《European Journal of Agronomy》：A cost-effective approach of building plant digital twin combining plant phenotyping and growth models: A case study on rapeseed plants
编辑推荐：
作物光能利用效率（light use efficiency, LUE）是产量潜力的关键决定因素，然而其优化受限于田间条件下冠层发育动态追踪的困难。随着农业智能化的发展，植物数字孪生（plant digital twin）概念应运而生，成为连接物理植株与其高保真
作物光能利用效率（light use efficiency, LUE）是产量潜力的关键决定因素，然而其优化受限于田间条件下冠层发育动态追踪的困难。随着农业智能化的发展，植物数字孪生（plant digital twin）概念应运而生，成为连接物理植株与其高保真数字表征的动态交互桥梁，该技术已成为精准农业的关键支撑，可辅助育种决策并预测作物生长行为。通过在虚拟空间中再现植株形态、生理过程及其对环境因子的响应，数字孪生为作物生长过程的多尺度建模与优化调控提供了技术平台，这一进展与植物表型组学（plant phenomics）的进步密不可分。形态结构信息的获取正从传统人工测量快速转向基于图像、点云等方法的非接触式自动化采集，三维（3D）重建技术构成了构建数字表征的核心数据基础。
当前，植物三维表型分析主要依赖多视立体（multi-view stereo, MVS）、结构光或激光雷达（LIDAR）扫描等技术，基于这些方法可非破坏性地提取株高、叶面积、冠层体积等关键表型参数，且精度较为合理。然而，这些方法通常仅提供离散时间点的静态快照，难以刻画植株持续生长的动态演化过程。此外，激光扫描仪、多光谱成像系统等专用平台购置与运行成本高昂，往往需部署于受控环境或固定站点，其高额费用与有限的可及性严重制约了其在多样田间场景和群体研究中的大规模应用。
尽管神经渲染方法（如NeRF）在复杂场景表征方面取得了显著进展，但其高昂的训练与推理成本带来沉重计算负担，难以适用于时效性要求高的农业应用。以三维高斯泼溅（3D Gaussian Splatting, 3DGS）为代表的新型高效渲染技术，在保持高质量视觉输出的同时显著提升了重建与渲染效率，为复杂植物几何的高效近似提供了新途径。然而，传统方法与新兴技术仍主要聚焦于单一时间点的静态重建，缺乏对生长相关时间动态的显式建模能力，这一局限制约了其与需要预测和模拟功能的数字孪生系统的深度融合。
另一方面，功能-结构植物模型（functional–structural plant models, FSPMs）旨在基于植物生理生态机制，模拟结构发育与生理功能随时间及环境条件变化的动态过程。GroIMP、GreenLab等模型通过纳入拓扑结构规则与光合产物生产分配机制，实现了生长过程的计算模拟。其中，GreenLab模型因其逆向建模能力而特别适用于该框架：其源-库参数可从有限观测数据（如两个生长阶段）中估计，而基于数据的模型则需要大量先验标定。GreenLab基于源-库关系在器官尺度上模拟生物量生产与分配，具有生物学基础与较强可解释性。现有FSPMs在实际应用中面临两大挑战：其一，模型初始化与参数化依赖历史数据，导致与所研究真实植株存在偏差；其二，为维持计算可行性，几何结构常被过度简化（尤其叶片尺度），牺牲了关键形态细节，进而影响光截获等表型功能的准确评估。
综上所述，当前技术路径存在不连续性与高门槛问题：数据驱动的三维表型分析擅长高精度捕获静态形态，但受监测间隔限制，且常依赖昂贵专用设备；机制驱动的FSPM擅长模拟动态过程，但受制于需用真实植株数据重新标定，其标定过程面临数据采集成本高的挑战。单一方法均无法满足在低成本、可及条件下构建个性化、动态数字孪生的核心需求。
