监测生长状态和环境响应的作物数字孪生系统研究综述
时间：2023-01-17 10:25:08 来源：天一资源网 本文已影响 人 
李炜，朱德利*，王青，曾绍华
（1.重庆师范大学计算机与信息科学学院，重庆 401331；
2.重庆师范大学重庆市数字农业服务工程技术研究中心，重庆 401331）
数字孪生是针对物理世界的实体，利用数字化手段构建出一个数字世界的“克隆体”[1]，能够与物理实体保持实时交互联接，借助历史数据、实时数据以及算法模型等，通过“克隆体”模拟、验证、预测控制物理实体全生命周期过程，从而分析和优化实体。其依靠计算机辅助设计(computer aided design，CAD)、建筑信息模型(building information modeling,BIM)、地理信息系统(geographic information system,GIS)等传统数字化技术构建真实世界与数字世界的数字模型[2]，通过传感器、物联网技术与真实世界实现数据交换与同步；
依赖建模仿真技术精确模拟和运算不同的物理过程。此外，它还与新兴的人机交互、虚拟现实(virtual reality,VR)、混合现实(mixed reality,MR)以及人工智能等技术结合，实现数字孪生的人机交互和智能化。数字孪生作为新一代技术，不仅承载了传统制造领域工艺、流程和质量的要求，还可降低制造过程的成本、复杂度等，同时能够发挥数字技术灵活的优势。
借鉴上述数字孪生的概念，将实体作物与虚拟作物的生长同步、实时状态监测与环境响应之间的交互系统概括为作物数字孪生系统。它综合了气象学、作物生理学、作物生态学、过程建模、虚拟现实等技术，以“生理机制解析-重构形态机理-模拟算法构建-生产力动态预测-效应定量评估”为主线，构建数字化模型，形成全生命周期的映射，定量监测作物动态生理过程，描述器官建成和产量等过程与环境间的动态模拟关系。系统的构建过程包括获取、传输作物生长信息，构建数字化生长模型以及用户可视化交互等，通过系统实现作物生理机制监测、生长模拟、环境响应及生产力预测等。在当前的物联网框架下，借助各种传感器获取作物信息[3]，基于多种传输协议网络传输作物生长信息[4]，通过移动端、无人机、机器人等设备反馈信息并实施作物生长调控。该系统不仅增强业务处理的机理性，而且有效地筛选、提炼、分析海量信息，最终有序地传送给智能设备执行分析、处理并反馈结果[5]。由于系统结合了环境、管理方式、经济效应等因素对孪生作物进行定量化表达，从而指导作物株型设计和品种改良。由此可知，该系统可有效克服传统监测方法任务繁重、低效、易出错以及监测结果不客观等方面的局限性，并能够分析作物生理机制、监测与反馈作物生长状况，以及实现可视化交互。
基于大量相关文献资料基础,本文对作物数字孪生的基本概念、研究内容、构建流程、关键技术等进行概括总结，明确其在作物生长模拟、分析、预测、交互等方面的价值，并探讨了该系统未来的研究趋势，旨在为今后作物数字孪生系统的研究提供参考依据。
借鉴工业数字孪生系统的研究内容，本文将作物数字孪生系统的主要研究内容分为实体作物生长模拟、虚拟作物生长建模、孪生系统的可视化和交互方法3个方面。
1.1 实体作物生长模拟
实体作物生长模拟是基于作物生理机制，同时结合作物生长所需的光照、土壤、气候等环境因素，通过数字化模拟作物生长状况。早在20世纪60年代，已有研究者对植物的生理过程进行数字化描述，这标志着作物生长动态模拟的开端[6]。随着对作物生理状态过程的认知不断加深，以及虚拟现实和物联网技术的发展，以数字模拟为主的作物生长模拟迅速发展，并逐渐在作物生长中得到广泛应用。许多国家都针对用于模拟和监测的作物生长模型进行研究，相继开发了许多不同类型的模型，已从少数国家发展到多个国家，从少数作物扩展到数十种作物，在研究内容、特点和方法等方面呈现出新的发展趋势[7]。按照适用类型分类，实体作物生长模型主要包括多作物通用生长模型与单一作物生长模型2个方面。
