w_2+w_3=1 \]

imeundwa chini ya sharti hilo. Katika jaribio kuu:

• \(w_1=0.15\) — umbali wa kugeuka,
• \(w_2=0.75\) — ubora wa ufunikaji,
• \(w_3=0.10\) — uwiano wa headland.

Kutoa uzito mkubwa zaidi kwa ubora wa ufunikaji kunaonyesha kwamba katika operesheni ya ulinzi wa mimea, jiometri ya kunyunyizia ambayo imekosa maeneo, imeingiliana au imetoka nje ya shamba inapewa kipaumbele.

DQN-SHADE Hufanya Nini?

DQN-SHADE ni utaratibu mseto wa uboreshaji unaoratibu tabia za mabadiliko na utafutaji za mtafutaji wa mageuzi tofauti SHADE-6 kwa vitendo vya kiwango cha juu vinavyochaguliwa na Double Dueling DQN wakati hali ya uboreshaji inapokwama; DQN haichori moja kwa moja njia ya shamba, bali huchagua tabia gani ya utafutaji itumike, huku njia ya kijiometri ikiundwa katika moduli tofauti ya kihakika.

Mikakati sita ya mabadiliko ya SHADE-6

DQN huanza lini?

Ikiwa alama bora ya kimataifa ya \(S_{total}\) haiboreki kwa vizazi 10 mfululizo, DQN huanzishwa. Vinginevyo, tabia chaguomsingi ya SHADE-6 huendelea.

Ingizo la hali la DQN lina vipimo 26 na linajumuisha makundi yafuatayo ya taarifa:

• maendeleo ya utafutaji,
• takwimu za alama za populasheni,
• utofauti wa mwelekeo wa kazi na ofseti,
• uwezekano wa kijiometri,
• uboreshaji wa optimum wa hivi karibuni,
• masasisho yaliyofanikiwa,
• historia ya vigezo vya SHADE,
• viwango vya mafanikio vya mikakati,
• alama za malengo madogo za mgombea bora wa sasa.

DQN ina vitendo saba vya kiwango cha juu:

Wakati wa test, sera ya ε-greedy yenye \(\varepsilon=0.05\) ilitumika.

Tuzo ya mafunzo ya DQN

Tuzo ya mtandaoni katika hatua ya kujifunza sera ni:

\[ r_g=\Delta S_{best,g}+\Delta\bar{S}_g+p_{succ,g} \]

. Hapa \(\Delta S_{best,g}\) inawakilisha uboreshaji chanya katika alama bora ya sasa, \(\Delta\bar{S}_g\) uboreshaji chanya katika wastani wa populasheni, na \(p_{succ,g}\) uwiano wa watu waliosasishwa kwa mafanikio katika kizazi hicho.

La muhimu ni kwamba tuzo hii haitumii optimum ya rejea. Optimum ya rejea hutumiwa tu kupima thamani ya gap katika utendaji wa test.

Mbinu na Matokeo ya Utafiti

Data za mashamba

Eneo la utafiti ni Changji Huaxing Farm katika eneo la Xinjiang, China, katika takribani 44,22° N, 87,29° E. Picha za UAV zilikusanywa katika kipindi cha Mei–Juni 2025 kwa kutumia DJI Mavic 3 katika urefu wa kuruka wa 110 m na kasi ya kuruka ya 15 m/s.

Awali, poligoni 26 za mipaka zilipatikana; maeneo namba 6 na 24 yaliondolewa kwa sababu hayakuwa maeneo ya operesheni za kilimo. Katika uchanganuzi wa mwisho, mashamba 24 yalitumika. Eneo lote lilikuwa takribani 887,94 ha, huku maeneo ya mashamba binafsi yakiwa kati ya 4,85–89,10 ha.

Kuratibu zilibadilishwa kutoka WGS84 kwenda UTM Zone 45N, EPSG:32645. Mahesabu yote ya kijiometri yalifanywa kwenye poligoni za vekta.