关键洞察在于，三维表型分析与FSPM两种范式具有互补性而非竞争性：真实的三维重建可提供FSPM所缺乏的几何约束，而FSPM可填补静态重建无法跨越的时间间隔。将二者集成，为构建低成本、动态数字孪生提供了可行路径。近期已有研究开始整合三维植物建模、FSPM与农业数字孪生，但这些研究主要聚焦于通用框架设计或受控环境作物，且常依赖专用传感基础设施。
为应对上述挑战，本文提出一种经济高效的生长植株数字孪生构建方法。该方法以手机拍摄图像为输入，通过改进的3DGS工作流程实现三维重建，相较于隐式神经表征（如NeRF）具有更优的渲染效率与几何细节保持能力，同时兼容标准GPU硬件。该方法可自动化提取关键表型参数，从根本上降低数据采集的硬件成本与技术门槛，提升可及性与适用性。在此基础上，研究人员设计了一套将阶段特异性实测表型数据与GreenLab模型耦合的标定与模拟框架，其核心优势在于可利用有限关键生长阶段的数据标定模型参数，从而无需依赖昂贵的高频连续监测即可反演并计算完整、连续的植株生长动态。
本研究的主要贡献包括：（1）一种经济高效的感知-模拟流水线：通过将基于智能手机的三维重建与GreenLab模型耦合，该框架可从稀疏静态观测（两个生长阶段）实现动态生长模拟，无需昂贵连续监测；（2）品种特异性功能评价：集成模型可量化光截获动态的基因型差异，为育种选择与冠层管理提供可操作见解。
低成本植物数字孪生构建：表型分析与生长模型的耦合——以油菜为例的论文解读
一、研究背景与问题提出
作物光能利用效率（light use efficiency, LUE）是决定产量潜力的关键因素，然而在田间条件下追踪冠层发育动态的困难限制了其优化。随着农业智能化发展，植物数字孪生（plant digital twin）作为连接实体植株与高保真数字表征的动态交互桥梁，已成为精准农业的关键支撑技术，可辅助育种决策并预测作物生长行为。数字孪生的构建离不开植物表型组学（plant phenomics）的进步，形态结构信息获取正从人工测量向基于图像、点云的非接触式自动化采集转变，三维（3D）重建技术构成其核心数据基础。
当前三维植物表型分析主要依赖多视立体（multi-view stereo, MVS）、结构光或激光雷达（LIDAR）扫描等技术，可非破坏性提取株高、叶面积、冠层体积等表型参数，但仅能提供离散时间点的静态快照，难以刻画连续生长动态。同时，激光扫描仪、多光谱成像系统等专用设备购置与运行成本高昂，限制了大田场景的大规模应用。神经渲染方法（如NeRF）虽在复杂场景表征上取得进展，但训练与推理成本高，不适合时效性强的农业应用。三维高斯泼溅（3D Gaussian Splatting, 3DGS）显著提升了重建与渲染效率，但传统方法与新兴技术仍聚焦于单时间点静态重建，缺乏生长时间动态的显式建模能力。
另一方面，功能-结构植物模型（functional–structural plant models, FSPMs）基于植物生理生态机制模拟结构发育与生理功能的动态过程，GroIMP、GreenLab等模型通过拓扑结构规则与光合产物分配机制实现生长过程计算模拟。其中GreenLab模型因具备逆向建模能力，可从有限观测数据估计源-库参数而尤为适用。但现有FSPMs存在两大挑战：一是模型参数化依赖历史数据，与真实植株存在偏差；二是为维持计算可行性，几何结构常被过度简化，牺牲关键形态细节，影响光截获等功能评估。
综上，数据驱动的三维表型分析擅长高精度静态形态捕获但存在监测间隔且依赖昂贵设备，机制驱动的FSPM擅长动态模拟但需真实数据重标定且采集成本高，单一方法均无法满足低成本构建个性化动态数字孪生的需求。两种范式实为互补：三维重建可提供FSPM缺乏的几何约束，FSPM可填补静态重建无法跨越的时间间隔。因此，本研究旨在提出一种经济高效的感知-模拟耦合方法，实现低成本动态数字孪生构建。
二、主要技术方法
