基于测量的数字孪生架构用于水培系统中植物级生物量估算与生长预测

为了应对城市密集区域食品供应链的挑战，水培等无土栽培技术日益受到关注。近日，一项发表于arXiv预印本（arXiv:2606.02796）的研究提出了一种基于测量的数字孪生架构，专门用于水培系统中单个生菜植物的生物量估算和生长预测。该研究由Morgan Mayborne等三位作者完成，展示了如何将数字孪生模型与实际运行的水培温室集成，通过定制园艺硬件和传感器实时采集数据，并利用深度学习实现高精度产量预测。

研究团队为每个植物创建了数字孪生模型，这些模型利用连续的测量信息流和现有模型动态更新植物生长轨迹。为了持续更新模型参数，研究人员开发了一个定制神经网络，以植物的RGB-D图像为输入，实现实时质量估算。该网络在包含1300张图像的数据集上进行训练后，质量估算误差低于1.5克。在集成到定制系统后，数字孪生模型能够预测未来1至4天的产量，预测误差维持在约2克。这一精度对于农业生产规划至关重要，有助于优化收获时间和资源分配。

论文指出，该数字孪生架构的优势在于其测量驱动特性，能够不断学习和适应个体植物的实际生长情况。系统不仅实现了从个体到系统级别的精细化控制，还为城市农业提供了可扩展的解决方案。未来，该技术有望扩展到其他作物，并通过集成更多传感器进一步降低预测误差。这项研究为精准农业和城市食物系统的可持续发展提供了有力工具，展示了人工智能和物联网在农业领域的应用潜力。

此外，该系统的实施细节包括：温室中安装的传感器网络持续监测环境参数如光照、温度和营养液浓度，这些数据与RGB-D图像一起输入模型。数字孪生模型还融合了植物生长模型，使得预测具有物理基础。研究团队表示，这种测量驱动的方法能够有效应对植物生长的变异性，为每个植物提供定制化的管理策略。与传统方法相比，该系统显著提高了预测精度和时效性，为未来自动化水培农场奠定了基础。