1.1.1 多作物通用生长模型 适用于多实体作物类型的生长模型是农业前沿性领域的重要研究内容之一[8]。该项研究在20世纪80年代有较为不错的发展，推出了一批有代表性的作物模型，且得到一定程度的认同与肯定。多作物通用生长模型大致可分为禾谷类作物模型、豆类作物模型及综合性作物模型等。
①禾谷类作物模型。禾谷类作物是目前种植范围较广、数量较多的一类作物，主要包括小麦、大麦、玉米等作物。1970年，De Wit等[9]发表了首个基于作物生长动力学的ELCROIS模型,此模型较为详细地描述了器官生长、冠层光合作用和呼吸作用等过程。随后，在此基础上发展了多种作物生长模型，主要包括BACROS模型[10]、SUCROS模 型[11]、WOFOST模 型[12]、MACROS模 型[13]、LINTUL模型[14]等。这些模型普遍适用于禾谷类作物的生长模拟，且综合考虑土壤、气候等因素，其主要特点在于解释性、机理性、通用性强，仅需改变作物参数和采集的土壤、气候数据库而适用于不同的禾谷类作物。随后，Ritchie[15]采用系统工程原理，通过动力学方法和计算机技术构造了以“作物-土壤-环境”为主线的CERES系列作物模型，该模型不仅适用于玉米、高粱、水稻、谷子、小麦、大麦等作物生长动态模拟，而且不受地域、气候和土壤等条件的限制，可以模拟作物在自然环境下的生长、发育和产量形成的动态过程。此外，随着澳大利亚ASPSIM模型[16]与中国CCSODS模型[17]的出现，对小麦、玉米等禾谷类作物生长模拟有了进一步的贡献，具有较好的实用性和稳定性。
②豆类作物模型。早在20世纪70年代初期，美国农业部以大豆为对象，开发了适用于豆类的GOSSTM[18]和GLYCIM[19]生长模型；
Wilkerson等[20]也建立起适用于大豆的SOYGRO模型。随后，美国研究者通过合并SOYGRO（大豆模型）[20]、PNUTGRO（花生模型）[21]和BERNGR（干菜豆模型）[22]等模型，形成了CROPGRO系列模型[23]，主要用于模拟豆类作物的生长、发育和产量形成过程[24]，该模型的设计结构支持用户对作物特征参数进行修改而应用于不同作物。由于ASPSIM模型[16]的综合性优势，它也能够用于模拟豆类作物的生长过程。
③综合性作物模型。澳大利亚的ASPSIM模型[16]是综合性的模型，主要用于模拟小麦、玉米、棉花、油菜、豆类和杂草等作物，它的核心是土壤而非植被，这一点不同于其他国家的生长模型，该模型主要将天气、作物、农艺管理引起的土壤属性的连续变化作为模拟的中心[25]。它集成多种模型的优势，能够将众多零散模型研究结果的优势集中于模型当中是其设计特色之一，并且可采用“即插即用”的方式应用到其他学科领域，作为公用平台使得模块之间的对比变得相对容易。另外，美国在先前模型的基础上开发了DSSAT决策支持系统[26]，主要包括CERES和CROPGRO系列模型，其不仅有通用模块，还有不同作物的独立模块，可模拟的作物种类多达17种，具有鲜明的特色，且主要功能在于模拟季节变化、不同空间位置和管理措施对作物生长发育的影响。在中国，高亮之等[17]将一系列中国作物模型结合开发了综合性的作物栽培模拟优化系统CCSODS，该模型结合作物生长模型、栽培优化系统及专家知识等，主要适用于水稻、小麦、玉米、棉花、大豆和油菜的栽培模拟与决策优化。
1.1.2 单一作物生长模型 单一作物生长模型主要针对特定作物进行生长模拟，具有较为鲜明的针对性，如水稻、小麦、棉花等特定作物。在20世纪80年代，我国引进荷兰、美国模型后逐渐形成有中国特色的作物生长模拟模型[6]。在水稻方面，金之庆等[27]基于水稻作物形成了作物栽培模拟优化系统RCSODS模型，集合了作物模拟技术和栽培优化理论；