研究人员提出了一套完整的感知-模拟流水线，主要包括以下关键技术环节。数据采集方面，选用四种冠层结构迥异的油菜（Brassica napus L.）品种，使用常规智能手机（分辨率1920×1080）对每株油菜拍摄360°全景视频，用FFmpeg均匀提取约100帧图像，覆盖顶视、侧视和斜视视角。静态三维重建方面，采用COLMAP（版本3.8）进行相机位姿估计与稀疏点云重建，基于尺度不变特征变换（Scale-Invariant Feature Transform, SIFT）特征提取与增量式运动恢复结构（Structure-from-Motion, SfM）流程，通过最小化重投影误差联合优化相机参数与三维点；随后采用3DGS优化重建场景，高斯原语从COLMAP稀疏点云初始化，使用Adam优化器联合更新高斯位置、颜色特征、不透明度、尺度与旋转参数。表型提取方面，通过基于HSV的颜色滤波去除非植物成分，采用基于密度的空间聚类（density-based spatial clustering of applications with Noise, DBSCAN）分离主茎结构，利用谱聚类分割单叶并计算叶面积。模型标定与模拟方面，将阶段特异性实测表型数据与GreenLab模型耦合，利用两个生长阶段的破坏性测量数据（叶长、叶宽、鲜重、节间重、根重等）进行源-库参数标定，实现连续生长动态反演。所有实验在配备NVIDIA V100 GPU（32 GB内存）的工作站上完成。
三、研究结果
3.1 静态三维结构重建与分析
研究通过改进的3DGS工作流程，以智能手机多视角图像为输入，成功重建了高保真油菜植株三维结构。重建后的点云与网格经HSV颜色滤波、DBSCAN聚类和谱聚类等步骤实现器官级表型提取。稀疏重建产生约130,000个点，为3DGS优化提供了可靠的几何初始化。重建结果提供了FSPM所缺乏的真实几何约束，为后续模型标定奠定了结构基础。
3.2 GreenLab模型标定与动态模拟
利用两个关键生长阶段（2024年12月4日和12月18日）的破坏性测量数据，研究人员对GreenLab模型进行了源-库参数标定。器官级鲜重数据用于源-库参数校准，叶尺寸与计算面积用于验证重建叶面积的器官性状水平。通过有限观测数据成功标定模型参数，实现了完整连续植株生长动态的反演计算，填补了采样时间间隔的空白，验证了从稀疏静态观测驱动动态模拟的可行性。
3.3 光截获分析
集成模型被用于量化不同冠层结构品种间的光截获动态差异。四种油菜品种——极矮紧凑型杂交种Jinaiyou2（JAY2）、半矮半直立型杂交种Shanyou1309（SY1309）、矮生常规种Zhongshuang11（ZS11）和高大杂交种Zhongyouza39（ZYZ39）——表现出基因型特异的冠层光截获策略。光截获分析揭示了不同结构间的光能利用功能差异，为育种选择与冠层管理提供了可操作见解。
四、讨论与结论
讨论部分指出，本研究提出的感知-模拟耦合框架有效解决了三维表型分析与FSPM各自面临的局限。通过将智能手机3D重建与GreenLab模型耦合，该框架实现了从稀疏静态观测（两个生长阶段）到动态生长模拟的跨越，消除了对昂贵连续监测的依赖。集成模型量化了光截获动态的基因型差异，为品种特异性功能评价提供了新途径。
研究结论为：本研究提出了一种经济高效的植物数字孪生构建方法，通过改进的3DGS工作流程实现基于手机图像的3D重建，并设计耦合阶段特异性实测表型数据与GreenLab模型的标定与模拟框架。该方法的核心优势在于利用有限关键生长阶段的数据标定模型参数，无需高频连续监测即可反演完整连续的生长动态。研究的主要贡献包括：（1）构建了经济高效的感知-模拟流水线，从两个生长阶段的稀疏静态观测实现动态生长模拟；（2）实现了品种特异性功能评价，量化了光截获动态的基因型差异，为育种决策与冠层管理提供科学依据。该研究为低成本、可及条件下构建个性化动态植物数字孪生提供了可行路径。
