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執行的水培溫室整合，透過定製園藝硬體和感測器即時採集資料，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建立了數字孿生模型，這些模型利用連續的測量資訊流和現有模型動態更新植物生長軌跡。為了持續更新模型引數，研究人員開發了一個定製神經網路，以植物的RGB-D影像為輸入，實現即時質量估算。該網路在包含1300張影像的資料集上進行訓練後，質量估算誤差低於1.5克。在整合到定製系統後，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，有助於最佳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充套件的解決方案。未來，該技術有望擴充套件到其他作物，並透過整合更多感測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，展示了人工智慧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：溫室中安裝的感測器網路持續監測環境引數如光照、溫度和營養液濃度，這些資料與RGB-D影像一起輸入模型。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。