苏李君等[28]以有效积温作为气象因子，收集中国气象数据库中的气象数据和现有学术论文中的水稻生长数据，建立了描述水稻生长过程的叶面积指数和干物质积累的普适的Logistic模型，并研究了水稻最大叶面积指数与最大干物质累积量、收获指数与降水量之间的关系。在小麦方面，孙宁等[29]结合“钟模型”RCSODS和CERE-Wheat模型的方法，开发了小麦生长发育模型（WheatSM），该模型针对国内不同品种的冬小麦而研发，并适用于中国大面积范围的作物，较好地适用于华北地区的冬小麦。在棉花方面，潘学标等[30]结合中国棉花栽培的研究成果研制了用于模拟棉花生长发育的COTGROW模型；
冯利平等[31]以棉花为研究对象，建立了用于棉花生长的COTSYS模型。
1.1.3 典型作物生长模型比较与评价 结合上述生长模型和相关进展，本文选取WOFOST、CERES、APSIM、RCSODS、WheatSM等典型模型进行对比，如表1所示，主要分为多作物通用模型和单一作物模型2部分。这些模型主要以作物生长发育为主要内容，注重作物生理机制的表达，同时考虑气温、降水、光照、CO2浓度等因素的影响，以及光截获与利用、物候发育、干物质分配等过程的复杂作用。
表1 典型作物生长模拟模型比较Table 1 Comparison of typical crop growth simulation models
多作物通用模型多适用于禾谷类作物，主要模拟冠层的光截获与利用、物候发育、干物质分配、蒸腾作用、水分平衡和养分平衡等过程，此外，各模型模拟有共同的核心过程又有不同突出点。WOFOST模型是以生长度日(growing degree-days)对作物生长发育进行模拟，其模拟基础为作物的生理生态过程，主要包括同化作用、呼吸作用、蒸腾作用、干物质的分配等，最大特点是普适性，通过调整作物参数以适用于不同的作物；
CERES模型以光能为主要驱动，应用系统工程原理、动力学方法和计算机技术，集成天气、土壤等模拟模块；
APSIM模型以土壤为核心，包含土壤侵蚀、碳素平衡、土壤温度、水分平衡、残茬分解等过程。
单一作物模型针对水稻和小麦研究而成。RCSODS是目前较为完善的水稻栽培模拟优化决策系统，结合作物模拟与栽培优化原理进行栽培决策服务。WheatSM模型是针对中国不同地区小麦品种类型（冬性、半冬性和春性）而研发的适用于我国大面积范围应用的模型，尤其在华北冬小麦区有较高的适用性。
1.2 虚拟作物建模
虚拟作物建模不仅能够使模拟的作物达到逼真的视觉效果，还能通过仿真技术进一步揭示作物生长形态结构与生理状态的变化规律。因此，本文针对建模方式展开了不同程度的分析，从生长规则、三维仪器、图像等建模方法阐述目前学者的研究工作，以促进人们对虚拟作物生长过程的认知。
在基于作物生长规则方面，国外较为著名的动态结构模型有L-System和AMAP等，两者都是以作物生长规则而建模。L-System本质是重写系统，通过对植物对象生长过程的经验式概括和抽象,采用其扩展形式。如Seleznyova等[32]通过将植物韧皮部和木质部机理与L-System结合，对碳水化合物在植物体结构运输过程进行建模；
Vazquez-arellano等[33]结合3D数字图像和LSystem，用于玉米重构作物模型，还能很好地模拟作物在其他不同共生空间的动态生长过程；
此外，L-System还结合不同的模型，如集合DOL-System、D1L-System、D2L-System、随机L-System、参数LSystem。由L-System优化出的OpenGL-System能够形成作物图像，同时考虑到作物群体之间的光竞争、同一植株内不同器官之间对水分和养分竞争等因素[34]。AMAP方法是通过分析并确定作物的形态结构，利用多尺度树形图进行作物拓扑结构的描述和模拟，适用于任何作物。其优势在于具有强大的数据采集与分析模块。Coen等[35]通过分析植株生长规律和经验数据，构建了植株的拓扑和器官的定量化模型，逼真地模拟并可视化植物地上部分从幼苗到成熟的过程。Frasson等[36]以玉米冠层为对象，基于无损检测的方法开发了高度详细的三维数字模型。Jallas等[37]整合植物可视化模型和AMAP模型来建立植株拓扑结构与器官形态变化的耦合模型，较好地虚拟了棉花的生长过程。国内方面，李书钦等[38]基于实测的小麦叶片数据，建立小麦叶片主脉控制点构造算法，计算小麦叶片NURBS曲面控制点坐标，以模拟小麦形态；