Vigezo vya mashine

Kwa kila algoriti, mashamba 24 × test huru 30 = kazi 720 zilitathminiwa. Ili kuzuia pseudoreplication katika test za kitakwimu, marudio 30 ya algoriti hiyo hiyo katika shamba moja yaliwekewa wastani kwanza, na wastani wa mashamba 24 ulitumiwa kama block iliyooanishwa.

Mgawanyo wa mafunzo/test wa DQN

Utafiti ulitumia cross-validation ya mikunjo mitano katika kiwango cha shamba. Mashamba 24 yaligawanywa katika seti ndogo tano zisizoingiliana; katika kila fold DQN ilisasishwa tu kwenye mashamba ya mafunzo. Baada ya mafunzo, vigezo vya mtandao viligandishwa na vikajaribiwa kwenye mashamba ya held-out kwa 30 random seed.

Mgawanyo huu ni muhimu; mashamba ya test hayakuhusishwa katika kusasisha uzito wa sera ya DQN.

Optimum ya rejea inamaanisha nini?

Thamani ya “reference optimum” katika utafiti si optimum ya kimataifa iliyothibitishwa ya nafasi endelevu ya kihisabati. Ni njia bora iliyopatikana kutokana na uchunguzi kamili wa nafasi ya kidijitali yenye wagombea 1440 yenye azimio la mwelekeo la 0,5° na ofseti nne.

Umbali wa algoriti kutoka kwenye optimum unafafanuliwa kama:

\[ gap_f(X)=S_{total}(X_f^*)-S_{total}(X) \]

. \(X_f^*\) ni suluhisho bora la rejea kati ya wagombea 1440 kwa shamba hilo.

Metrika ya mafanikio \(SR_{5\times10^{-3}}\) inaonyesha ni test huru ngapi zinazotimiza:

\[ gap\leq5\times10^{-3} \]

.

Njia za kijiometri zenye optimum ya rejea

Katika njia za headland zinazobadilika zenye optimum ya rejea ya kidijitali kwa mashamba 24:

Mielekeo bora ya kazi ilitofautiana kati ya 2° na 171°. Masafa haya mapana yanaunga mkono kwamba sheria moja ya mwelekeo usiobadilika haifai kwa jiometri zote za mashamba.

Ulinganisho wa algoriti sita za uboreshaji

Test ya Friedman kwenye wastani wa mashamba 24 ilionyesha tofauti ya jumla yenye maana kati ya algoriti:

\[ \chi^2=50.820,\qquad p=9.42\times10^{-10} \]

Ulinganisho wote mitano wa jozi wa Wilcoxon uliofanywa na DQN-SHADE uliendelea kuwa na maana baada ya marekebisho ya Holm. Kwa ulinganisho wa DQN-SHADE na SHADE-6, \(W=20\) na \(p=0.00557\) iliyorekebishwa.

Ukaribiaji wa DQN-SHADE na SHADE-6

Katika vizazi 20 vya kwanza, SHADE-6 ina thamani ya gap iliyo chini kidogo. Ubora wa DQN-SHADE ulijitokeza katika hatua za baadaye za utafutaji. Kwa hiyo, kulingana na tafsiri ya utafiti, mchango mkuu wa sehemu ya DQN si kasi ya mwanzo bali uwezo wa kubadilisha tabia wakati utafutaji unapokwama.

Je, DQN-SHADE ni ya haraka zaidi?

Kwa ujumla, hapana. Chanzo kinatafsiri mchango wa DQN-SHADE kama si kasi ya hesabu bali uthabiti wa utafutaji.

Jumla ya muda wa mafunzo ya sera ya DQN kwa fold tano ilikuwa sekunde 841,52, yaani takribani dakika 14,03. Gharama hii ya ziada ya mafunzo ya mara moja inapozingatiwa, mbinu si “algoriti ya haraka zaidi”.

Ulinganisho wa headland inayobadilika na ya kudumu

Kwa kupungua kwa uwiano wa headland na kuongezeka kwa eneo la kazi lililohifadhiwa, test za Wilcoxon zilizoanishwa baada ya marekebisho ya Holm zilitoa:

\[ p_{adj}=2.38\times10^{-7} \]

.

