有的灌溉决策是根据土壤墒情来决策，有的根据气象数据决策，有的作物数据决策的，还有多源数据融合的技术。
单靠一种数据和方法是不可靠的，基于作物模型的融合技术才是正道。在联合国粮农组织推荐的ET计算为例，它只是一种根据气象数据计算虚拟的作物（参考作物ETo）需水量的方法，要用在灌溉决策上，还需要针对具体的作物，在那个生育阶段的Kc系数判断，Kc必须依靠大数据分析才能得到正确的数值的。
为了正确的判断作物生育期的Kc值带来的作物水量变化，需要建立作物的生长数学模型。
在大数据年代，数字模型必需根据作物的输出数据进行调整，这样才能够准确地模拟出作物的生长过程。从数据分析角度看 ，作物模型参数不是固定的。
一个能够仿真的作物孪生数学模型需要数据分析做出:
1. 作物模型参数修正。
动态修正模型参数，让模型适应当地作物品种和种植条件。
2. 作物灌溉的应用。
模型是为了灌溉和施肥，需要应用模型到根据数字能够决策生育期灌溉施肥中来。
3. 灌溉决策的优化。
在数字模型基础上用大数据分析实现最优灌溉施肥方案。
在大数据年代，数字模型的基础是作物的生长数据。必须根据作物的数据状态量和采集的对应观测量进行调整，这样才能够得出准确地模拟出作物的生长过程的模型。
按理来说这是需要大量田间数据的，这是需要一边收集数据，一边调整参数的，但是，是否是需要得到稳定的数字模型后才能直接应用于水肥决策呢？
如果要采集数据，需要采集好多年吗？或者说是否可以有其它方法缩短时间。
一般来说作物数学模型，它是需要不断的反复修正才能找到合适的参数，那么在找到合适参数以前，你是可以根据自己的需要应用这个数字模型的，应用和调整模型参数是平行的两件事，可以同时做的，没有矛盾，除非你很强调应用必须要准确。事实上，现实的情况是作物生长就是一个随机事件，你用的方法，大数据分析方法也是一种对现实作物世界的随机分析。在现实生物世界中没有精准的，正确的事，它有的只是一个大概率事件的出现，正好被你准确的猜到了而已。
人工智能分析中计算机的工作就是机器学习，机器学习是说得好听的，换一种说法的概率统计分析。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。
作物数字模型和水肥决策系统是一个什么关系呢，可以这么说，先用模型仿真模拟出真实的作物生长过程，才能够去采用优化方法作出灌溉施肥决策，达到让作物优质高产的目的。
目前，通用的作物数字模型以荷兰瓦格宁根大学的是最好的，也是开放度最高的作物数字模型。
数据与模型的、科学的融合办法是用机器学习找出模型的参数，要知道模型的应用和调整模型参数是平行的两件事，完全可以同时做，它们没有矛盾，就是说，模型应用的和数字模型调参完全可以同时进行。因为作物数字模型和大数据决策，只是一个需要对作物生长的大概率事件做出精准判断而已。有了这一说法你就会明白了，事实上无论什么作物都能够实现数字化，它可以边种植边做出作物数字模型来，因为决定你的模型是否正确的是实验检验的结果和你的分析结果是否真的一致，并不在数据观测量和如何做的方法上。