王美丽等[39]基于L-System和OpenGL技术，建立了小麦、玉米的根系生长模型，模拟根系发育过程，实现作物根系的重建。
三维扫描仪器的发展使得建模精度得到了提升，Lee等[40]利用激光扫描技术获取柑橘三维信息，并量化其几何参数；
袁晓敏等[41]通过三维数字化仪重建了番茄器官、个体及群体，并开发了可视化软件，快速生成番茄模型;王勇健等[42]针对植物叶片形态特征，选择合适的三维扫描仪进行叶片点云数据获取，通过点云预处理获取高质量虚拟模型。
由于扫描仪器操作复杂且耗时较长，不少学者通过视觉的方法进行建模，如基于Kinect深度图像方面，王孟博[43]利用Kinect深度获取水稻植株的点云数据，通过点云数据预处理、去噪等方式，将不同方位的点云数据收集并配准，进而快速获取作物点云数据；
邵小宁[44]以玉米为研究对象，通过Kinect相机快速获取其点云数据。此外，基于单幅图像方法，Zeng等[45]通过拍摄的单幅植株图像进行分类，删除为树枝、细线化等，预估枝干宽度和生长规律，由此构建模型。单幅图像的方法存在无法精确重建的问题，且误差较大，因此有了基于运动图像的方法，杨亮等[46]利用运动图像并采用SIFT算法进行多幅黄瓜叶片特征点匹配，从而获取其三维模型。最后，还有基于立体视觉的方法，王传宇等[47]在室内环境利用双目立体视觉技术对玉米叶片进行了三维重建;袁挺等[48]采用2台摄像机组成立体摄像机，通过获取敏感波段的黄瓜红外图像，并基于灰度相关与极线几何相结合的策略实现黄瓜三维重建。
根据国内外不同虚拟作物建模方法，从适用范围、采集图像、数据量、重建精度与速度等方面进行比较，如表2所示。基于L-System、AMAP和NURBS曲面等方法虽然能够逼真地模拟出作物的器官和单株作物的三维形态，但其局限性在于所抽象出来的规则和实体难以完全一致，且不适用与高大的作物。基于三维扫描仪的方法所建立的模型精度较高，由于涉及到大量的机械运动导致重建过程比较耗时。基于图像的方法需要较多的图像数据，提高了重建的精度和速度，但是自然条件下不稳定的光照条件限制了基于图像的作物重建应用，虽然基于深度相机的方法可以有效避免光照问题，但目前的深度相机仍存在分辨率较低、扫描范围小等问题。
表2 虚拟作物建模方法比较Table 2 Comparison of virtual crop modeling methods
1.3 作物孪生系统的可视化与交互方法
在作物数字孪生系统的可视化与交互方面同样做了大量研究。朱冰琳等[49]以玉米、大豆为研究对象，基于机器视觉方法对作物个体、群体进行重建，根据其重建出的三维结构实现株高、冠幅与器官的生长可视化。李书钦等[50]在小麦生长模型基础上，构建了小麦生长模拟可视化系统。在交互方面，孙爱珍等[51]以棉花中苞叶器官为研究对象，采用VC++集成编程环境，结合OpenGL交互技术，实现棉花苞叶器官的可视化交互；
汪强等[52]构建玉米6个时期的栽培管理知识模型，建立玉米绿色高产定向栽培3D模型库,包括种子模型、虫害模型、药剂模型、杂草模型、玉米苗模型、农机模型等，基于Unity引擎开发了可交互的玉米绿色高产定向栽培可视化系统。
OpenGL集成许多不同的渲染函数和绘制函数，用简单的图形绘制复杂的三维景象。利用作物的形态参数来实现孪生作物生长过程的可视化，直观地观测孪生作物的生长规律。而Unity集成了强大的3D引擎，以实时3D技术极大地支撑了实时的三维渲染。它基于实体作物三维建模，集成生长模型，定义行为感知控制，实现人机交互，搭建逼近真实的模拟场景，在时间尺度和空间尺度上对真实世界加以优化和改善。
