作物生长过程模拟模型与形态三维可视化关键技术研究

诸叶平 李世娟 李书钦

摘   要：针对作物产量形成、品种适应性分析的数字化解析和可视化表达需求，以提高作物模拟模型的时效性、协同性和真实感为目标，结合物联网技术与作物模拟模型，进行了田间数据实时采集;应用多智能体技术进行了作物协同模拟方法研究与框架设计;开展了作物生长过程模拟模型及基于作物模型的形态三维可视化关键技术研究，以小麦作物为例，进行了田间试验，阐述了小麦三维形态模拟可视化系统的设计实现并进行了试验验证;构建了Logistic方程模拟小麦叶长、最大叶宽、叶片高度、株高等的生长变化，采用基于曲线、曲面的参数化建模方法和3D图形库OpenGL构造了小麦器官几何模型。结果表明小麦叶长、最大叶宽、叶片高度和株高模拟模型R2值在0.772～0.999之间，回归方程的F值在10.153～4359.236之间，且Sig.小于显著水平0.05，模型显著性较好，模型的拟合度较高。本研究将作物模拟模型结果和形态结构模型有效结合，实现了以小麦为代表的作物在不同管理措施条件下的生长过程形态三维可视化表达，为作物生产数字化系统应用提供了更有效的途径，该技术体系与方法同样适用于玉米、水稻等作物。

关键词：作物模拟模型;生长过程数字化;形态可视化;Agent技术;三维

中图分类号：S24                  文献标志码：A             文章编号：201901-SA005

诸叶平， 李世娟， 李书钦.作物生长过程模拟模型与形态三维可视化关键技术研究[J]. 智慧农业， 2019， 1（1）： 53-66.

Zhu Y， Li S， Li S. Research on key technologies of crop growth process simulation model and morphological 3D visualization[J]. Smart Agriculture， 2019， 1（1）： 53-66. （in Chinese with English abstract）

1  引言

作物生长过程是一个涉及作物基因、生长环境、管理措施等诸多变化因素的复杂巨系统，作物生长过程模拟一直都是作物生长过程数字化研究的重点内容之一。目前发达国家已经建立了比较完善的作物生长模拟模型，如美国的DSSAT模型[1]、澳大利亚的APSIM模型[2]、荷兰的SUCROS模型[3]等。我国的作物生长过程模拟研究虽然起步晚，但发展较快，并形成了一些具有代表性的模型。曹宏鑫等[4]、曹卫星等[5]以及高亮之和金之庆[6]主要以作物栽培学为主，从作物科学与信息技术相结合角度，探讨了数字化栽培的框架与技术体系;潘学标等[7]结合中国棉花栽培研究成果研制了棉花生长发育模拟模型COTGROW;冯利平和韩学信[8]建立了棉花的生长模拟模型COTSYS;孙忠富和陈人杰[9]建立了以太阳辐射为基本驱动因子的温室番茄生长发育动态模型。2005年，作者团队完成了小麦、玉米及连作模拟模型构建[10];赵春江院士团队[11]、曹卫星团队[12]、曹宏鑫团队[13]还集成专家系统、决策支持系统等技术，构建了相应技术的作物模拟系统。随着数字化技术的发展，作物生长过程模拟模型得到了越来越多的重视和科研投入，并且正在向实用化方向迈进。

现有的作物模拟技术都是针对各要素建立相应的模拟模块，并最终集成形成整体的作物生长模拟模型，在各个模拟模块的协同性和模型的可扩展性上均存在明显的不足。出现于20世纪70年代末的智能体（Agent）技术是人工智能技术的一个重要分支，具有较强的自主性、协同性、响应性及智能性，能够有效地解决作物生长模拟模型在协同和扩展方面存在的问题，已经成为作物生长过程模拟研究的新手段。随着理论和技术的不断成熟，Agent技术逐渐发展为多智能体系统（Multi-Agent System，MAS）[14]。国内外学者对Agent技术在农业领域的应用开展了一定的研究，Badjonski和Ivanovi  [15]研制了一个遗传育种Multi-Agent专家系统，实现了模拟育种专家选择合适品种;Bentham[16]在作物生产管理方面进行了尝试，构建了开放性的基于Agent技术的决策支持系统，可以为农场主提供决策支持;Berger[17]提出了一个基于Multi-Agent的农业经济空间模型，该模型将经济和水文模块融合到同一个空间框架内，以便及时反馈灌溉带来的影响;作者团队将Agent技术融于现代农业经济管理决策支持系统的研究与开发中，设计了基于Agent的农业经济智能决策支持系统[18];王纪章[19]针对温室作物生长模拟生理生态模型的特点，开展了基于Multi-Agent技术的温室作物模型自动集成机制研究，建立了温室作物模型库系统。但是，现有研究多数属于Agent技术与专家系统或统计模型的结合应用，Agent技术尤其是MAS技术与大田作物模拟模型的结合应用未见报道。引入Agent技术研究作物生长过程数字化模拟，对提高作物不同生理过程间的协同性将具有显著作用，对促进作物生长过程模拟研究向网络化、分布式发展具有重要意义。

