水肥决策的基础是通过数学模型模拟得到作物生长的状态数据。模型主要模拟气候条件、土壤条件、管理条件对作物的影响，通过作物、气候、土壤、养分4个模块模拟同化作用、呼吸作用、蒸腾作用、干物质的分配、氮素消散等生理过程，对作物的生育期、生物量、产量、叶面积指数等进行模拟，可以在潜在、水分限制、养分限制3个水平上模拟作物生长与产量形成，其中养分限制产量在潜在产量或者水分限制产量基础上通过土壤速效养分对作物生长的胁迫作用模拟得到，智能水肥决策引擎中作物生长模型是关键模块，模块优化和算法方面的补充主要也是对该模块进行。

作物生长期总生物量产量等于平均日生物量产量乘以总生长持续时间，因此要更好地模拟该生长持续时间，以便进行可靠的生物量和产量预测。

播种期或出苗期是数学模型的重要输入参数。如果使用播种日期作为输入，则根据播种到出苗的温度总和TSUMEM计算出苗日期。在这种情况下，需要对相同作物品种进行的田间试验，用观察（航拍图像）到的播种和出苗日期对TSUMEM进行校准。

根据描述所需有效积温总和的两个参数计算出数学模型的作物生育期。TSUM1描述了从出苗到开花的温度总和，TSUM2描述了从开花到成熟的温度总和。日有效温度等于日平均温度减去基准温度。作物物候DVS数值代表一个发育阶段，DVS等于累积有效温度总和与TSUM1和TSUM2参数的比率。这里常用的是花期达DVS=1，成熟期达DVS=2。

需要说明的是引擎中的作物生育期可以根据不同作物划分多个生育期，但是每个生育期的有效积温总和需要通过增加阶段累积温度个数实现。

作物模型中土壤养分有效性SAN是作物模型用来模拟作物生长的一个重要因素，SAN的变化可以很容易地转换为作物模型的输出参数。利用遥感（无人机）数据解决这个问题。将作物模型与时间序列遥感观测相结合的数据同化方法有助于将模拟从单点数据应用外推至大面积应用。运用EnKF滤波方法，将作物生长数学模型和遥感观测相结合，实现了像素尺度的生长期间整个犁士层中的SAN含量变化模拟。利用大数据分析把模型进行优化改进，以便在作物生长和SAN含量之间建立稳定的联系。

植被覆盖指数(NDVI)用于估算叶面积指数，NDVI由NIR近红外和RED红色分别是近红外波段(760~900纳米)和红色波段(630~690纳米)的重叠进行计算分析得到。从NDVI 求 LAI ，使用土壤养分模块，可以基于潜在的或水约束的产量来估计养分约束的产量。通过田间采集的数据和遥感数据同化，在不同的气象、土壤和管理条件下，对不同作物原有数学模型的主要参数进行校准。