综上所述，目前国内外水稻根系建模可视化的研究主要可分为两大类，单纯的水稻根系外观形态模拟可视化和真实生长过程模拟可视化，两者均取得了一定的研究成果。目前已应用于产品展示、游戏娱乐以及影视制作^[58]等领域，但在选种优育、栽培措施优化等农学实际应用方面较少。在数据探测方面方法虽多，但都具有一定的局限性。根系本身生长环境的约束、高度非结构化的根系数据处理困难等问题仍然存在，因此在数据探测无法得到进一步改进的条件下，采用其他方式或者手段解决数据缺失的问题势在必行，低成本、高普适的三维探测方法和设备研制仍然是未来根系三维建模与可视化研究的重点。同时，根系生长与土壤密切相关，两者的相关性研究需要特定环境作为支撑，探索不易。此外，根系生长的碰撞检测以及模型的真实性检验也是根系三维重建研究中的难题。本节主要针对数据缺失问题下的根系分布设计与数据融合、结合深度学习的机器视觉三维重构以及环境-根系建模三方面进行展望。

（1）根系数据缺失问题可分为位置数据缺失和时间数据缺失，位置数据是指根系三维空间位置坐标无法准确完整获取，时间数据缺失是指生长数据的不连续性和不完整性。首先，位置数据包含根系的拓扑结构以及空间分布，拓扑结构利用破坏性探测的方法量化易于实现，空间分布则难度较大。尤其在大田栽培背景下，高精度探测仪器的使用能改善了局部数据的准确性，但基于仪器探测的局部数据整合困难，且成本昂贵不容易普及。学者更多的关注于土壤中某个区域内水稻根系基本情况的生长趋势而不是具体位点的三维坐标，在根系空间分布剖分的单元区域内通过对根系生长指标的统计实现三维建模，因此合理量化根系空间分布的剖分十分关键。尽管已有像微根管法^[20]等针对空间分布的局部信息进行采样测量的方法，但其主要是从根系分形角度对形态特征进行描述^[59]，更加量化的根系空间分布设计有待深入研究。其次，时间数据的获取费时费力，加之根系数据共享性低，且数据量少，一定程度上影响了研究进展。水稻根系的三维模拟是根部数据与计算机图形算法相结合构造根系可视化模型，有效提升数据缺失下全局数据的重构算法，在多种不同的作物根系中寻找具有相似特征数据以弥补在少量样本条件下精准估算拟合特征参数，提高信息融合的效率仍有待更深入的研究。

（2）基于机器视觉的三维重构多用于大规模场景或构型相对简单的苗期根系，在水稻根系建模方面使用较少。由于利用相机获取根系图像的深度信息成本低，操作简单，易于共享，在一定程度上解决了数据获取困难的问题。近年来，激光扫描、高光谱相机等自动化检测技术的发展极大促进了植物表型分析研究应用，通过成像技术、特征提取及三维重建等智能算法实现根系表型性状、形态结构的快速解析^[60−61]，效果显著。可以预期，未来更多根系表型及生理参数的高通量获取将成为可能，为更加符合现实应用生产需求的水稻根系三维建模提供理论依据。随着深度学习在各个领域的广泛应用，基于深度学习的图像处理技术越来越成熟，通过二维图像获取根系拓扑信息的精准度越来越高。另一方面，深度学习技术在三维重建研究领域逐步深入，通过构建根系模型以弥补二维图像空间信息不足成为可能，因此，计算机视觉融合深度学习的三维重构也将是未来水稻根系建模方法的一个趋势。

（3）水稻根系的发育与生长环境息息相关，独立于环境的根系研究缺少实际意义，环境-根系系统的研究应获得更多的关注。目前，在根系基本指标与非环境因素（如土层深度、时间）的统计拟合以及单环境因子对水稻根系生理生态的影响机制上已经取得了较大的进展。在此基础上，利用深度学习综合分析多环境因子（气压、光照、湿度、温度等）和根系生理参数（水分、养分）的分布，以全面了解根系生长速率与外界环境因素的关系，根系生长与多环境因子的定量关系模型以及根系与环境的动态转化过程模拟将成为未来根系模拟研究的重要方向。另一方面，为了简化根系建模难度，一般是将水稻的根系与地上部分作为两个独立对象进行研究。然而，在实际生产中水稻根系与地上部分是一个不可分割的整体，分而治之的思想可能会导致最终模拟模型与现实脱节。为了更好投入到农业生产科研指导中，水稻根-茎-叶一体化建模是未来值得深入研究的课题。

总之，水稻根系三维建模及可视化研究仍存在极大的挑战，更准确全面地量化描述可视化模型的结构特征，真实形象地表征水稻根系的长相和长势，构建出能真正应用于农业生产的三维模型有待进一步研究。