2.1 一般构建流程
在作物数字孪生系统构建流程方面，岳学军等[53]从现代农情智能感知和信息解析技术2方面分析了国内外农情信息感知技术和基于大数据分析农情的研究进展，总结了当前用于获取农田信息数据的关键技术，突出了农情数据在农业数字化和智能化中的重要性；
康孟珍等[54]在智慧农业信息感知、智能决策和决策实施的基础上，提出与农业企业资源计划、农业生产执行系统、农业生产过程控制系统相结合的构想；
张文宇等[5]阐述了模型的重要性及基于模型的智慧农业平台的需求，以期发挥模型在物联网和智慧农业中的重要作用。因此，本文根据上述论述将其概括为图1所示的一般构建流程，主要包括数据获取与传输、模型构建、可视化与交互等过程；
对实际农业系统和虚拟农业系统的描述，系统中实体作物和孪生作物所涵盖的映射关系也表示为3个层次，如图2所示[54]。
图1 作物数字孪生系统一般构建过程Fig.1 Generally construct process of crop digital twin systems
图2 实体作物与孪生作物映射Fig.2 Mapping between physical crop and twin crop
首先，作物数字孪生系统需要高质量的农作物数据（作物株高、叶面积、生长质量和器官数量等）、生长环境数据（光照、温度、水分、空气、土壤和养分等）以及高精度、逼真的作物三维模型作为基础支撑，综合运用数据分析技术确保数据的准确性和实用性，并通过现有传输方式实现作物数据完整传输。其次，根据作物生长分析和生态分析方法，结合作物生长发育基本规律与环境因子、管理技术之间关系，明确作物生长机理、作物产量而构建不同环境和技术措施的响应模型，该模型包括模拟孪生作物生长发育、器官生成、光合作用、水分、氮素平衡、生物量分配、气象仿真等子模型[50]。此外，系统还结合了作物生长环境、作物经济效应及管理技术等，借助孪生作物监测实体作物的环境响应状况，随后再经过智能设备分析处理，实现孪生作物的模拟实验与接收反馈，同时对实体作物进行数据收集和信号控制，从而达到实体作物与孪生作物信息交互的目的[53]。最终通过可视化技术，将作物生理生态过程和形态变化等大量抽象数据转换为人眼可见的三维模型，用户可根据需求改变系统外部驱动变量的输入，实现用户与系统的交互操作，同时可通过可视化的呈现方式对实体作物生长加以分析，并对作物生长方式、管理方式制定相对应的优化措施。
此方法可有效避免农田难以试验的部分以及减少对实体造成不必要的损坏等，通过系统监测作物生长动态，定量分析和评估不同气象环境对作物生产的影响，评价不同农技措施对增产的作用，为田间作物育种提供评价依据。
2.2 数据获取与传输
数字孪生系统需要数据来驱动，是动态性的系统。因此，作物数据的实时采集与传输是实现作物数字孪生系统的基本保障。大数据是智慧农业的基础，信息感知与传输则是数据的源头[54]，挖掘各项农情数据，并进行农情监测与预警[55]，基于上述分析将作物孪生系统中首要阶段概括为数据获取与传输2部分（图3）。
图3 作物数字孪生实时数据获取Fig.3 Crop digital twin real-time data acquisition
图3所示的实体作物数据采集方面，根据不同作物的主要种植地区多年的气象、土壤环境和作物生长状况基于物联网监测技术和传感器技术（其分类和功能如表3所示）进行采集、分析，主要包括逐日最高、最低气温、降雨量、太阳辐射值和作物逐日生长状况等图像或视频数据，同时根据图像分割算法实现作物器官分割。虚拟作物数据方面，结合三维激光扫描技术、三维重建技术、三维点云网格化技术可有效地获取数字孪生作物的三维形态数据。此外，获取的数据只有不断分析和提炼才能形成有价值的信息，作物数据应进行预处理，降低数据噪声和复杂性，增强数据的可操作性，通过关联规则等挖掘分析，从海量的作物数据中提取出规律和价值[56]。
