本文提出了一种新颖的知识和数据驱动建模(KDDM)方法,用于模拟植物生长,该方法由两个子模型组成。 一个子模型来自所有可用的领域知识,包括基于物理或机械模型的所有已知关系。 另一个仅由数据构成,而无需使用任何领域知识。 在这项工作中,采用了GreenLab模型作为知识驱动(KD)子模型,并采用了径向基函数网络(RBFN)作为数据驱动(DD)子模型。 番茄作物作为植物生长模型的案例研究。 来自五年的十二个温室实验的番茄生长数据集用于校准和测试模型。 与现有的知识驱动模型(KDM,BIC = 1215.67)和数据驱动模型(DDM,BIC = 1150.86)相比,拟议的KDDM方法(BIC = 1144.36)在预测番茄产量方面表现出多种优势。 尤其是,即使没有器官的观察数据,KDDM方法也能够对包括叶,茎和果实在内的不同类型器官的产量提供强有力的预测。 案例研究证实,KDDM方法继承了KDM和DDM方法的优势。 还讨论了KDDM方法中叠加和合成耦合算子的两种情况。