作物形态结构建模是作物生长可视化研究关键内容之一，如何快速地提取作物器官的形态特征参数，并真实、准确地重建作物器官形态和器官间的拓扑结构已经成为了可视化研究的重点。20世纪90年代以来，L-系统得到不断发展与

完善，并形成了一系列作物形态结构模型，如棉花[20，21]、大豆[22]、玉米[23]、大麦[24]及水稻[25-28]等。在作物生长过程模拟方面，澳大利亚Queensland大学、加拿大Calgary大学基于L-系统分别研发了Virtual Plants和L-Studio系统，用于模拟棉花、大豆、玉米等农作物的生长过程[29，30];法国农业发展研究中心（Agricultural Research for Development， CIRAD）也基于参考轴技术开发了一系列AMAP软件，用于模拟植物三维结构、植物—环境间相互作用，分析计算器官大小[31-34]。国内这方面的研究起步较晚，1995年作者团队研制了“小麦模拟实验系统”，建立了小麥生长过程模拟模型，并最早开展了三维可视化技术研究探索[35]，随后结合三维动画、计算机组件技术

和小麦生长数字化模型开发了小麦三维可视化系统[36-38];中国科学院自动化所、中国农业大学、中国科技大学等与法国CIRAD中心合作，在原有的AMAP软件基础上，开发了双尺度自动机模型GreenLab[39]。南京農业大学[40，41]将水稻的生长模拟模型、形态结构模型、虚拟现实模型及策略分析模型等深度结合，开发了基于模型的可视化水稻生长系统。随着技术的进步，作物模拟模型和形态结构模型相结合的要求越来越高，也吸引了更多的农学家和育种学家的关注，但是在作物模拟模型和三维结构可视化的有机结合、模型内部的有效协同、代码重用等方面还存在很多问题和不足。

为提高作物形态模拟的时效性和真实感，为合理的株型设计、冠层光截获模拟及作物长势评估等研究提供支持，本研究应用物联网技术进行田间数据实时采集，并与作物模拟模型结合，应用Multi-Agent技术开展了作物模拟方法的研究和框架设计。并以作物典型代表小麦为研究对象，在田间试验的基础上，构建了Logistic方程模拟3个品种冬小麦生长曲线，构造了小麦叶片生长几何模型，绘制了具有较强真实感的小麦形态结构模型，并将小麦主要器官生长模拟模型和形态结构模型有效结合，实现了不同品种小麦在不同施氮条件下的生长过程三维形态可视化。

2  生长模型系统研究

2.1  总体研究思路

作物生长模拟模型与形态三维可视化研究主要基于田间辅助试验和室内计算机模拟相结合的方法，总体研究思路如图1所示。

具体描述如下：

（1）针对作物生长过程特点开展基于Agent的协同、气象模型仿真技术、作物数字建模技术、作物生长协同决策方法等数字化关键技术的研究，并依据采集的作物环境和形态信息建立作物生长数字化模拟模型。

（2）开展大田作物生长过程形态参数监测、作物三维形态数据获取、处理、存储、管理技术研究，并在此基础上构建基于物联网的作物环境、形态大田信息实时采集系统。

（3）针对作物生长过程中作物器官、植株形态变化、环境影响和群体生长影响等因素，开展基于关键帧的三维仿真技术、作物生长纹理动态生成技术、作物生长动态智能交互技术、环境三维仿真技术和作物群体生长动态三维描述的研究，构建不同作物器官、植株形态模拟模型，实现不同环境条件下作物生长过程的三维可视化和群体生长三维可视化表达。

（4）最后，耦合作物生长模型、环境仿真模型与作物形态三维可视化模型，建立作物生长数字化管理平台和作物生长过程三维可视化展示平台，实现作物生长的数字化管理和三维可视化表达，为作物理想株型筛选，高产、高效、抗倒伏作物群体设计与优化提供有力技术支撑。

2.1  基于物联网技术的大田信息实时采集

自2009年起，在河北定兴和山东德州等试验基地安装田间数据采集设备，构建大田信息实时采集系统，以小麦为研究对象，进行主要种植地区多年的气象、土壤环境及作物生长状况资料采集、分析，主要包括逐日最高气温、最低气温、降雨量和太阳辐射值，以及逐日生长状况的图像数据，也可根据需求实时拍摄视频数据。另外，定期到试验基地采集作物植株，测量植株常规形态，并记录作物物候期，补充到作物参数数据库中。