Hapa mabadilishano muhimu ni umbali kamili wa kugeuka. Katika mbinu inayobadilika, kwa sababu eneo la kazi limepanuka na ncha za mistari zimebadilika, umbali wa jumla wa kugeuka umeongezeka kwa takribani %5,16. Hata hivyo, msongamano wa njia na makadirio ya mafuta yaliyowekwa katika uwiano wa eneo kubwa zaidi lililohifadhiwa yamepungua.

Je, matumizi ya mafuta yalipimwa?

Hapana. Thamani ya mafuta si kipimo halisi cha mafuta ya trekta. Utafiti ulitumia modeli iliyohesabiwa kutoka jiometri ya njia kwa kudhani nguvu ya injini ya 62,5 kW, matumizi mahususi ya mafuta ya 242 g/kWh, kasi ya kazi ya 6,0 km/h na kasi ya kugeuka ya 3,0 km/h:

\[ M_{fuel}= \frac{P_r b_f}{1000} \left( \frac{L_{work}/1000}{v_{work}} + \frac{D_{turn}/1000}{v_{turn}} \right) \]

Mteremko wa ardhi, upinzani wa udongo, mzigo halisi wa injini au mienendo ya mashine haikujumuishwa moja kwa moja katika hesabu hii. Kwa hiyo tofauti kati ya 1,54 kg/ha na 1,56 kg/ha ni ulinganisho wa jamaa chini ya modeli.

Unyeti wa mgawo wa usalama wa headland

Tofauti ya jumla kati ya mipangilio mitatu ina maana: Friedman \(\chi^2=36.083\), \(p=1.46\times10^{-8}\). \(\alpha=0.10\) ni mbaya kwa kiwango chenye maana kuliko 0,25; tofauti kati ya 0,25 na 0,50 haina maana baada ya marekebisho ya Holm. Chanzo kinatafsiri 0,25 si kama optimum ya ulimwengu wote, bali kama chaguo lenye usawaziko kati ya matumizi ya eneo na uwezekano wa kijiometri ndani ya masafa yaliyojaribiwa.

Nini hutokea ikiwa azimio la ofseti linaongezwa zaidi?

Seti za ofseti za mistari zenye viwango viwili, vinne na vinane zililinganishwa. Viwango vinane viliongeza wastani wa \(S_{total}\) hadi 0,9144, wakati mpangilio mkuu wa viwango vinne ulikuwa 0,9057. Hata hivyo, viwango vinane viliongeza eneo lililohifadhiwa kwa wastani wa 197,93 m² tu, yaani takribani %0,058, na kuongeza uwiano wa ufunikaji kwa pointi za asilimia 0,063 tu ikilinganishwa na viwango vinne; kwa upande mwingine, viliongeza idadi ya wagombea mara mbili.

Katika gridi kamili ya mwelekeo wa 0,5°, chaguo la viwango vinne linahitaji wagombea 1440, na chaguo la viwango vinane linahitaji wagombea 2880. Kwa sababu hii, utafiti ulitumia ofseti nne kama usawaziko wa azimio–gharama ya hesabu.

Unyeti wa hyperparameter za DQN

Unyeti wa sera ya DQN kwa kiwango cha kujifunza ni mkubwa zaidi kuliko kwa discount factor. Kwa mpangilio mkuu wa \(2.5\times10^{-4}\), gap ya wastani ilikuwa 0,003365 na mafanikio %80,83, wakati kiwango cha chini zaidi cha kujifunza kilichojaribiwa cha \(1.0\times10^{-4}\) kilitoa gap 0,002426 na mafanikio %86,39.

Matokeo haya ni muhimu: mpangilio mkuu wa DQN-SHADE katika makala si matokeo bora zaidi kati ya hyperparameter zote zilizojaribiwa. Ulinganisho mkuu ulifanywa kwa mpangilio uliowekwa mapema, na uchanganuzi wa unyeti ulionyesha kuwa kiwango cha chini zaidi cha kujifunza kinaweza kutoa matokeo bora.

