受控环境农业中用于预测性生长监测和自适应光控制的作物数字孪生系统

《Internet of Things》：A Crop Digital Twin System for Predictive Growth Monitoring and Adaptive Light Control in Controlled Environment Agriculture

　　

受控环境农业（Controlled Environment Agriculture, CEA）相比传统农业具有提高产量、提升品质和减少浪费等优势。然而，实现优化的生长策略仍然是一个挑战。本研究介绍了一个作物数字孪生系统（Crop Digital Twin System, CDTS）的综合框架，用于整合微气候和作物生长的数据管道，实现CEA中资源利用优化的预测性监测和控制。研究人员探讨了CDTS的基本构建过程，涵盖了数据采集、传输、模型开发、控制、优化和细化等阶段。所提出的CDTS框架建立了一个闭环系统，监测微气候并预测生菜植物生长，同时自适应调节人工照明以补偿自然阳光的变化。实验评估展示了边缘人工智能（edge-AI）系统的计算效率，在鲜重和叶面积推理任务中，平均CPU利用率、GPU利用率、CPU温度和功耗分别为10.2%、14.4%、33°C和15.6 W。CDTS驱动的植物生长预测在研究的表型推理中分别达到了R²为0.928和0.903。传感器网络性能进一步验证了该框架，微气候传感器的平均日延迟为165.24 ms（±13.20 ms），营养传感器显示出稍高的延迟190.86 ms（±27.70 ms），突显了LoRaWAN基础设施在近实时数据采集中的有效性。此外，光控展示了高精度，在94.88%的运行时间内将照度维持在2%误差范围内，3.71%的时间在2–4%范围内，1.29%的时间在4–10%范围内，只有0.12%的时间误差超过10%。总体而言，所提出的框架实现了精确的环境控制，支持作物生长优化，并改善了CEA内的管理实践。

受控环境农业（Controlled Environment Agriculture, CEA）虽能提高产量和减少浪费，但高运营成本下实现经济可持续仍是挑战，微气候（如光、温度、CO₂、湿度）的有效管理对作物品质至关重要。已有的智能系统集成多聚焦于单一模块，缺乏将数字孪生（Digital Twin, DT）同步、微气候监测、预测性建模及闭环驱动结合的完整架构。为此，研究人员提出一个作物数字孪生系统（Crop Digital Twin System, CDTS）框架，以填补这一空白。该研究在Texas A&M AgriLife Research and Extension Center（Dallas, Texas）进行，以Rex生菜为试验对象，在营养膜技术（Nutrient Film Technique, NFT）水培系统中栽培，建立了实时微气候监测网络、边缘人工智能（edge-AI）生长预测系统及自适应光控系统。实验验证了系统的技术可行性：CDTS实现了高精度生长预测（鲜重和叶面积R²为0.928和0.903），LoRaWAN网络的数据包投递率（Packet Delivery Ratio, PDR）超过97%，平均延迟约165–191 ms，光照控制误差在2%以内的时长占比94.88%。该研究发表在《Internet of Things》，显著推动了数字孪生在CEA中的实际应用，为资源优化管理提供了可扩展框架。

技术人员采用了以下关键技术方法：（1）基于LoRaWAN的物联网（Internet of Things, IoT）数据采集与传输架构，利用AWS云服务（包括IoT Core、Lambda、InfluxDB、Grafana）实现微气候（光合有效辐射PAR、温度、湿度、CO₂）和营养液参数（电导率EC、pH、温度）的近实时采集与可视化。（2）边缘人工智能系统，以NVIDIA Jetson Orin Nano为计算核心，搭载Intel RealSense D435i RGB-D摄像头，在4小时间隔下采集生菜图像，并通过深度学习模型提取鲜重和叶面积等表型特征，而后经LoRa模块传输数据至云端。（3）多模态植物模型（Multimodal Plant Model, MPM），融合RGB图像嵌入（轻量视觉骨干网络）与微气候及营养信号的时间分布长短期记忆网络（LSTM）编码，通过后期融合预测关键表型。（4）自适应光照控制采用离散时间比例-积分-微分（Proportional-Integral-Derivative, PID）控制器，结合三个空间分布PAR传感器的距离加权误差，动态调节三盏Heliospectra ELIXIA灯强度，目标PAR阈值为500 μmol s^-1 m^-2，每日6小时，对应理论日光照积分（Daily Light Integral, DLI）11.5 mol m^-2 day^-1。所有样本（Rex生菜）均来自Texas A&M AgriLife Research and Extension Center的温室环境。