农田信息远程动态监控系统采集实时（时间间隔10min）、逐小时、逐日的气象信息数据。实时监测指标有空气温度（℃）、相对湿度（%）、土壤温度（℃）、土壤含水率（%）、降雨量（mm）、太阳辐射（W/m2）;逐小时和逐日数据指标有平均温度（℃）、平均相对湿度（%）、最高温度（℃）、最低温度（℃）、降雨量（mm）、有效积温（℃·d）、太阳辐射（W/m2）。图2为农田信息远程动态监控系统监测界面，图3为现场图片。

2.2  作物生长过程模拟模型

以华北地区的主要种植作物为研究对象，深入剖析作物生长发育规律，依据已有研究基础和大量试验数据，并设置田间补充试验，将作物生理生态过程及其生长发育影响因素进行定量化，把“作物-环境-管理措施”系统解析为若干个模型，各模型之间相互依赖、相互制约，实现生理生态过程的有效耦合与协同。主要分解模型及其功能如下。

（1）作物生长模型：计算作物叶片和植株叶面积;根据光合有效辐射计算每日潜在干物质生产量，结合温度、水分和氮素对光合作用的影响，确定每日实际干物质生产量;生长期末计算植株氮素吸收与分配，即植株和各器官的含氮量与含氮率。在每个生长阶段都有生长中心和光合物质分配原则，在籽粒灌浆期优先供应籽粒，如果当日光合物质小于籽粒日增长量，则全部供应给籽粒，其余从茎杆中调用补充。

（2）作物发育模型：以小麦为例，将小麦发育过程分为7个阶段，即播种—发芽、发芽—出苗、出苗—拔节、拔节—挑旗、挑旗—抽穗、抽穗—籽粒形成、籽粒形成—生理成熟。发育阶段的接替由温度、水分、光周期和遗传参数等作为限制条件，遗传特性参数可以由用户自己输入，也可以利用系统中的调试程序自动生成。玉米、水稻等其他作物过程类似。

（3）水分平衡模型：依据土壤水分运动原理、土壤水分状况、作物对水分的吸收特性建模。将2m土壤深度平均划分为10层，根据天气数据和实际输入的基本参数，计算土壤水分限制参数后，计算水分渗漏、径流、土壤蒸发、植株蒸腾、根对水分的吸收值。其中模拟潜在蒸腾采用Priestly-Taylor方程，径流计算采用曲线数字法。由模型计算出的水分限制因子将影响每日作物干物质生产量和叶面积生长。

（4）氮素平衡模型：模拟土壤中有机质的氮素矿化和固定、氮素损失和作物吸收过程，通过氮素限制因子间接影响作物的光合与叶片生长。该模型与水分运动密切相关，按照水分的上下移动针对各层氮含量进行计算和数据更新。首先计算土壤有机质的矿化，若遇到当日施肥，先计算肥料中释放的铵态氮和硝态氮，再与土壤矿化氮合并。之后计算硝化和反硝化过程、氮素限制因子，以及作物植株和各器官的氮素吸收量。最后计算因为水分下移而引起的淋洗出2m土体的硝酸盐量，并估计对地下水造成的影响。

（5）经济分析模型：设立最高产量、最大投入/产出比、最小投入、最高收益4种模拟目标。根据用户选择的年代、品种，经模型运行后，给出最佳品种、最适播期和播种密度的推荐。同时按照用户输入的相关投入量，自动计算预测年度的总投入、产出及净收益，用户根据系统分析结果进行判断和决策。

（6）气象仿真模型：为了满足作物生长模拟模型对长序列气象数据的需求，采用随机天气仿真技术，开展逐日气象数据的气象仿真随机模型研究。分为以干湿期为独立随机变量的干湿期模型部分和依据第一种模型生成其余天气变量的模型部分。其天气要素的生成分2个步骤，即首先根据月经验分布值产生一个干期或湿期长度，之后生成干期或湿期的逐日值。

所构建作物生长模型可以根据用户输入的品种特性、土壤特征及栽培管理措施，模拟不同地点不同年代的作物的内在生理过程，包括叶面积增长、有效光能吸收及光合产物形成、水分和养分在作物—土壤系统中的运转过程、各生育阶段的更替等，最终实现产量和生育期模拟、主要生产性状展示、作物生长水肥环境评价等。

