编辑推荐：
淡水短缺加剧了对精准灌溉的需求，根系吸水（root water uptake, RWU）模型现已成为田间尺度水分管理的关键工具。传统的宏观模型通过根长密度估算吸水能力。尽管计算高效，但这些框架忽略了根系拓扑结构、木质部阻力以及根际异质性，并且常常无法模拟非均匀
淡水短缺加剧了对精准灌溉的需求，根系吸水（root water uptake, RWU）模型现已成为田间尺度水分管理的关键工具。传统的宏观模型通过根长密度估算吸水能力。尽管计算高效，但这些框架忽略了根系拓扑结构、木质部阻力以及根际异质性，并且常常无法模拟非均匀土壤水分条件（如分根区干燥）下的补偿性吸水。水力架构理论通过将根系表示为基于导度的网络来弥补这一不足，在该网络中补偿性吸水源于物理原理。虽然完全解析的三维模型能够捕捉微尺度的根际过程，但实际应用通常受限于高参数需求和计算开销。近年来，根系成像、随机建模、升尺度以及物理信息机器学习方面的进展缓解了跨尺度模拟中的瓶颈。地下数字孪生为进一步实现精准灌溉提供了机遇。本综述梳理了RWU模型的演变历程，评估了参数化和升尺度方面的最新进展，旨在指导耐旱育种和节水灌溉设计。一个说明性案例研究展示了建模选择对灌溉设计的实际影响。
2. 从整体描述到基于结构的模型
2.1 宏观经验模型
早期的RWU模型通过将潜在蒸散量分布于根系分布区域，并在土壤水分受限时降低通量来简化作物水分提取。这些经典框架未显式解析根系几何形态，而是通过最大扎根深度、根长密度（root length density, RLD）剖面或经验分布函数等整体变量来表征。Feddes型应力函数将土壤基质势转化为无量纲局部折减系数，Jarvis型模型则在此基础上引入了水力再分配和补偿性吸水机制。然而，这类经验汇项模型将根系压缩为垂向平均的RLD剖面，忽略了决定水分提取空间格局的三维拓扑结构，因此在高度异质的田间条件下其假设变得具有局限性。
2.2 水力架构与补偿
水力架构为连接整体经验汇项与显式三维RSA模型提供了物理桥梁。根系可被视为由水力阻力构成的连通网络，水分径向进入根系后沿木质部导管轴向传输，受径向和轴向导度制约。补偿性吸水是该网络行为的主要宏观结果：当表层土壤变干时，若深层根系仍通过导水通道与湿润土壤相连，水分势梯度可增加深层吸水。与经验模型中通过校正因子强制施加补偿不同，水力架构模型允许补偿性吸水从输运网络的同步数值求解中自发涌现，从而提高了模型的泛化能力。
3. 根系吸水的三维结构功能模型
3.1 根系网络流动的数学公式
三维模型将根系视为连通的水力网络，每个根轴被离散为有限圆柱段。水分交换由两个耦合过程控制：根土界面的径向流和沿木质部导管的轴向流。径向流由根际界面基质势与段内木质部水势差驱动，轴向输运遵循哈根-泊肃叶类比，轴向导度与木质部导管半径的四次方成正比。在每个内部节点施加质量守恒（基尔霍夫定律）可构建关于所有节点未知水势的线性方程组，该矩阵公式为后续宏观升尺度框架提供了直接联系。
3.2 根际界面
根际是土壤-植物-大气连续体中最狭窄且最复杂的生物物理界面之一。根系生长、根毛增殖、微生物活动和粘液分泌等过程会改变根表附近数毫米内的孔隙几何和水力特性。最简单模型采用集总经验阻力因子来表征该界面，更详细的方法则在每个显式段周围解析微尺度同心土壤圆柱。目前尚无标准化的协议用于在大规模RWU模拟中对根际界面进行参数化，这仍是一个开放性问题。
4. 三维RWU模型的数据需求
显式三维RWU模型的高物理保真度带来了巨大的参数化负担，需要高分辨率的根系几何、拓扑网络和段尺度水力特性输入。当代参数化流程结合了高分辨率无损成像、动态原位观测和随机根系生成器，以将稀疏测量与连续模拟网格对齐。
4.1 高分辨率成像：μCT与MRI
X射线显微计算机断层扫描（μCT）是无损可视化完整根系系统的基准方法，可提供有价值的几何输入。磁共振成像（MRI）作为补充，可追踪动态水分分布。然而，空间分辨率与样本体积之间的权衡、图像分割的计算瓶颈等问题仍然显著。
4.2 原位与低成本替代方案
根窗、微根管和光学根系观察窗可跟踪根系动态，监测伸长速率、分枝起始和衰老速率。低成本田间替代方案包括土钻取样、传统洗根和电阻率层析成像（ERT）。对于建模而言，目标是收集足够的结构和拓扑信息以重现目标模拟尺度下该结构的水力后果，常依赖逆建模方法。
4.3 合成与虚拟根系系统
随机根系结构生成器（如CRootBox）可通过参数化的发育规则生成大量统计上可信的三维结构，支持敏感性分析和不确定性量化。虚拟结构还可用于形式化和测试生物学假设，例如筛选特定根构型的适应价值。其主要局限性在于对生成规则中假设的敏感性。
5. 从单株到田间的升尺度
5.1 空间失配与计算障碍
三维模型与操作农学之间的空间失配跨越数个数量级，时间失配同样严重。随着土壤变干，计算成本非线性增加。即使计算能力无限，精确绘制每株作物的三维根系拓扑也不现实，因此田间模型必须在不完整的结构信息下运行。
5.2 隐式升尺度策略
隐式升尺度基于功能抽象，旨在保留网络的净水力效应而非再现其几何形态。Couvreur等人提出的分析框架表明，复杂水力网络可被压缩为标准汇分数和补偿导度等宏观参数。这种升尺度工作流类似于代理建模，但等效参数是情景依赖的，不应被视为通用遗传常数。
5.3 吸水与碳同化和产量的耦合
RWU建模的农学价值取决于其与碳同化和产量预测的整合。结构信息驱动的RWU公式可改善关键生殖阶段植株水分状况的模拟，进而支持更机械的气孔关闭和生物量积累表征。将升尺度的结构衍生水力参数与全株碳同化模型耦合，可将地下表型从描述性结构分析转向预测性农学建模。
6. 人工智能辅助方法与通向数字孪生之路
AI和机器学习有助于减少参数化瓶颈、改进图像分析和加速跨尺度模拟。深度学习模型可自动分割复杂的三维根系结构，多模态框架可实现闭环表型分析管道。物理信息机器学习（PIML）通过将守恒定律嵌入神经网络损失函数来解决参数估计中的非唯一性问题。傅里叶神经算子等代理模型可以极低的计算成本近似土壤-根相互作用。地下数字孪生概念描述了长期整合目标，即实时同化土壤水分、天气和表型数据，持续更新模型以追踪水分提取、预测胁迫并生成灌溉建议。