表3 传感器具体类型和功能Table 3 Sensor-specific types and functions
数据传输则基于通信网络[54]，将具有独立功能的设备或子系统连接起来，按照规定的网络协议实现数据通信，实现分布式系统硬件和软件资源文件共享及系统综合管理、控制[53]。根据传输媒质不同，通信技术可分为有线和无线通信技术。有线通信技术安装成本较高，传输距离受限，限制在作物监测中的推广应用等。无线通信技术根据距离的远近可以分为无线局域网技术、无线广域网技术2类。无线局域网技术主要有ZigBee、W-Mbus、Bluetooth、WiFi、NFC、RFID等；
常见的无线广域网技术包括GPRS、4G、5G、LoRa和NB-IoT等。
基于物联网信息采集与传输，按照规定的网络协议，将作物生长发育信息、环境要素等各种“物件”与互联网相连，进行信息交互和通信[54]。图4为基于物联网实现的基本结构，分别通过感知层、传输层、应用层3个应用场景构建。
图4 基于物联网实现的基本结构Fig.4 Basic structure based on the implementation of the internet of things
2.3 模型构建
作物生产各个阶段都需要构建不同模型完成相应功能，如信息分析过程中仍需要生长模型，反馈过程需要优化、调控模型。本文基于各个阶段模型进行总结，如图5所示。构建的模型主要包括作物形态、器官模拟和作物生长模拟等，以孪生作物与生长模型为基础，并结合农田环境因素，通过作物孪生体的生长变化反映实体作物在不同环境因素下的响应状况，模型以此做出播种方案设计、生长监测、养分淋失预警、产品预测、管理措施等决策。
图5 模型构建Fig.5 Model construction
2.3.1 作物形态、器官模拟模型 作物形态、器官模拟模型主要分为作物形态虚拟模型和作物器官虚拟模型2部分。首先针对形态部分，采用快速三维建模的手段获取孪生作物的形态结构，常用于获取虚拟作物建模的手段有三维激光扫描仪，其建模精度高，能较好地还原作物的三维结构，但由于复杂的机械运动和操作，耗时较长；
三维重建技术也能较好地还原，有效解决了耗时长的问题，但对于重建一些结构复杂的作物，需要大量的图像数据。对于器官模型的获取，需要结合器官识别算法和器官图像分割算法，对大量的作物图像数据进行器官分割，主要包括叶、茎、果实、根、果枝等器官，最后形成虚拟化的形态与器官模型数据库。
2.3.2 作物生长模拟模型 作物生长模拟模型是基于作物生理过程机制，将气候、土壤、品种和农技措施等影响因素作为主要驱动变量的数值模拟模型，并且以特定时间步长动态模拟作物生长发育的生物学参数与产量，定量化研究环境因子及管理措施对作物生态生理的影响。作物生长模拟模型包含作物阶段生长发育、器官生长与建成、光合作用与物质积累、生物量分配、水分平衡、气象仿真等子模型，其功能如表4所示。
表4 作物生长模拟子模型功能Table 4 Crop growth simulation sub-model functionality
构建的模型不仅模拟作物形成过程，还能根据不同条件定量分析器官几何形态与空间伸长规律、器官颜色动态特征、器官拓扑结构以及植株个体空间上的配置、个体相互作用和群体建成的关系等。以生长度日为尺度，结合生长模型模拟输出各器官的总干重与分配方式得到单个器官的干物质量，以及各器官的形态特征参数和形成模式，形成作物器官三维模型，主要模拟器官几何形态、空间生长曲线、颜色变化等特性，最终通过耦合的模型实现农田事件预测。
2.3.3 环境响应决策 由于在数据库中存储了形态与器官模型、土壤性质、气象数据、品种特性等作物参数信息,因此模型在环境变量（气象数据、土壤条件等）与作物生长特性的基础上，通过获取实体作物生长过程的关键特征并用算法计算多种环境状态变量，将结果映射到孪生体的变化中，以模拟和预测实体作物基于不同环境下的生长发育及环境响应情况，同时根据孪生体的反馈结果做出相应决策，其决策包含了作物播种方案、生长监测、养分淋失预警、产量预测及种植管理措施等。通过模型的决策管理，不仅能够以直观的方式感
