农业产业智能化落地，应用AI作物生长模型是关键路径

在农业种植领域应用的模型被称为“作物模型”，也叫作物生长模拟模型，通过模拟作物生长过程，最终得到作物的生物量累积量、作物单产以及农田生态系统的水、碳、氮及能量的循环流动量。

农业智能化近几年才受到广泛关注，但对于作物生长模拟模型的应用研究早在20世纪60年代就已经开始了。当时荷兰、美国、澳大利亚等国的科学家开始着手开发能够解释植物生理过程、解释植物与环境相互作用的新模型，作物模型已从幼年期发展到成熟期，目前已成为各国农业科学研究中最有力的工具之一。‍

作物生长模拟模型现已成为农业科学研究中最有力的工具之一，在作物栽培管理、可持续农业和政府决策中所起的作用已逐渐被人们所认识，其应用的领域也正在不断扩大。科学家对作物生长模拟模型的认识，是随着研究的深入而有不同的理解。不论怎样理解，一个基本的共识是作物模型应尽可能用数学公式描述其作物生长动态过程，以代替用黑箱方法进行的最优估计。后来的学者都有类似的定义，例如 Edwards 认为作物生长模型是指用数学关系表达作物的生长过程。Sinclair 和 Montieth提出作物模型是用计算机模拟方法，对作物生长过程进行综合的数值模拟，通过给定一系列生物系数和相应的环境变量，用来预测作物的生长发育和产量的定量模拟系统。国内学者对作物模型的概念也有类似的认识。戚昌瀚认为作物模型是从作物生理生态的机理出发，对作物生长的过程进行数量描述，通过试验找出作物生育过程与环境因素间的动态关系来预测产量，并且能够通过作物生育过程对产量出现的差异提供解释。曹卫星认为作物生长模拟是将作物及影响作物生长发育的环境和技术因子作为一个整体，对作物的生理过程及其与环境和技术的动态关系用数学模型描述，并用计算机编程与系统集成技术进行作物生长系统的动态模拟和预测。

上述各种概念表述尽管不尽相同，但归纳起来可定义为作物模型是借助于数值模拟手段对作物生长发育的生物学过程进行动态模拟。具体来说，作物模型是以作物生理和生态过程为基础，对作物的生长发育和生物量、产量的形成过程及其环境影响因子进行动态模拟的一系列数学公式的综合表达，借助于计算机编程手段实现这种模拟过程。目前所称作物生长模型多指后者。无论研究者的定义有何区别，其实质都是反映了作物生长模型研究方法的发展历程，即从环境因子对作物生长的状态变量（干物质积累、养分和水分吸收等）的综合模拟分析，到生长机制（如光合作用、呼吸过程等）的模拟。作物模型根据研究的程度和考虑的因素不同，有简单模型和复杂模型之分。简单模型可以利用一个生长公式模拟作物生长，而复杂模型应用很多数量关系模拟作物生长和器官发育，需要的输入参数多，提供的输出也多。‍

在农业系统中，建立模型包括2个关键学科：生态学和数学；在计算机计算方面，一个模拟模型可作为代表现实世界物理和数学的抽象过程以及计算机程序的设计。有许多类型的模拟模型，并且有不同的分类方法，如根据建模目的、采用的方法以及所用资料可靠性等的不同可将模型分为

（1）经验性模型和机理性模型；

（2）描述性模型和解释性模型；

（3）统计模型和过程模型；

（4）应用模型和研究模型。

也可以把模型分为两大类：

（1）描述性模型或统计性模型；

（2）解释性模型或动力学模型。

还可以根据数学基础给出分类：

（1）实验模型和机理模型；

（2）非动态模型和动态模型；

（3）确定性模型和随机模型。

无论按哪一种方法分类，都可以归结为以下三类。

统计模型

经验性模型、描述性模型、实验模型、非动态模型等实际上都是应用统计方法建立的回归模型，着重建立输入和输出变量之间的相互关系，而引起变化的机理较少或根本不予反映（或称黑箱，即把所有变量放在一起考虑），偏重于应用。因此，从数学原理方面，可以将这些模型都归纳为统计性模型。一般情况下，该类模型不包括日时间变化，多数以年为步长，因而被称为是静态模型。例如作物产量与某种肥料施用量间的一元二次通用模型：Y=a+bX+cX2 ，其中Y为某一种作物产量，X为某一种肥料施用量，a、b、c为系数。X在某一用量下时，对应Y就有一个产量结果。需要通过田间试验，计算出某一气候条件下、某一地区的a、b、c系数。系数确定后，可以描述Y与X的关系，但无法模拟Y随X在生长期的变化过程。同时也未考虑环境条件变化对系数的影响。

