可以进一步说，作物数学模型是将大数据应用于作物生长模型的具体体现。事实上，在大数据时代，人们不再研究用固定公式和程序表达的对象数字特征。

十年后要讨论的作物生长模型，无法想象在大数据时代，作物模型仍然是一个固定公式，有固定参数，用它还可以得到一个能够反映真实作物生长的模型。我们应该想象得到，作物生长在现实世界中不可能有固定的增长模式。因为作物生长是一个复杂的过程，影响因素很多，而且这些影响因素也是随机变化的，所以影响因素的程度和数据，也是一个随机变量。

在当今大数据时代，农作物的数学模型应该是一个不断迭代和升级的模型，但它有规律可循。

未来十年后，引入人工智能分析，通过学习足够数量的样本，机器可以从数据中训练出自己构建的模型。人工智能应用到作物生育期判断中来，通过特定作物生育期的图像数据，让计算机自动学习，最终训练出自动识别作物生育期的能力，从而确定各生育期如何施用肥料。

决策引擎采用人工智能包括机器学习、图像识别和专家系统等先进技术手段，人工智能技术进行作物缺水、耗水量和大元素营养成分缺失图像分析，判断作物缺素或缺水的程度是智能决策平台技术创新的挑战。

未来技术的应用

未来十年，数字技术在农业生产上的应用才是智慧农业或者说数字农业的关键，其余只能算是IT行业技术之农业行业的应用而已。用遥感技术进行作物产量预测方法将非常流行，同时采用水肥一体化技术提高作物产量的技术发展也很快。

遥感技术在灌溉技术的应用提高作物生长模型的优化精度，很明显，数字灌溉技术中的作物模型生长期的数据读取，让模型更加精准，智能化的决策更加能够提高作物的产量和品质。

遥感技术应用的作物种植面积比较大，能够保证在大面积时估算的相对误差比较少。

精准灌溉技术应用于作物种植的面积相对比较小，需要保证在小面积时候也能够准确的预测作物的产量或品质。

灌溉技术利用作物模型进行调参作为基础模型，是采用小面积的，精度更高的无人机或者摄像头采集现场图片，通过作物生长图片进行模型输入参数预测和调整。

数字灌溉技术作物模型应用的技术手段：

通过传感器和摄像头收集温湿度、土壤水分、CO2和辐射数据，叶、茎、根系和果实生长形态图像数据并进行作物模型参数校准。

 利用机器学习图像实现生育期的识别。通过土壤水分得到各生长期需水量，得到生长期的需水量规律。找出作物需肥规律，实现按作物产量和品质需要施用的主要元素肥料的决策。

 通过水分含量的变化分析得到作物需水量预报数据。

通过大数据分析找出作物对常规肥料的需肥规律。