本模型除可扩展应用于多种作物。图4以玉米为例，展示了河北2008年至2012年14个实验处理的主要生育时期实测值与模拟值对比结果。

结果表明，模拟结果与玉米实际生育时期实测结果有较好的一致性，预测误差在5%以内，说明所建立的生长模拟模型符合玉米生长发育规律，可以用来模拟玉米生长过程。同时，也利用试验数据对产量、生物量、养分吸收量等模拟结果进行了验证，此处不再叙述。

2.3   基于Agent的“作物-环境-管理措施”数字化模拟系统设计与构建

在对作物生长过程模型解析的基础上，针对作物生产管理协同决策的需求，设计了基于Multi-Agent系统的作物生长模拟系统整体框架。对于具有共性意义、不依赖作物特点而存在的共有过程，建立了通用模擬模块（辅助模块）;对于作物独有的特色生理过程，按作物类别建立解释性和扩展性较强的模拟模块（主模块）。主模块可依据模拟目标作物和专家知识而进行细化，辅助模块可按模拟目的自由匹配。系统的框架主要分为4个层次（见图5），包括用户界面层、作物生长模拟与可视化层、Agent管理平台层和资源层。

在用户界面层中，用户对模型的数据进行输入，并接收模拟模型的运行结果，Agent自动对需要调用的模型进行管理和匹配。作物生长模拟层主要提供系统数据应用服务、作物生长模拟运行等功能，并与图形界面层中的管理Agent分别进行交互;Agent平台层提供多个Agent的管理，包括Agent管理系统（AMS Agent）、目录服务（DF Agent）和对消息传递进行管理;资源层包括基础数据库和知识模型库，提供作物生长模拟所需的基础数据信息，与各个作物生长模拟Agent互动，包含专家知识的知识模型对模拟中间结果进行修正和校验。

根据用户生产需求，如最大产量、最大净收益、最佳投入产出比和最小投入等指标，给定作物品种决策范围，输入模型启动的基本数据信息，运行模型即可提供达到生产目标的最佳品种和灌溉、施肥等管理措施。此协作过程是采用Multi-Agent技术实现各个生理过程子模型之间的协同合作，生成相应的栽培方案。

以衡观35（Hg35）、济麦22（Jm22）和衡4399（H4399）3个小麦品种为研究对象，于2015年10月至2018年6月在天津市农科院武清试验基地进行品种与施氮田间试验。设计了3个品种、3个氮肥处理的裂区试验，主区为品种（V），即V1（衡观35）、V2（济麦22）和V3（衡4399）;副区为施氮水平（N），设N1（0kg/hm2）、N2（225kg/hm2）、N3（300kg/hm2）3个施氮水平。试验所在地土壤为重壤质潮土。试验设计方案如表1所示。

每次试验进行3次重复，共计27个处理，每个处理选取3株小麦。其他试验条件，如养分用量、灌溉措施及田间管理等一致。

3.2 数据采集及模型构建方法

3.2.1  数据采集及可视化方法

数据采集方法：用直尺、量角器、游标卡尺等测定主茎叶片长度、叶片最大宽度、茎叶夹角、叶片高度、茎节长度、茎秆直径、株高等形态指标。用数码相机拍摄不同时期小麦植株的生长状态、纹理细节等，在整个生育期内，采用传感器每隔半小时记录一次温度，计算每个生长日的有效积温。

可视化方法：以上述数据为基础，采用回归分析，构建Logistic方程模拟小麦叶长、最大叶宽、叶片高度、株高等的生长变化，构造冬小麦主要器官生长模拟模型;采用基于曲线、曲面的参数化建模方法，借助非均匀有理B样条（Non-Uniform Rational B-Spline， NURBS）曲面造型技术和3D图形库OpenGL，构造小麦叶片、叶鞘、茎秆等器官几何模型;最后，采用面向对象编程技术，以C++为编程语言，开发小麦生长可视化系统，将小麦主要器官生长模拟模型和形态结构模型有效结合，实现不同品种冬小麦在不同施氮条件下的生长过程三维可视化。

3.2.2   小麦叶长生长模拟模型构建

以叶片为例构建小麦生长模拟模型。小麦叶片生长是由慢到快，再由快到慢的过程，符合S型曲线。根据冬小麦返青后试验数据分析，以Hg35、Jm22和H4399小麦为研究对象，以生长度日（Growingdegree-days， GDDs）为步长，用Logistic方程来构造小麦叶片生长模拟模型，其表达式如下：

（1）

式中，Ln（GDD）为小麦主茎第n片叶在GDD时刻的长度，cm;GDD为对应生长日的有效积温，℃·d;Lnmax为第n片叶定形后的长度，cm，可由实测数据得到;IniGDDn为第n片叶出叶时的GDD，由式（2）计算得到;Lpa和Lpb为模型参数，由实测数据通过SPSS曲线回归计算得到;Lm为返青前主茎叶片数，Ln为主茎叶片总数，均为品种遗传参数，如表1所示。

