基于物联网称重与光合叶面积指数动态反馈的温室番茄冠层光合作用数字孪生模型

《Computers and Electronics in Agriculture》：Innovative photosynthesis model twinning after intelligent interpretation of complex sensor analytics

本研究针对传统冠层光合作用模型在动态环境下预测能力不足、参数获取滞后的问题，开发了一种基于物联网（IoT）传感器网络的温室番茄动态冠层光合作用模型。研究通过双称重系统实现了叶面积指数（LAI）和光合叶面积指数（LAIp）的非破坏性动态反演，并以LAIp为核心变量构建模型。结果表明，该模型（R2≥ 0.87）优于传统多层模型，形成了连接实时植株监测、参数反演、模型自适应与生物量反馈验证的闭环系统，为日光温室番茄的精准生长模拟与智能化生产提供了新范式。

　　

在追求农业可持续发展的今天，精准农业对高效的作物模拟工具需求日益迫切。尤其是在中国广泛应用的日光温室中，番茄作为主要经济作物，其生长环境复杂多变，传统的光合作用模型往往因无法实时响应动态环境、参数获取存在延迟而显得力不从心。如何准确模拟和预测温室番茄的冠层光合作用，从而优化生长、提高资源利用效率和产量可预测性，成为设施园艺领域一个亟待解决的关键科学问题。

为了攻克这一难题，发表在《Computers and Electronics in Agriculture》上的一项研究提出了一种创新的解决方案。研究人员致力于开发一种动态的温室番茄冠层光合作用模型，其核心在于利用物联网（IoT）传感器网络获取实时的生物反馈并进行参数化。该研究的亮点是引入了一个全新的参数——光合叶面积指数（LAI_p），它不同于传统的仅反映叶片几何结构的叶面积指数（LAI），而是能够动态表征冠层在异质光环境下整体光合能力的功能性指标。

为开展此项研究，研究人员主要采用了以下几项关键技术方法：首先，设计并部署了一套基于物联网（IoT）的双称重监测系统，用于连续、实时地监测番茄植株的整体和地上部鲜重动态，该系统基于LoRaWAN通信和MQTT协议，实现了低功耗下的高频数据采集。其次，基于称重信号和温室环境数据（如辐射、VPD），开发了动态反演算法，用于非破坏性地实时估算关键模型输入参数LAI和LAI_p。再者，构建了以LAI_p为核心变量的动态冠层光合作用模型（LPM），该模型通过积分单叶光合速率（考虑温度、CO₂修正）与LAI_p的乘积来估算每日冠层同化量，并进一步模拟呼吸消耗和干物质积累。最后，将模型预测的干物质积累与称重传感器实测值进行对比验证，并与传统的基于光衰减系数（k）的多层冠层光合作用模型进行比较，以评估新模型的性能。实验在2022年和2023年于沈阳农业大学的日光温室内进行，使用了中果型‘精彩8号’和大果型‘美生’两个番茄品种。

每日精准追踪鲜重与干重动态

研究通过称重传感器在午夜读取数据以计算每日鲜重增量，并结合不同器官（叶、茎、果）及生育阶段（开花期、坐果期、采收期）特异的干鲜重转换系数，实现了番茄干物质积累的非破坏性精准估算。验证结果表明，传感器估算的干重与破坏性取样实测值高度吻合（R²> 0.96），证实了该方法的可靠性，为模型验证提供了坚实的数据基础。

重量传感器信号揭示的番茄生长实时信息

实时重量监测系统成功捕捉了番茄整个生长周期地上部生物量的动态变化，以及采收、修剪等农事操作引起的重量波动。通过分析每日平均光合有效辐射（PAR）与（生物量/LAI_p）比值的关系，发现二者存在显著正线性相关，表明作物在变化的光照条件下保持了相对稳定的平均光合效率。该系统还能准确估算采收指数，为大果型番茄倾向于具有更高的产量转化效率提供了数据支持。

基于番茄生物反馈的LAI和LAI_p实时获取

研究基于称重传感器信号，在低太阳辐射条件下利用蒸腾模型反演LAI（公式2），在获得LAI后，进一步根据白天的蒸腾动态计算LAI_p（公式3）。模拟的LAI和LAI_p值与实测值（LAI通过破坏性取样拟合曲线获得，LAI_p通过叶片光合能力测量计算）高度一致。LAI模拟的R²在两年实验中分别达到0.94和0.97，LAI_p的R²分别达到0.91和0.95。LAI_p的日变化模式随冠层发育从开花期的稳态演变为生长中后期的双峰M型，准确反映了冠层内光分布和光合能力的日变化。

温室番茄LAI_p光合模型验证

研究构建的以LAI_p为核心的光合作用模型，通过积分冠层顶部单叶光合速率与LAI_p，并考虑维持呼吸和生长呼吸消耗，成功预测了番茄每日干物质积累量。模型模拟的每日干物质积累与传感器测量值在2022年（R²= 0.87, NRMSE = 0.17）和2023年（R²= 0.89, NRMSE = 0.12）均表现出良好的相关性，且能捕捉到不同生育阶段干物质积累的动态特征（营养生长稳步增加，果实膨大期达到高峰，后期因光合产物向果实分配和叶片衰老呼吸增强而衰减）。整个生长季总干物质积累的模拟值与传感器监测值及破坏性取样值高度一致。

模型比较与性能评估

与传统的、基于固定光衰减系数（k）和LAI的多层冠层光合作用模型（公式15）相比，本研究提出的LAI_p模型（LPM）在预测精度和适应性方面均表现更优。对比模型在环境多变的2022年越冬茬实验中预测误差较大（R²= 0.70, NRMSE = 0.26），凸显了静态参数模型在非平稳温室环境下的局限性。而LPM模型在不同年份和环境条件下均保持了较高的稳定性和准确性。

该研究的结论与讨论部分强调，这项研究成功开发并验证了一个集感知、反演、建模与验证于一体的集成框架，用于改进番茄生长的实时监测和温室智能管理。其创新性主要体现在：通过物联网双称重系统实现了关键生理结构参数（LAI, LAI_p）的动态、非破坏性原位获取，突破了传统方法参数更新滞后的瓶颈；所提出的LAI_p参数有效整合了冠层结构异质性和叶片生理活性，作为连接单叶与冠层光合作用的动态缩放因子，比传统使用固定光衰减系数的方法更能适应动态环境；最终构建的LAI_p光合模型（LPM）与实时生物量反馈验证相结合，形成了一个“感知-参数化-建模-验证”的闭环系统，为实现作物数字孪生、精准表征温室番茄生长以及识别与预期生长的差异奠定了基础。这套方法最大限度地利用最少的传感器提取了丰富的生理信息，为日光温室番茄的精准栽培和产量优化提供了强有力的工具，并有望推广至其他温室作物。未来，通过融合深度学习、边缘计算和多源传感器数据，该框架将朝着更自适应、更自主的混合孪生智能管理方向发展，推动安全可持续的AI驱动农业进步。