Je, Mafanikio ya %100 Katika Jiometri Mbili Mpya za Mashamba Yanamaanisha Ujumlishaji wa Ulimwengu Wote?

Hapana. Ingawa DQN-SHADE ilifikia \(SR_{5\times10^{-3}}=100\%\) katika utekelezaji wote wa jiometri mbili za stress-test nje ya mafunzo, SHADE-6 pia ilifikia mafanikio hayo hayo ya %100; chanzo kinasema wazi kuwa jiometri bandia mbili tu za stress zilijaribiwa na hakitafsiri matokeo haya kama ujumlishaji wa ulimwengu wote au ubora wa jumla wa DQN-SHADE.

Uwiano wa urefu kwa upana wa jiometri ya kwanza ya test ni 7,24; katika mashamba 24 ya awali, thamani ya juu ni 3,40. Jiometri ya pili ina pembe 11 za re-entrant, wakati kiwango cha juu katika mashamba ya awali kilikuwa nne.

Hasa katika jiometri yenye pembe nyingi za kuingia ndani, ukweli kwamba ni %40,56 tu ya wagombea ndiyo wanaowezekana unaonyesha kuwa mipaka tata inaweza kufanya sehemu kubwa ya nafasi ya utafutaji isiwe halali kijiometri.

Test ya CEC2022 inaonyesha nini?

Watafiti pia walitathmini tabia ya kawaida ya uboreshaji endelevu ya DQN-SHADE kwenye kazi 12 za CEC2022. DQN-SHADE ilitoa wastani bora zaidi kwa ujumla kati ya algoriti sita, ikiwa na wastani wa \(\log_{10}(\Delta f)=1.72\pm2.41\) na nafasi ya wastani 2,42.

Hata hivyo, kazi za CEC2022 hazijumuishi clipping ya mpaka wa shamba, headland inayobadilika, ncha za mistari au uwezekano wa kugeuka. Kwa hiyo, chanzo kinatumia CEC2022 tu kama test ya ziada ya uboreshaji; ushahidi mkuu wa mafanikio ya CPP ya kilimo ni majaribio ya kijiometri kwenye mipaka halisi.

Nguvu za utafiti

• Hauchukulii ugawaji wa headland kama huru na uteuzi wa mwelekeo wa kazi na ofseti ya mstari.
• Unatumia mipaka 24 halisi ya mashamba.
• Unatenganisha mashamba ya mafunzo na test za DQN kwa kutumia muundo wa fold tano wa field-disjoint.
• Unalinganisha algoriti sita za uboreshaji chini ya bajeti sawa ya tathmini ya wagombea na kipangaji sawa cha kijiometri.
• Katika ulinganisho wa algoriti, unapunguza hatari ya pseudoreplication kwa kwanza kuchukua wastani katika kiwango cha shamba badala ya kuhesabu marudio 30 moja kwa moja kama sampuli huru.
• Utendaji umeripotiwa si kwa alama ya jumla pekee bali pia kwa ufunikaji, kugeuka, idadi ya mizunguko na mafuta ya modeli.
• Mabadilishano kati ya faida ya headland inayobadilika na kuongezeka kwa umbali kamili wa kugeuka hayajafichwa.
• Uchanganuzi wa unyeti umefanywa kwa mgawo wa usalama, azimio la ofseti na hyperparameter za DQN.

Matokeo yanayoungwa mkono na utafiti

• Ugawaji wa headland inayobadilika ulipunguza eneo la mpaka lisilo la kazi lisilo la lazima katika jiometri za mashamba zilizotathminiwa.
• Katika mashamba 24, uwiano wa wastani wa headland ulipungua kutoka %13,30 hadi %7,52.
• Eneo la kazi lililohifadhiwa liliongezeka kwa wastani wa 16.378,23 m² kwa kila shamba.
• Ufunikaji wa wastani wa kijiometri ulihifadhiwa zaidi ya %98.
• DQN-SHADE ilipata mean gap ya chini na threshold success rate ya juu kuliko baseline tano za kistokastiki zilizojaribiwa chini ya bajeti sawa ya tathmini.
• Faida ya DQN-SHADE ilijitokeza hasa katika vizazi vya baadaye vya utafutaji.
• Ingawa headland inayobadilika iliongeza kidogo umbali kamili wa kugeuka, ilipunguza msongamano wa njia uliowekwa kwa eneo na matumizi ya mafuta ya modeli.
• Katika stress-test mbili za kijiometri nje ya mafunzo, sera za DQN zilizogandishwa ziliunda njia zinazowezekana bila mafunzo mapya.