（2）

式中，IniGDDn为第n片叶出叶时的有效积温，℃·d;LGDD为小麦从播种到出苗所需的有效积温，℃·d，计算公式如式（3）和式（4）;PHYLLi为不同叶片出叶所需的有效积温，℃·d，又称叶热间距;Ln为主茎叶片总数，均为品种遗传参数，如表2所示。

（3）

j=1，2，3……n （4）

其中，Tj为日平均温度，℃;T0为小麦生长的临界温度，本研究取0℃;n为小麦从播种到出苗所需的天数。

小麦最大叶宽、叶片高度和株高模拟模型的构造方法与叶长模拟模型类似，不再详述。

3.2.3  小麦叶片、叶鞘等器官网格模型构建

借助NURBS曲面构建小麦叶片、叶鞘等器官网格模型，一张k×l次NURBS曲面表示如下

其中，Pij（i=0，1，∧，m; j=0，1，∧，n）为控制点; Ni，k（u）和Nj，l（v）分别为U和V上的非有理B样条基函数; ωi，j=（i=0，1，∧，m; j=0，1，∧，n）为权因子，节点矢量                            构造小麦主要器官NURBS曲面，需确定的参数包括：控制顶点Pi，j及其权因子ωi，j，u向的次数k，v向的次数l，u向节点矢量U与v向节点矢量V。因此，可将小麦器官形态特征参数与NURBS曲面定义中的控制点Pi，j建立联系，构建小麦器官NURBS曲面模型，还可以通过移动控制点坐标或改变权因子来改变NURBS曲面的形状。

3.3  结果分析

3.3.1  小麦主要器官生长模拟模型有效性

以Hg35小麦品种为例，采用SPSS软件进行曲线回归分析，构建该品种小麦叶长、最大叶宽、叶片高度和株高模拟模型，结果如表3所示。可见Hg35小麦叶长、最大叶宽、叶片高度和株高模拟模型R2值在0.772～0.999之间，表明模型的拟合度较高;回归方程的F值在10.153～4359.236之间，且显著水平Sig.均小于0.05，模型显著性较好，说明所建立的模型成立，可以适用于小麦各器官形态参数的模拟。Jm22和H4399小麦也取得了较好的模拟结果，由于篇幅有限，此处仅以Hg35为例描述。

3.3.2   小麦主要器官生长模拟模型验证

采用与模拟模型构建相独立的数据集，建立模拟值与实测值的1：1关系图，对Hg35、Jm22和H4399小麦叶长、最大叶宽、叶片高度和株高模拟模型进行检验，结果如图6所示。可以看出，小麦叶长、最大叶宽、叶片高度和株高模拟模型的模拟值与实测值的根均方差（RMSE）分别为0.24～1.95cm、0.02～0.15cm、0.32～1.52cm、0.4～1.26cm;平均絕对误差与实测值平均值的比值（dap）分别为1.03%～9.69%、1.72%～12.03%、1.4%～14.7%、1.32%～3.46%，表明所建模型对不同品种冬小麦主要器官生长具有较好的预测性。3.3.3   小麦生长过程形态三维可视化技术实现

基于田间试验采集的小麦形态数据，结合小麦主要器官生长模拟模型，提取具有明确生物学意义的小麦形态特征参数，借助NURBS曲面构建叶片、叶鞘等器官曲面网格模型，并基于OpenGL图形库和真实感图形显示技术，构建出具有较高真实感和平滑度的小麦形态结构模型，实现了不同品种小麦在不同施氮处理下的生长过程三维可视化，结果如图7至图9所示。

可以看出，氮肥使用恰当可以明显促进小麦植株的叶片伸长与增厚、茎秆的粗壮，以及株高，但如果田间使用过量，会导致植株生长过旺，反而不利于产量稳定和提高。在小麦叶色方面，N1、N2和N3处理分别表现出黄、绿和浓绿的特点。在小麦三维可视化研究中，这些外在形态特点都可以反映出来，以表现田间养分情况的多寡，并结合其他指标为后续生产提供进一步的指导意见。

4   结论与展望

4.1  结论

作物生长形态结构是内在基因与外在环境和管理措施共同作用的结果。本文从基于物联网的作物形态参数监测、三维数据处理、作物生长协同模拟等方面，进行了以小麦为代表的大田作物模拟模型和三维形态可视化关键技术研究，结果表明：

