水培等无土栽培方式是为应对高密度城市中心食品配送问题而发展起来的替代方案。一篇新论文提出了一套以测量为驱动的“数字孪生”系统，用于追踪单株生菜在水培环境中的生长情况，并预测其未来产量。该研究由 Morgan Mayborne 等三位作者完成，2026 年 6 月 1 日提交至 arXiv，属于机器人学（cs.RO）分类，全文共 7 页、含 6 幅图。
该系统的核心思路是：利用连续采集的测量数据流与已有模型，持续更新单株植物的生长轨迹估计。与一次性建模不同，数字孪生会随着新测量值的到来不断修正模型参数，使预测逐步贴近植物的真实生长状态。研究团队将这套数字孪生模型集成进一座正在运行的水培温室，并为此自行设计了园艺硬件与传感器硬件，用于栽培植物并采集相关信息。
在模型参数更新方面，研究的关键环节是持续测量植物产量（即生物量）。团队采用一个定制的神经网络，以植物的 RGB-D 图像作为输入来估计质量。该网络在一个包含 1300 张图像的采集数据集上完成训练，结果显示其估计值与真实值之间的误差可控制在 1.5 克以内。这一精度为数字孪生提供了可靠、非破坏性的连续生物量观测来源。
在将该网络与数字孪生系统集成后，系统能够对 1 至 4 天后的产量进行预测，且预测误差维持在约 2 克左右。这意味着温室管理者可以借助这套架构提前数天获知单株生菜的生长走向，从而为采收计划、资源调配和产量管理提供数据支持。
值得注意的是，该研究强调“测量驱动”：数字孪生的价值不仅在于模型本身，更在于其与真实温室、真实传感器和持续测量流程的闭环整合。论文所报告的误差指标（生物量估计 1.5 克、预测 2 克）均建立在自建数据集与定制硬件的基础之上，其泛化能力仍需在更多品种、更多环境条件下进一步验证。总体而言，这项工作展示了将数字孪生、深度学习视觉测量与受控环境农业相结合的可行路径，为密集城市周边的精细化水培生产提供了新的技术参考。