Matokeo yasiyoungwa mkono na utafiti na mapungufu

• Ufuatiliaji wa njia haujathibitishwa katika jaribio la shamba kwa trekta au mashine halisi ya kunyunyizia.
• Matumizi halisi ya mafuta hayajapimwa.
• Deposition halisi ya kunyunyizia au usawa wa matone haujapimwa.
• Drift ya upepo na mienendo ya boom haipo katika modeli ya ufunikaji.
• Mteremko wa ardhi na sifa za udongo hazijajumuishwa katika modeli ya mafuta.
• Miti, nguzo za umeme, visiwa au vikwazo vingine ndani ya shamba havijaigwa.
• Modeli hutumia poligoni za mpaka wa nje pekee.
• Ofseti ya mstari si endelevu, bali ina viwango vinne vya kidijitali.
• “Reference optimum” si optimum ya kimataifa ya kihisabati ya nafasi endelevu ya uamuzi, bali optimum ya nafasi ya kidijitali yenye wagombea 1440.
• Kiwango cha ECDF-midrank kwa shamba jipya hutegemea offline exhaustive enumeration; mbinu bado haijaonyesha uokoaji kamili wa hesabu wa end-to-end mtandaoni bila uchunguzi wa rejea.
• Jiometri mbili za stress-test si ushahidi wa ujumlishaji wa kijiometri wa ulimwengu wote.
• Kiwango cha mafanikio cha DQN-SHADE katika jiometri mbili za stress si cha juu kuliko SHADE-6; zote zilifikia %100.
• Kiwango kikuu cha kujifunza cha DQN si kiwango bora zaidi katika test ya unyeti.

Kazi ya baadaye

Chanzo kinapanga katika hatua inayofuata uigaji wa mienendo ya gari wenye usahihi wa juu, test za hardware-in-the-loop na majaribio halisi ya magari mashambani. Hasa, hitilafu ya kufuata njia, muda halisi wa operesheni, matumizi ya mafuta yaliyopimwa katika hali tofauti za udongo na ardhi, utendaji wa kugeuka na usawa wa spray-deposition vinapaswa kuthibitishwa.

Pia inapendekezwa kupanua nafasi ya kazi hadi ofseti endelevu ya mstari, uteuzi wa sehemu ya kuingia, aina tofauti za kugeuka, vikwazo vya ndani na uratibu wa mashine nyingi. Sensor za deposition ya matone, modeli za spray-width overlap na wind-drift pia ni vipengele vya baadaye vinavyoweza kuunganisha metrika ya kijiometri ya coverage na utendaji halisi wa kunyunyizia.

Maelezo ya Chanzo na Mbinu

Utafiti asilia: Dynamic-Headland-Aware Coverage Path Planning for Ground-Based Plant Protection Operations in Irregular Fields Using DQN-SHADE.

Waandishi: Tuo Sun, Xiaoyi Liu, Zhixin Yao, Taihong Zhang na Yanlin Xin.

Waandishi wanaowajibika: Zhixin Yao na Taihong Zhang.

Taasisi: College of Computer and Information Engineering, Xinjiang Agricultural University; Xinjiang Agricultural Informatization Engineering Technology Research Center; Research Center for Intelligent Agriculture, Ministry of Education Engineering, Urumqi, China.

Jarida: Agriculture.

Mchapishaji: MDPI.

Juzuu / toleo / makala: 16(17), 1919.

DOI: 10.3390/agriculture16171919.

Uwasilishaji: 14 Julai 2026.