**4.1 微气候监测结果**：通过在温室三个位置部署微气候传感器（PAR、温度、湿度、CO₂）及六个独立NFT系统中安装营养传感器（温度、EC、pH），研究人员利用LoRaWAN网络连续监测7天。结果显示平均气温20–28.3°C，湿度28–82%；营养液温度、EC和pH存在动态变化。网络性能方面，15分钟间隔的微气候传感器数据包投递率（PDR）为97.22–98.61%，20分钟间隔的营养传感器PDR为97.92–99.54%，两者均超过97%。平均日延迟：微气候传感器165.24 ms（±13.20 ms），营养传感器190.86 ms（±27.70 ms），表明LoRaWAN在近实时数据采集中有效且可靠。

**4.2 作物生长监测结果**：基于边缘AI的实时监测系统在生菜移植后第1、5、11、14、20、25天采集图像并预测鲜重和叶面积。结果表明，鲜重和叶面积呈指数增长趋势，后期加速。边缘设备（NVIDIA Jetson Orin Nano）性能指标：平均CPU利用率10.2%，GPU利用率14.4%，CPU温度33°C，功耗15.6 W，显示高效稳定运行。CDTS数字孪生预测与地面真值比较：鲜重和叶面积的平均绝对百分比误差（MAPE）分别为24.71%和17.87%，决定系数R²分别为0.928和0.903，预测曲线整体反映了真实生长模式，但后期叶面积预测存在低估现象。

**4.3 光照控制自适应结果**：自适应光控系统利用三个PAR传感器的距离加权误差，通过PID控制器调节三盏灯强度。结果显示，当外部自然光超过阈值时，相应区域灯光关闭。控制性能评估：在94.88%的运行时间内，照度误差在2%以内；3.71%时间误差在2–4%；1.29%时间误差在4–10%；仅0.12%时间误差超过10%，表明系统在维持目标PAR阈值方面具有高精度。

讨论部分指出，所提出的CDTS超越了简单数据仓库功能，作为交互式可视化和决策支持工具，通过传感器集成、AI和云计算提供实时微气候与作物生长可视化，并创建数字作物模型，使种植者能够监测作物健康、预测生长模式并优化决策。当前实施存在若干局限性：缺乏CDTS辅助决策与产量改进的因果对比试验；仅针对生菜品种，推广性受限；后期预测因叶片自我遮挡导致低估；光照控制验证主要集中于人工照明时段；LoRaWAN评估周期仅7天；未涉及多孪体协作、灌溉管理及端到端运行时优化。未来工作方向包括多作物多系统部署、混合通信架构（LoRaWAN结合Wi-Fi/4G/5G）、集成深度信息改进预测、多周期品种校准及完整资源优化验证。

研究结论：本研究介绍了一个用于作物生长监测的CDTS框架，确保了实际与模拟作物生长、实时状态和光照控制系统之间的同步。所提出的CDTS为在操作环境中测试复杂场景提供了一个实用平台，减少了对昂贵物理试验的依赖。通过提供交互式可视化和预测能力，CDTS允许用户探索虚拟化的作物生长和管理策略，获得对作物发育动态的更深理解。具体来说，所提出的DT融合多模态感知与预测模型，以1）推断单个传感器无法直接观测的潜在植物状态，例如生长阶段和形态特征；2）在不同微气候和管理情景下生成未来数天的生长预测；3）支持主动的“假设”评估以辅助决策，例如优化光照以平衡生长目标和资源利用。本研究通过引入一个具有强大生产力优化潜力的可扩展框架，推动了DT在CEA中的应用。未来工作将侧重于实施和验证完整的CDTS以优化CEA中的资源利用。关键方向包括整合额外的传感器模态、开发自适应反馈机制、以及提高模型可解释性以支持实时决策。进一步研究还将探索将框架扩展到多种作物类型和生长条件，确保更广泛的适用性和影响。