（1）采用Logistic方程模拟返青后小麦叶片生长的变化情况，所构建模型对于返青后冬小麦的叶长、最大叶宽和株高等参数都有较高的模拟精度。

（2）根据逐日模拟数据，借助OpenGL和NURBS曲面实现了小麦叶片形态模型和冬小麦返青后生长在不同施氮条件下三维可视化形态模拟。

（3）Agent技术对于构建作物模拟与管理决策的复杂系统设计问题具有优势，特别是实现不同组分之间的协同工作、软硬件资源高效利用和代码重用，实现作物模拟模型中的模型协同和有效利用。

4.2  展望

作物生长发育过程是一个复杂的巨系统，在模拟模型研究方面，未来需要着重在以下方面重点开展研究：

（1）为加强模型的实用性和可视性，还需结合试验与模拟，对作物各器官、个体及其群体的形态模拟模型与可视化模型进行多维度测试和验证，使作物形态模型的可靠性和准确度得到持续提升，在田间采集过程中将选择或设计智能化仪器和技术方法，以减少数据测量误差。

（2）作物的器官外形复杂程度高，且存在着丰富的纹理细节，单纯的建模方法与真实感技术难以取得逼真自然的模拟效果。因此，还需对精确的作物器官几何建模进行深层次研究。

（3）作物器官往往会发生自然形变，单纯依靠几何建模方法难以完全表现该形变过程，因此，利用信息技术模拟作物不规则或较复杂的器官形变状态或其动态生长过程有待进一步完善，可考虑将基于物理物体变形和运动模拟技术应用于作物器官的形变描述，实现建模方法简洁化。

（4）利用不同环境、品种及栽培条件下的试验资料，实现作物的群体可视化，并对作物生长数字化与可视化系统进行广泛的测试和验证，使作物生长数字化模型与可视化系统更能逼真地模拟作物的自然生长过程。

参考文献

[1]   Jones J W， Hoogenboom G， Porter C H， et al. The DSSAT cropping system model[J]. European Journal of Agronomy， 2003， 18（3-4）： 235-265.

[2]   Holzworth D P， Devoil P G， Devoil P G， et al. APSIM - Evolution towards a new generation of agricultural systems        simulation[J]. Environmental Modelling & Software， 2014， 62（C）： 327-350.

[3]   Hoof C V D， Hanert E， Vidale P L. Simulating dynamic crop growth with an adapted land surface model – JULES-SUCROS： model development and validation[J]. Agricultural & Forest Meteorology， 2011， 151（2）： 137-153.

[4]   曹宏鑫， 張春雷， 金之庆， 等. 数学化栽培的框架与技术体系探讨[J]. 耕作与栽培， 2005， （03）： 4-7.Cao H， Zhang C， Jin Z， et al. Discussion on the framework and technical system of mathematical cultivation[J]. Gengzuo Yu Zaipei， 2005， （03）： 4-7.

[5]   曹卫星， 朱艳， 田永超等. 作物精确栽培技术的构建与实现[J]. 中国农业科学， 2011 （19）： 3955-3969.Cao W， Zhu Y， Tian Y， et al. Development and implementation of crop precision cultivation technology[J]. Scientia Agricultura Sinica， 2011 （19）： 3955-3969.

[6]   高亮之， 金之庆. RCSODS—水稻栽培计算机模拟优化决策系统[J]， 农业网络信息， 1993， （3）： 14-20.Gao L， Jin Q. RCSODS - Rice cultivation computer simulation optimization decision system[J]， Agriculture Network Information， 1993， （3）： 14-20.

[7]   潘学标， 韩湘玲， 石元春. COTGROW： 棉花生长发育模拟模型[J]. 棉花学报， 1996， 8（4）： 180-188.Pan X， Han X， Shi Y. COTGROW： Cotton growth and development simulation model[J]. Acta Gossypii Sinica， 1996， 8（4）： 180-188.

[9]   孙忠富， 陈人杰. 温室番茄生长发育动态模型与计算机模拟系统初探[J]. 中国生态农业学报， 2003， 11（2）：84-88.Sun Z， Chen R. A preliminary study on dynamic model and computer simulation system of greenhouse tomato growth[J]. Chinese Journal of Eco-Agriculture， 2003， 11（2）：84-88.

[10]  诸叶平， 李世娟， 孙开梦， 等. 作物生产信息数字化研究[C]//中国数字农业与农村信息化学术研究研讨会论文集， 中国北京. 2005： 19-24.

[11]  赵春江， 诸德辉， 李鸿祥等. 小麦栽培管理计算机专家系统的研究与应用[J]. 中国农业科学， 1997， 30（5）： 42-49.Zhao C， Zhu D， Li H， et al. Study on intelligent expert system of wheat cultivation management and itsapplication [J]. Scientia Agricultura Sinica， 1997， 30（5）： 42-49.