Marekebisho: 23 Agosti 2026.

Kukubaliwa: 28 Agosti 2026.

Kuchapishwa: 4 Septemba 2026.

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wataalamu.

Leseni: Creative Commons Attribution (CC BY).

Aina ya utafiti: Uigaji wa kijiometri wa CPP na ulinganisho wa algoriti za uboreshaji kwenye mipaka halisi ya mashamba iliyotokana na UAV.

Ukusanyaji wa data za UAV: DJI Mavic 3; urefu wa kuruka 110 m; kasi 15 m/s; Mei–Juni 2025.

Idadi ya mashamba: Data ghafi maeneo 26; baada ya kuondoa maeneo yasiyo ya operesheni namba 6 na 24, mashamba 24.

Eneo lote: Takribani 887,94 ha.

Eneo la shamba moja: 4,85–89,10 ha.

Mfumo wa kuratibu: WGS84 → UTM Zone 45N, EPSG:32645.

Modeli ya mashine: Katika kiwango cha kijiometri, upana wa kazi wa 19,5 m na radiusi ya chini ya kugeuka ya 5,0 m.

Algoriti: DQN-SHADE, DE, SHADE-6, PSO, GA na HHO.

Programu: Python 3.9.13; moduli ya DQN PyTorch 2.8.0.

Vifaa: AMD Ryzen 7 7735H, 16 GB RAM, Windows 11.

Muundo wa DQN: Double Dueling DQN; state yenye vipimo 26; action saba; kiwango kikuu cha kujifunza \(2.5\times10^{-4}\); \(\gamma=0.99\); batch 32; replay buffer 10.000; test ε=0,05.

Cross-validation: Muundo wa mafunzo/test wa fold tano wa field-disjoint.

Takwimu: Test ya Friedman; test za Wilcoxon signed-rank zilizoanishwa kwa DQN-SHADE kama udhibiti; marekebisho ya Holm kwa ulinganisho mwingi.

Modeli ya mafuta: Thamani iliyotabiriwa na modeli iliyohesabiwa kutoka urefu wa njia. Si kipimo halisi cha sensor ya mafuta.

Ufadhili: Provincial Key S&T Program of Xinjiang, grant 2022A02011; National Key R&D Program of China, grant 2022ZD0115805; Master’s Student Research Innovation Project of Xinjiang Agricultural University, grant XJAUGRI2026023.

Upatikanaji wa data: Data zinaweza kupatikana kutoka kwa mwandishi anayewajibika kwa ombi lenye sababu.

Mgongano wa maslahi: Waandishi wametangaza kuwa hakuna mgongano wa maslahi.

Maadili: Institutional Review Board na informed consent hazitumiki.

Michango ya waandishi: Uundaji wa dhana Tuo Sun na Zhixin Yao; mbinu na programu Tuo Sun; uthibitishaji Tuo Sun, Zhixin Yao na Taihong Zhang; uchanganuzi rasmi Tuo Sun; utafiti Tuo Sun, Xiaoyi Liu na Yanlin Xin; uratibu wa data Tuo Sun na Zhixin Yao; rasimu ya kwanza Tuo Sun; mapitio/uhariri Tuo Sun, Zhixin Yao na Taihong Zhang; uoneshaji Tuo Sun; usimamizi, usimamizi wa mradi na kupata ufadhili Zhixin Yao na Taihong Zhang.

Kikomo kikuu cha kimbinu: Ingawa utafiti unatumia mipaka halisi ya mashamba, matokeo ni uigaji wa kijiometri. Utendaji halisi wa kufuata njia wa gari, mafuta yaliyopimwa, athari za udongo/ardhi na spray deposition halisi bado hazijathibitishwa katika jaribio la shamba.

Kikomo cha ECDF-midrank: Kiwango cha tathmini kinakadirishwa kwa offline exhaustive enumeration kwa kila shamba. Kwa hiyo, mfumo wa sasa haujaonyesha ubora wa hesabu wa end-to-end kwa shamba jipya bila uchunguzi wa rejea.