Abstract :
[en] This work falls in the scope of the booming development in automated phenotyping platforms. In this field where sensors measure large amounts of data in live experiments and models such as FSPM are more and more developed, the Digital Twin paradigm is really the next step.
We present a Digital Twin infrastructure of a controlled environment facility designed to conduct phenotyping experiments on leafy greens, such as lettuce (Lactuca sativa L.), with the main purpose of studying the response of photosynthesis and more broadly plant development to varying lighting conditions. Our Digital Twin takes inspiration in all 6 variations of the term as defined by Verdouw et al. (2021). Its physical counterpart comprises the growth facility, sensors, actuators and measured data; while its virtual counterpart is based on the CPlantBox FSPM (Zhou et al., 2020) for the modeling of plant growth – as well as automation routines used for the regulation of environmental parameters.
The phenotyping infrastructure was designed to image plants with a nadir-pointing camera. This design choice comes with the advantage of having a fixed view point during whole growth cycles, offering consistency over time. But also the main shortcoming that results from a fixed point of view located above the plants: occlusions of lower parts of the plants as new leaves grow.
Through the fine tuning of the twinning process in the form of data assimilation (Liu et al., 2019), we aim to automate the parametrization of the CPlantBox model of the plants of interest and therefore solve the issue of occlusions. At this stage, the focus is on the twinning between RGB-D data acquired through a Microsoft Kinect Azure camera and the plant architectures simulated with CPlantBox. Plant biomass was also measured as supplemental data to improve model parametrization.
[fr] Ce travail s'inscrit dans le cadre du développement en plein essor des plateformes de phénotypage automatisées. Dans ce domaine où les capteurs mesurent de grandes quantités de données experimentales et où des modèles tels que les modèles de plante fonction-structure (ENG.: FSPM) sont de plus en plus développés, le paradigme du jumeau numérique est vraiment la prochaine étape.
Nous présentons l'infrastructure d'un jumeau numérique d'une installation d'agriculture en environnement contrôlé conçue pour mener des expériences de phénotypage sur des légumes-feuilles comme la laitue (Lactuca sativa L.), dans le but principal d'étudier la réponse de la photosynthèse et plus généralement le développement des plantes à des conditions d'éclairage variables. Notre jumeau numérique s'inspire des six variantes du terme définies par Verdouw et al. (2021). Son entité physique comprend la chambre de croissance, les capteurs, les actionneurs et les données mesurées ; tandis que sa contrepartie virtuelle est basée sur le FSPM CPlantBox (Zhou et al., 2020) pour la modélisation de la croissance des plantes - ainsi que sur les routines d'automatisation utilisées pour la régulation des paramètres environnementaux.
L'infrastructure de phénotypage a été conçue pour imager les plantes à l'aide d'une caméra orientée vers le nadir. Ce choix présente l'avantage d'avoir un point de vue fixe pendant des cycles de croissance entiers, ce qui offre une cohérence dans les séries temporelles de données. Mais il présente aussi le principal inconvénient d'un point de vue fixe situé au-dessus des plantes : l'occultation des parties inférieures des plantes au fur et à mesure que les nouvelles feuilles poussent.
Grâce au réglage fin du processus de jumelage sous forme d'assimilation de données (Liu et al., 2019), nous visons à automatiser la paramétrisation de la modélisation avec CPlantBox des plantes d'intérêt et donc à résoudre le problème des occultations. À ce stade, l'accent est mis sur le jumelage entre les données RGB-D acquises via une caméra Microsoft Kinect Azure et les architectures végétales simulées avec CPlantBox. La biomasse des plantes a également été mesurée en tant que données supplémentaires afin d'améliorer la paramétrisation du modèle.