[12]  曹卫星， 潘洁， 朱艳， 等. 基于生长模型与Web应用的小麦管理决策支持系统[J]. 农业工程学报， 2007， 23（1）： 133-138.Cao W， Pan J， Zhu Y， et al. Growth model and webapplication based decision support system for wheat management[J]. Transactions of the Chinese Society of Agricultural Engineering， 2007， 23（1）： 133-138.

[13]  曹宏鑫， 金之慶， 石春林， 等. 基于Web与模拟模型的水稻栽培数字化设计[J]. 农业工程学报， 2008， 24（12）： 137-140.Cao H， Jin Z， Shi C， et al. Digital design of rice cultivation based on Web and simulation model[J]. Transactions of the Chinese Society of Agricultural Engineering， 2008， 24（12）： 137-140.

[14]  Rauff J V. Multi-agent systems： an introduction todistributed artificial intelligence[M]. Addison-Wesley Longman Publishing Co. Inc. 1999.

[15]  Badjonski M， Ivanovic M. A multi-agent system for the determination of optimal hybrids in crop production[J]. Computers and Electronics in Agriculture， 2000， 25（3）： 233-243.

[16]  Bentham M J . A multi-agent crop production decision support system for technology transfer[J].Dissertation Abstracts International， 2000： 62-11， Section： B， 5299.

[17]  Berger T. Agent-based spatial models applied to agriculture： a simulation tool for technology diffusion， resource use changes and policy analysis[J].Agricultural Economics， 2001， 25（2-3）： 245-260.

[18]  Zhu Y， Zhang J， Li S， et al. Agriculture and forestryeconomy decision support system based on agent[J].New Zealand Journal of Agricultural Research， 2007， 50（5）： 1339-1346.

[19]  王纪章. 基于物联网的温室环境智能管理系统研究[D].镇江： 江苏大学， 2013.Wang J. Study on intelligent management system for greenhouse climate based on internet of things[D].Zhenjiang： Jiangsu University， 2013.

[20]  Dauzat J， Clouvel P， Luquet D， et al. Using virtual plants to analyse the light-foraging efficiency of a low-density cotton crop[J]. Annals of Botany， 2008， 101（8）：1153-1166.

[21]  Hanan J S， Hearn A B. Linking physiological andarchitectural models of cotton[J]. Agricultural System， 2003， 75（1）： 47-77.

[22]  Hanan J. Virtual plants-integrating architectural and physiological models[J]. Environmental Modeling & Software， 1997， 12（1）： 35-42.

[23]  Fournier C， Andrieu B. A 3D architectural and  process-based model of maize development[J]. Annals of Botany（London）， 1998， 81（2）： 233-250.

[24]  Buck-Sorlin G. L-system model of the vegetative growth of winter barley （Hordeum vulgare L.）[J]. Agronomie， 2002， 22： 691-702.

[25]  Watanabe T， Hanan J S， Room P M. Virtual Rice： I. Measurement and specification of three-dimensional structure[J]. The Crop Science Society of Japan， 1999（Ext. issue 2）， 68： 68-69.

[26]  Watanabe T， Room P M， Hanan J S. Virtual Rice：simulating the development of plant architecture[J].International Rice Research Notes， 2001， 26（2）： 60-62.

[27]  Watanabe T， Hanan J S， Room P M. Virtual Rice： II. Simulation of architecture and development by using L-system[J]. The Crop Science Society of Japan， 1999， 68： 70-71.

[28]  Watanabe T， Hanan J S， Room P M， et al. Rice Morphogenesis and plant architecture： measurement， specification and the Reconstruction of structural development by 3D Architectural Modelling[J]. Annals of Botany， 2005， 95： 1131-1143.

[29]  Prusinkiewicz P W ， Remphrey W R ， Davidson C G， et al. Modeling the architecture of expanding Fraxinus pennsylvanica shoots using L-systems[J]. CanadianJournal of Botany = Journal Canadien de Botanique （Canada）， 1994， 72（5）：701-714.

[30]  Fisher J B. Part 2： The Katherine Esau International Symposium || How predictive are computer simulations of tree architecture？[J]. International Journal of Plant Sciences， 1992， 153（3）： S137-S146.

[31]  Barczi J F， Rey H， Caraglio Y， et al. AmapSim： a structural whole-plant simulator based on botanical knowledge and designed to host external functional models[J]. Annals of Botany， 2007， 101（8）： 1125-1138.

[32]  de Reffye P， Fourcaud T， Blaise F， et al. A functional model of tree growth and tree architecture[J]. Silva Fennica， 31（3）： 297-311.

