Erhöhung der Effizienz der Pflanzenwasserversorgung bei der Oberflächenbewässerung durch die Verbindung physikalisch begründeter Strömungsmodelle mit künstlichen neuronalen Netzen

Die Erhöhung der Nahrungsmittelproduktion zur Deckung des Bedarfs erfordert eine effizientere Bewässerung，was kaum noch durch die vielbehandelte Optimierung der Wasserzuführung zu erreichen ist，sondern努尔durch eine ausgewogenere Pflanzenwasserversorgung.这一问题的韦尔登是通过建立一个具有神经元网络的上、下结构的物理模型来确定神经元参数的最新原理。Das Vorgehen nutzt die Stärken der Prozeßmodelle für extrapolierende Berechnung und die Vorteile künstlicher neuronaler内策zur Interpolation einmal gespeicherter Szenarien.在einem 1. Schritt generieren die Strömungsmodelle eine阿勒Bewässerungszenarien für ein Gebiet.但这将使神经网络无法与这些系统保持一致。你可以住在2楼。将神经元网络设置为用于该区域的参数。这两个阶段的Vorgehen vermeidet die hochkomplex，klassische Optimierung und führt über die Entkopplung von Prozeßmodellierung und Optimierung zu iner einfachen Bewässerungsparameter. Eine Kopplung mit Pflanzenwachstummodellen überprüft u.a. die Nachhaltigkeit der zunächst für optimal befundenen Bewässerungsstrategie.神经网络的角度可以持续地适应环境变化，并可以通过Z.B.在形式上，一个芯片可以被替换。

Die Erhöhung der Nahrungsmittelproduktion zur Deckung des Bedarfs erfordert eine effizientere Bewässerung, was kaum noch durch die vielbehandelte Optimierung der Wasserzuführung zu erreichen ist, sondern nur durch eine ausgewogenere Pflanzenwasserversorgung. Diese soll erreicht werden durch die Verbindung physikalisch begründeter Modelle der ober- und unterirdischen Strömungsvorgänge mit künstlichen neuronalen Netzen als neues Prinzip zur Ermittlung günstigster Bewässerungsparameter. Das Vorgehen nutzt die Stärken der Prozeßmodelle für extrapolierende Berechnung und die enormen Vorteile künstlicher neuronaler Netze zur Interpolation einmal gespeicherter Szenarien. In einem 1. Schritt generieren die Strömungsmodelle eine Palette aller realistischen Bewässerungszenarien für ein Gebiet. Damit wird nun dem neuronalen Netz das Verhalten dieses Systems erschöpfend angelernt. Vor Ort liefert in einem 2. Schritt das neuronale Netz dann die Bewässerungsparameter für dieses Gebiet. Dieses 2-phasige Vorgehen vermeidet die hochkomplexe, klassische Optimierung und führt über die Entkopplung von Prozeßmodellierung und Optimierung zu einer einfachen Bestimmung der günstigsten Bewässerungsparameter. Eine Kopplung mit Pflanzenwachstumsmodellen überprüft u.a. die Nachhaltigkeit der zunächst für optimal befundenen Bewässerungsstrategie. Das angelernte neuronale Netz bietet eine kontinuierliche Adaption an sich verändernde Umweltbedingungen und kann z.B. in Form eines Chips weitreichende Anwendungsmöglichkeiten eröffnen.