知不同外部环境条件下作物的生长变化，还能辅助用户为不同生产目标制定优质、高效的管理决策。从而使得作物生长过程中众多实际问题有较好的解决措施，达到信息化和智能化的目的。
2.4 可视化与交互过程
李书钦等[38]构建了NURBS曲面模拟小麦叶片生长，用OpenGL实现了小麦叶片在不同管理措施条件下生长过程形态三维可视化表达，刘慧等[57]用系统分析方法与动态建模技术，构建具有机理性的生长模型，实现水稻个体与群体可视化表达；
何火娇等[58]基于水稻器官几何形态模型、生长模型与可视化模块，并通过人机交互操作，重构出水稻器官、主茎和植物群体三维形态。
本文在上述前人研究基础上，总结了作物数字孪生的可视化与交互过程（图6）。由设备上的传感器中导入作物每个器官的长度、面积、温度等关键信息，通过重构技术、插值方法与可视化技术生成不同作物可视化模型，可视化模型根据输入的作物器官、形态模型等，综合利用不同器官三维形态可视化方法与计算机图形学真实感绘技术（光照，颜色，纹理等）绘制作物的器官、个体、群体模型，结合其拓扑结构和空间配置规律，系统可基于C++交互平台或Unity平台将作物生长环境、作物生长趋势实现数字可视化，用数字化的方式描述整个作物生长的虚拟场景，并结合用户输入的驱动变量和作物间的碰撞监测和相应技术等，在虚拟数字空间中进行生长预测、过程模拟等仿真预测。
图6 作物可视化及交互过程Fig.6 Crop visualization and interaction process
可视化与交互过程，利于用户了解、分析作物生长状况，以及对未来作物生长发育做出相对应的优化策略，同时还能避免实体损害、生长异常产生的严重后果。
3.1 完善作物数据的获取方式
作物数字孪生系统的核心在于模型，模型的关键则是数据。在国家大数据战略大力支持下，未来会进一步扩充数字孪生基础设施条件，综合国家重大科技建设，发挥新型传感器和传统试验调查数据的协同作用，获取更多有利于模型构建的气候条件、土壤信息、作物参数、管理措施等数据；
在虚拟作物获取方面，近几年深度学习的迅速发展，促进了基于深度学习的三维重建，相比于传统的获取方式，深度学习提供了更便捷的重建手段，它提高了三维重建的速度和精度，是未来数字孪生应用趋势之一。此外，还需结合大数据管理、空间数据管理等手段，推进作物数字资源的整合。同时，政府和科研机构大力发展云计算服务平台，实现高效数据处理，促进作物数据的协同与应用开发服务共享，为作物算法模型优化与模拟提供数据支撑。
3.2 耦合多功能的模型
作物数字孪生系统以作物的生长度日为步长预测作物的生长发育过程，能够模拟水分限制、光温潜在、养分限制等条件下的作物生长状况。然而，作物生长发育的影响因子变幻莫测，因此需要深化与GIS、RS等技术的耦合机制，更好地实现模型的准确预测能力。同时，研究极端天气对作物生长发育与产量品质形成的影响程度，提升模型在极端天气情况下的模拟能力，也是未来关注的重点之一。由于全球气候变暖对作物产量带来极大的威胁，有效地耦合作物生长模型与气候预测模型及更好地评估气候对作物生产力的影响并制定应对措施已经成为当前研究的热点。同时，将集成开发多模型于一体的数字孪生决策系统，取多模型模拟结果的中值或均值，减少模型参数与模型结构带来的不确定性。当前作物经济的发展与社会经济、文化、观念等息息相关，不仅是系统间模型耦合，还包括农田场景模拟、事件预测等。将社会因素融入系统中，发展面向社会的作物生长系统化，将会是未来作物孪生系统发展的重大趋势。
3.3 人工智能技术与作物数字孪生的融合