[33]  Godin C， Guédon Y， Costes E， et al. Measuring andanalyzing plants with the AMAPmod software[C]. Michalewicz， M.T. Plants to ecosystems - Advances in Computational Life Sciences， 2nd International Symposium on Computer Challenges in Life Science， CSIRO Australia， 1997，53-84.

[34]  Seleznyova A N， Thorp T G， White M， et al. Application of architectural analysis and AMAPmod methodology to study dwarfing phenomenon： the branch structure of “Royal Gala” apple grafted on dwarfing and non-dwarfing rootstock/interstock combinations[J]. Annals of Botany， 2003， 91（6）： 665-672.

[35]  诸叶平. 小麦模拟实验系统的可视化界面技术[J]. 农业网络信息， 1995， （4）： 6-8.Zhu Y. Visual interface technology of wheat simulation experiment system[J]. Agriculture Network Information， 1995， （4）： 6-8.

[36]  严定春， 诸叶平， 李世娟. 小麦—玉米连作协同模型系统研究[J]. 农业网络信息， 2007（9）： 21-23.Yan D， Zhu Y， Li S.Coordination model system for wheat-maize continual cropping management[J].Agriculture Network Information， 2007（9）： 21-23.

[37]  刘升平， 诸叶平. 基于Agent技术的小麦生长模拟模型的建立[J]. 安徽农業科学， 2007， 35（20）： 6026-6028.Liu S， Zhu Y. Establishment of wheat simulation model based on Agent technology[J]. Journal of AgricuturdSciences. 2007， 35（20）： 6026- 6028.

[38]  Zhu Y， Liu S. Technology of agent-based crop collaborative simulation and management decision[C]//International Conference on Data Mining & Intelligent Information Technology Applications. IEEE， 2011， 11： 349-353.

[39]  林玉彬. 基于全局敏感度分析的GreenLab模型参数估计研究[D]. 北京： 中国科学院大学， 2012.Lin Y. Research on parameter estimation of GreenLab model based on global sensitivity analysis[D]. Beijing： University of Chinese Academy of Sciences， 2012.

[40]  常麗英， 顾东祥， 张文宇， 等. 水稻叶片伸长过程的模拟模型[J]. 作物学报， 2008， 34（2）： 311-317.Chang L， Gu D， Zhang W， et al. A simulation model of leaf elongation process in rice[J]. Acta Agronomica Sinica， 2008， 34（2）： 311-317.

[41]  刘慧， 汤亮， 张文宇， 等. 基于模型的可视化水稻生长系统的构建与实现[J]. 农业工程学报， 2009， 25（9）： 148-154.Liu H， Tang L， Zhang W， et al. Construction andimplementation of model-based visual rice growthsystem[J].Transactions of the Chinese Society ofAgricultural Engineering，2009， 25（9）： 148-154.

Research on  key technologies of crop growth process simulation model and morphological 3D visualization

Yeping Zhu1， Shijuan Li1*， Shuqin Li2

（1. Agricultural Information Institute， Chinese Academy of Agricultural Sciences/Key Laboratory of Agri-information Service Technology， Ministry of Agriculture and Rural Affairs， Beijing 100081， China; 2. Information Center，

North China University of Technology， Beijing 100144， China）

Abstract： According to the demand of digitized analysis and visualization representation of crop yield formation and variety adaptability analysis， aiming at improving the timeliness， coordination and sense of reality of crop simulation model， key technologies of crop growth process simulation model and morphological 3D visualization were studied in this research. The internet of things technology was applied to collect the field data. The multi-agent technology was used to study the co-simulation method and design crop model framework. Winter wheat （Triticum aestivum L.） was taken as an example to conducted filed test， the 3D morphology visualization system was developed and validated. Taking three wheat varieties， Hengguan35 （Hg35）， Jimai22 （Jm22） and Heng4399 （H4399） as research objects， logistic equation was constructed to simulate the change of leaf length， maximum leaf width， leaf height and plant height. Parametric modeling method and 3D graphics library （OpenGL） were used to build wheat organ geometry model so as to draw wheat morphological structure model. The R2 values of leaf length， maximum leaf width， leaf height and plant height were between 0.772-0.999， indicating that the model has high fitting degree. F values （between 10.153-4359.236） of regression equation and Sig. values （under 0.05） show that the model has good significance. Taking wheat as example， this research combined wheat growth model and structure model effectively in order to realize the 3D morphology visualization of crop growth processes under different conditions， it will provide references for developing the crop simulation visualization system， the method and related technologies are suitable for other field crops such as corn and rice， etc.

Key words： crop simulation model; growth process visualization; morphology visualization; agent; technology 3D