智慧种植中的数字孪生技术

数字孪生定义

数字孪生（Digital twin）是IT企业关注的热点，著名IT研究机构Gartner 2017年至2019年连续三年将数字孪生列为十大新兴技术之一。

数字孪生是充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体的全生命周期过程。数字孪生是一种有数字表达实体的映射，可以被视为一个模型和真实世界彼此依赖系统的数字映射。

数字孪生的基本特征是虚实映射。通过对物理实体构建数字孪生模型，实现物理模型和数字孪生模型的双向映射。构建数字孪生模型不是目的，而是手段，需要通过对数字孪生模型的分析及优化，来改善其对应的物理实体的性能和运行能效。

任何物理实体都可以创建其数字孪生模型，一个部件、一个产品、一台设备、一个车间、一座工厂、一个建筑、一座城市，一棵作物，一块农田等。

2017年，Gartner 在十大新兴技术的专题解释数字孪生是实物或系统的动态软件模型，在三到五年内，数十亿计的实体将通过数字孪生来表达。通过应用实物的零部件运行和对环境做出反应的物理数据，以及来自传感器的数据，数字孪生可用于分析和模拟实际运行状况，应对变化，改善运营，实现增值。数字孪生所发挥的作用就像一个专家、传统的监控和控制器的结合体。推进数字孪生应用需要进行IT文化的变革，需要结合领域专家、数据科学家和IT专家的优势来完成。

从2018年Gartner发布的新兴技术成熟度曲线中可以看出，数字孪生已经进入了过热期，其建设和预期出现了高峰，超出其当前的能力。随着物联网的广泛应用，数字孪生可以连接现实世界的对象，提供其状态信息，响应变化，改善模型并增加价值。到2020年，将有210亿个传感器和末端接入点连接在一起，在不久的将来，数十亿计物体将拥有数字孪生模型。除了通过物联网连接“物”，数字孪生连接的对象还有更多。“随着时间的推移，我们这个世界的万事万物几乎都可以与其数字对象动态地相互连接，并能够基于AI实现高级仿真、管理和分析”。

北航陶飞教授指出：当前对数字孪生存在多种不同认识和理解，目前尚未形成统一共识的定义，但物理实体、虚拟模型、数据、连接和服务是数字孪生的核心要素。不同阶段（如作物的不同生命阶段）的数字孪生呈现出不同的特点，对数字孪生的认识与实践离不开具体对象、具体应用与具体需求。从应用和解决实际需求的角度出发，实际应用过程中不一定要求所建立的“数字孪生”具备所有理想特征，能满足实际需求即可。在赵敏先生和宁振波先生撰写的《铸魂：软件定义制造》一书中指出，数字孪生是实践先行，概念后成；数字孪生模型可以与实物模型高度相像，而不可能相等；数字孪生模型和实物模型也不是一个简单的一对一的对应关系，而可能存在一对多，多对一、多对多，甚至一对少，一对零和零对一等多种对应关系。

数字孪生并不是单一的数字化技术，而是在多种使能技术迅速发展和交叉融合基础上，通过构建物理实体所对应的数字孪生模型，并对数字孪生模型进行可视化、调校、体验、分析与优化，从而提升物理实体性能和优化实体效能的技术策略，是推进数字化转型的核心战略举措之一。

从数字孪生技术的发展背景可以看出，数字孪生模型是相对于其物理模型而言的。可以先建立数字孪生模型，应用数字孪生模型来进行虚拟试验，但最终还是要建立物理模型，通过对数字孪生的分析，来优化物理模型的运行。除了上述技术，大数据、人工智能等技术也是数字孪生的关键使能技术。需要强调的是，数字孪生的关键使能技术如数学模型，在数字孪生诞生之前就已经存在。而数字孪生的应用，又促进了这些关键使能技术的进一步发展。

智慧农业或者数字农业的智慧种植包含有数字孪生在农业上的应用。数字孪生技术，从本质上来说，我们在智能灌溉里面也能够联想得到，原因是我们的智能灌溉事实上是智慧种植中的农事操作的内容，智慧种植又是智慧农业，也叫数字农业的内容之一。

作物模型在某种程度上，它就是智慧种植里面作物的孪生数字模型，就是智慧种植里面的一个数字孪生技术的应用。

这么一来我们就理解了，更加前沿的作物数字孪生技术实际上是作物模型的一个赋能和升级。

如果不能正确理解数字孪生技术的基本内涵很可能会“走入歧途”。本文希望结合智慧农业的应用需求与实践，引导数字农业从业人员正确理解和应用数字孪生技术。

基础的作物数学模型

数字种植孪生模型的基础是作物生长模型，它是将作物、环境、栽培技术作为一个整体，应用系统分析原理和方法，对作物生长发育、光合生产、器官生成和产量形成等生理过程及其对环境和技术的反馈关系进行理论概括和数量分析，继而建立相应数学模型，进行作物生长过程的动态定量模拟。

作物数字孪生模型的影响因子来自以下因子：

（1）气象因子：有太阳辐射、温度、湿度、气压、降水量和风速，多作为作物生长数学模型的驱动参数。太阳辐射、最高、最低气温和降水是驱动作物生长的主要动力，与光的截获和利用、光合产物生产和分配和形态发育等过程都密切相关，是要求输入的最小数据集。

（2）土壤因子：土壤物理参数用于计算土壤的保水性、入渗率和肥料的溶解度，土壤化学参数用于计算土壤基础肥力，与作物蒸腾、水分平衡、养分平衡、环境胁迫等过程密切相关。

（3）管理因子：为模型提供模拟起始、终止及生长过程肥水供应基本条件，用水和管理过程参与作物蒸腾、为初始化或者驱动参数，灌溉水量和施肥量参与土壤水分平衡、养分平衡、环境胁迫等过程计算。

（4）作物因子：不同作物品种特征多作为初始化参数，是影响作物形态发育过程的主要参数之一。

通用的作物生长模型可用于模拟多种作物在各种环境条件下的生长。对于每种作物，在作物模型中使用带有特定数据的输入文件。对于一个地区的主要环境条件，使用有代表性的气候和土壤数据文件。通过改变数据文件方式，作物模型可以很容易地应用于某一区域内的作物数字孪生模型中。

作物生长环境感知通过传感器收集空气温湿度、土壤水分和温湿度、CO2和辐射数据，作物生长过程的叶、茎、根系和果实生长形态图像数据收集。

通过机器学习的办法利用作物生长图像实现生育期的识别。关键技术是通过大数据判断叶、茎、根系和果实的生长状态识别技术。可以动态调整模型的参数，实现数字孪生技术下的作物生长模拟。

通过土壤水分含量大数据分析得到作物的各生长期实时需水量，得到生长期的需水量规律。

通过大数据分析找出作物需肥规律，实现按作物产量和品质计划需要施用的主要元素肥料的决策。

利用视频解决图像数据与作物数学模型预测数据融合。关键是利用观测数据进行结果精度评价。建立作物农事操作的用水用肥管理制度，建立科学合理的作物生产操作规程，在农民真实管理水平条件下实现水肥一体化规范应用；建立并配套作物种植水肥一体化水溶肥应用标准，让在建和已建作物种植实现持续赢利的良性运行。