随着当前人工智能的兴起，深度学习算法得到快速发展。尤其是图像处理、三维重建等方面，深度学习技术减轻了传统提取特征方法的负担。其中在获取作物器官图像数据方面，YOLO、SSD等深度学习的目标检测网络可检测器官，并结合U-Net与Mask-RCNN等分割模型实现器官图像分割处理，以此采集作物器官图像；
在作物形态和器官重建方法方面，根据不同的三维表达方式选择重建网络，以适用于不同的农业场景，如3D-R2N2网络[59]实现作物体素的重建，用PGSN网络[60]实现作物点云三维重建，采用Pixel2Mesh网络[61]实现单视图的作物器官与形态的三维网格重建，Mvsnet网络[62]基于多视图实现三维重建。
深度学习除了用于作物图像处理和三维重建外，还可应用于数字孪生系统中实现产量预测、土壤环境监测等功能。Madec等[63]提出Tassel Net模型估计麦穗密度，以此估算小麦产量；
You等[64]以整个区域作物的像素直方图，通过融合CNN与LSTM网网络，并以图像序列的方式训练学习，以此预测大豆产量。土壤监测方面，Song等[65]结合MCA与DBN，DBN-MCA模型可有效预测玉米田中土壤湿度的时空分布状况。
此外，随着VR、MR等交互技术的兴起，用户能够直观地监测农作物的实时生长发育及环境响应状况，通过孪生体模拟和预测作物长势、产量，从而调整作物管理措施。人工智能技术与数字孪生的融合不仅提升了作物数字孪生系统的数字化和智能化程度，同时还能够帮助用户更深入地了解农田作物的生长过程。
3.4 系统轻量化和多方协同交互应用
当今是基于知识与大数据的时代，智能技术的发展和普及（如大数据、物联网、云计算、人工智能及智能控制等）吸引了众多使用智能化系统的用户。孪生系统需要通过虚拟增强技术和虚拟化平台，更好地还原实体作物的生长环境和实时数据同步，以及为用户提供可设置的虚拟农田环境变量，虚拟不同的田间场景，同时通过模型轻量化处理技术和可视化展示平台，实现器官、个体、群体甚至田间场景的3D仿真和可视化应用，并将设备的数据、图表信息等融入其中进行完整展示，让用户轻松模拟使用场景和作业动态，使得用户可以在PC端、手机端随时随地监测作物生长情况，从而实现多方协同操作，有助于用户间破除沟通障碍和信息堵塞，轻松实现协同化发展的目标。
数字信息化技术的发展与虚拟现实技术为作物生长孪生提供了发展空间。数字孪生模拟技术将会在未来成为作物生长监测与栽培育种应用的核心技术之一，使作物生长、田间栽培管理变得更加智能化、精确化、目标化、动态化。因此，本文以“生理机制解析-重构形态机理-模拟算法构建-生产力动态预测-效应定量评估”为主线，概括了作物数字孪生模型的主要过程，同时分析系统中所用的关键技术，加强作物生长模拟的机理性和实用性，将其有机结合，实现作物生长监测。此外，作物数字孪生系统还提供数字化研究的基础平台，可代替部分现实环境中难以试验的部分。用户可通过虚拟化的作物生长、虚拟化的田间场景、虚拟化的管理策略等了解和学习作物生长监测的各个方面。系统能够与外界的实际场景实时同步，有利于呈现出田间多样化的虚拟场景，通过孪生系统实时监测田间作物生长状况，分析和预测农田可能发生的事件，如孪生系统预测作物在特定生长阶段病虫害发生概率，及时进行有效的防护；
孪生系统检测作物单位时间间隔内的水分含量，有利于调整田间作物的灌溉措施。此外，还可有效解决传统田间试验受作物生长状态的束缚性较强的问题，以及错开作物生长时期和开发周期延长、成本增加等问题，针对不同农田气象环境的虚拟仿真试验，有助于加强作物对环境因素的对策和对作物生产影响的认知。结合作物栽培学和数字孪生技术真实地展示田间作物生长状态，并有效解决农田病虫害管理、作物生长发育、以及针对孪生作物状况做出相应决策等问题。同时，孪生系统能够根据自定义的作物管理方式，根据资金、市场预估进行实际场景的经营规划，在运营中，孪生作物与实际作物不断进行互动。对于经营者而言，如同配备了不同专业背景的专家，在知识自动化的时代，实现更好的经营策略和作物管理方式。
