基於測量的數字孿生架構用於水培系統中植物級生物量估算與生長預測

為了應對城市密集區域食品供應鏈的挑戰，水培等無土栽培技術日益受到關注。近日，一項發表於arXiv預印本（arXiv:2606.02796）的研究提出了一種基於測量的數字孿生架構，專門用於水培系統中單個生菜植物的生物量估算和生長預測。該研究由Morgan Mayborne等三位作者完成，展示瞭如何將數字孿生模型與實際運行的水培温室集成，通過定製園藝硬件和傳感器實時採集數據，並利用深度學習實現高精度產量預測。

研究團隊為每個植物創建了數字孿生模型，這些模型利用連續的測量信息流和現有模型動態更新植物生長軌跡。為了持續更新模型參數，研究人員開發了一個定製神經網絡，以植物的RGB-D圖像為輸入，實現實時質量估算。該網絡在包含1300張圖像的數據集上進行訓練後，質量估算誤差低於1.5克。在集成到定製系統後，數字孿生模型能夠預測未來1至4天的產量，預測誤差維持在約2克。這一精度對於農業生產規劃至關重要，有助於優化收穫時間和資源分配。

論文指出，該數字孿生架構的優勢在於其測量驅動特性，能夠不斷學習和適應個體植物的實際生長情況。系統不僅實現了從個體到系統級別的精細化控制，還為城市農業提供了可擴展的解決方案。未來，該技術有望擴展到其他作物，並通過集成更多傳感器進一步降低預測誤差。這項研究為精準農業和城市食物系統的可持續發展提供了有力工具，展示了人工智能和物聯網在農業領域的應用潛力。

此外，該系統的實施細節包括：温室中安裝的傳感器網絡持續監測環境參數如光照、温度和營養液濃度，這些數據與RGB-D圖像一起輸入模型。數字孿生模型還融合了植物生長模型，使得預測具有物理基礎。研究團隊表示，這種測量驅動的方法能夠有效應對植物生長的變異性，為每個植物提供定製化的管理策略。與傳統方法相比，該系統顯著提高了預測精度和時效性，為未來自動化水培農場奠定了基礎。