机理模型

解释性模型、动力学（动态）模型等则是对引起系统变化的过程和机理作“定量”描述，由1个或1组数量关系所组成。这类模型具有解释性，着重解释输入输出变量间的过程机理，以实现对系统过程的理论假设进行定量化描述。因此，可以将这类模型归结为机理模型。该类模型都把时间 t 作为变量，以天或者小时为步长，因而具有动态性。例如，由英国土壤学家建立的作物生长模型，用微分方程描述的最简单作物生长率动态模型如下：dW/dT=（K2W）/（K1+W）T0≤W≤Tk ，其中W为蔬菜作物的干物质重，T为时间变量，dW/dT为每天增长率，K1、K2为生长系数，由田间试验数据求得，T0为开始时间，Tk为结束时间。当确定了不同作物的K1和K2参数后，该方程被成功用于英国和欧洲的20多种大田蔬菜作物、小麦和马铃薯的N肥预报等。

目前该生长模型一直被广泛应用于英国和西欧国家的农业研究和推广部门。复杂的作物生长机理模型已充分考虑了作物品种、器官发育、生长阶段和积温。与土壤水分运动模型、土壤有机碳氮模型一起，进行模拟和预报作物生长和产量，建立一个复杂的机理模型，增加了模型所需要的参数和输入变量。由于这类模型的数量关系复杂，每个作物都写成计算机子程序软件。例如CERES-Maize 和CROPGRW-Soybean 是玉米和大豆机理模型等。‍

专家系统

专家系统是基于回归模型、机理模型和数据库发展起来的另外一类模型。专家系统的特点是强调对作物生长和农业生产的综合管理，依赖现有的土壤、肥料、植物保护等相关数据库和专家经验，进行预报。如陈桂芬等的玉米精准施肥专家系统是为解决玉米产量预测和精准施肥两大问题，以养分平衡法数学模型为核心，与地理信息系统（GIS），全球定位系统（GPS）、和遥感系统（RS）技术（简称“3S”技术）、传统施肥技术和专家的经验相结合，利用微软公司提供的动态网络服务技术（ASP.NET）和 2005 数据库平台（SQL SERVER）而开发的施肥决策系统。但是，该专家系统没有考虑玉米生长过程中环境变化和栽培方式、耕作方式等对施肥及产量的影响。农业技术转化决策系统（Decision Support System for Agrotechnology Transfer, 简称DSSAT）可以被看做是北美有影响的作物生长决策系统之一，其中包括 20 多个作物系统模型(Cropping System Models)、公共调用土地利用模型、土壤模型和土壤水分模型。

无法及时发挥指导作用是导致传统作物模型实际应用推进缓慢的罪魁祸首。影响传统作物模型发挥作用的原因有很多：试验数据不完整或者标准不一致；模型的参数值来源地存在差异；应用地区逐日环境数据获取难度大；机理模拟过程复杂，缺少算法说明，难以适应性调优；模型主要针对部分要素，例如光照与温度对干物质形成的影响，氮素循环及对作物的影响；模拟生长的正向过程过于复杂，求逆即推荐水肥管理措施变得困难，等等。这些短板都严重限制了传统作物模型的普适性，因此在影响因素复杂的现实生产场景下，难以实现广泛应用。 

另外，传统作物模型为了方法的严谨性，先研究各个子系统再进行整合，追求数学可证明的因果关系。但生命体各影响要素之间的复杂互作，验证周期的天然障碍，必然导致机理模型过度复杂且成熟周期漫长。在现实应用中，为了保证模型落地时的可操作性，难免会简化原有模型的复杂程度，对模拟结果造成影响，从而失去科学模型对种植生产的指导意义。

虽然我国的作物模型研究取得了很大进展，但是建立模型的技术与先进国家相比还有很大差距。总结起来，我国的农业专家系统研究取得了很多独创成果；多因素静态回归预报模型研究的成果较多，单因素动态配参模型研究的较少，在机理模型的独立建模方面还很落后，大多数是在引进和修改国外的作物模型，大多数模型的计算机程序代码不能完全公开。在联合研究方面，各学科的相互协作配合的不够，主要表现在气象数据和土壤普查数据不能共享，土壤剖面数据不够准确。这样就会大大影响模型模拟的准确性和研究工作进程。

山东科大集团成立于1996年，属国家高新技术企业、双软企业，参与国家标准、团体标准、行业标准起草二十多项，已获国家发明专利近二十项实用新型专利近百项，致力于“智慧农业、智能农机（北斗导航自动驾驶系统、无人驾驶系统）等项目的研发、生产，携手山东理工大学共建【数字农业技术研究院】。