农业现代化进程中，农作物生长的精准预测一直是智慧农业落地的关键难题；传统生产中，农民多凭经验判断作物长势，面对复杂多变的环境影响往往难以及时、准确响应。尤其在设施农业里，蔬菜生长受气候、土壤、水肥等多重因素共同作用，建立稳定可靠的预测模型难度更高。 针对这个问题，北京市农林科学院信息技术研究中心赵春江研究员团队持续攻关，将信息技术与农业生产环节深度结合。研究团队构建了覆盖蔬菜全生长周期的数据采集体系，利用物联网设备实时采集环境参数与作物生长指标，形成了规模化、高质量的数据基础。 在技术路径上，科研人员提出“双层级”智能分析架构：上层管理模块用于识别整体生长阶段，下层专业模块则面向不同阶段进行精细化建模。分阶段处理的方式有效缓解了作物生长非线性变化带来的建模困难。实验结果显示，该系统对甘蓝等蔬菜作物的生长阶段识别准确率达99.7%，次日长势预测准确率达98%，中长期预测同样保持较好表现。 该技术的进展主要体现在三个上：一是从静态模型走向动态仿真，可基于实时监测数据自动更新预测结果；二是形成较完整的数字孪生应用闭环，支持虚拟仿真与实际生产之间的双向联动；三是搭建了通用性较强的技术框架，可较快适配不同蔬菜品种的建模需求。 业内专家认为，这项成果推动了我国农业数字孪生技术向前迈进。其价值不仅在于提高生产效率，也可为农产品质量追溯、农业保险精算、种植方案优化等应用提供关键技术支撑。随着示范推广深入展开，该技术有望加快传统农业向数字化、智能化转型。
数字孪生从“能监测”走向“能推演”——再到“可闭环调控”——离不开可信的生长模型和持续更新的数据体系；本次研究通过分阶段建模与推理驱动提升蔬菜生长预测精度，为无人农场的实时监管和精细化管理提供了新思路。面向未来，需要在数据基础建设与应用场景落地两端同步推进，让关键技术从实验表现转化为生产效益，更好支撑粮菜供给安全与农业高质量发展。