《Smart Agricultural Technology》：Digital Twins in Agriculture: A Systematic Literature Review on Modeling, Semantics, and Interoperability
编辑推荐：
近年来，受传感技术、计算建模和数据驱动分析的进步推动，数字孪生（Digital Twin, DT）在农业中的应用显著增加。随着农业系统日益复杂和互联，研究人员整合异构数据源并实现跨平台一致数据交换的能力已成为关键需求。然而，与互操作性和数据集成相关的挑战仍然阻
近年来，受传感技术、计算建模和数据驱动分析的进步推动，数字孪生（Digital Twin, DT）在农业中的应用显著增加。随着农业系统日益复杂和互联，研究人员整合异构数据源并实现跨平台一致数据交换的能力已成为关键需求。然而，与互操作性和数据集成相关的挑战仍然阻碍着农业数字孪生（agricultural Digital Twin）的有效部署。本文对数字孪生（Digital Twin）在农业中的应用进行了系统文献综述（Systematic Literature Review, SLR），重点关注建模方法、语义表示（semantic representation）和互操作性机制（interoperability mechanism）。遵循结构化综述协议，研究人员从主要科学数字图书馆中检索了2016年至2026年1月间发表的研究。多阶段筛选过程将初始的6,968条记录缩减为最终的62篇主要研究。结果显示，研究高度集中于语义与知识建模（semantic and knowledge modeling）、互操作性与集成机制（interoperability and integration mechanism）以及分析驱动的决策支持（analytics-driven decision support）。作物和植物导向的数字孪生（DT）在文献中占主导地位，而农业机械化和大规模集成农业系统的数字化仍然相对有限。该综述还指出了与缺乏标准化架构、跨资产集成有限以及大规模现场验证稀少相关的关键研究空白。这些发现为农业数字孪生（DT）研究的现状提供了整合视角，并勾勒出未来研究向更具互操作性和可扩展性的数字农业生态系统发展的方向。
**1. 引言**
近年来，农业的数字演进显著扩展，从孤立的机械化和局部传感转向支持以数据为中心的决策的集成信息物理生态系统。嵌入式电子设备、通信基础设施、遥感平台和计算工具的日益普及，使得研究人员能够以前所未有的深度和分辨率观察和建模农业过程。
精准农业（Precision Agriculture, PA）通过引入特定地点的测量和有针对性的资源应用，为农业数字化转型奠定了基础。然而，PA方法传统上侧重于空间优化和田块尺度变异性。在此基础之上，数字农业（Digital Agriculture）作为一个更广泛的范式应运而生，它集成了传感、通信、数据分析和计算模型，以支持跨农业系统的数据驱动决策。互操作性（Interoperability）已成为这一不断演变的格局中的核心挑战。
在此背景下，数字孪生（Digital Twin, DT）已成为实现数据驱动农业系统的关键范式。DT被定义为一个物理资产、过程或系统的数字表示，通过持续的数据交换和行为建模动态演进。区分DT与数字影子（Digital Shadow, DS）和数字模型（Digital Model, DM）至关重要。一个DT的特点是物理和数字对应物之间的双向自动数据交换，支持自主更新、仿真驱动决策和闭环控制机制。然而，现有的农业DT应用在很大程度上仍然是碎片化的，并且特定于各个领域。只有有限数量的研究将DT作为在异构农业系统间协调数据交换的互操作性工件进行调查。语义表示（Semantic representation）和基于知识的方法为解决这种碎片化提供了有希望的机制。
先前的综述从不同角度审视了农业DT。本综述的独特性在于，它联合分析了语义建模、互操作性机制、资产类型表示和DT成熟度。基于这些挑战，本文对DT在农业中的应用进行了系统文献综述，特别关注建模策略、语义表示和互操作性机制。主要贡献包括：提出了一个基于结构化协议的系统文献综述；将选定研究组织成一个结构化分析框架；分析了当前农业DT研究的状态。
本文的其余部分结构如下：第2节介绍了研究方法；第3节报告了结果；第4节讨论了发现；第5节总结了论文。
**2. 方法论**
本研究采用系统文献综述（SLR）作为主要研究方法。综述协议遵循Kitchenham等人和Petersen等人提出的指南。文献检索考虑了2016年至2026年1月间发表的研究。筛选和分析由至少两名评审者独立进行，以量化评审者间一致性。
**2.1. 研究问题**
研究问题分为通用问题（GQ）、聚焦问题（FQ）和统计问题（SQ）。FQ旨在支持对DT在农业中如何具体设计、实施和应用进行详细技术分析。FQ1调查是否采用了参考架构、设计框架或标准化结构模型。FQ2考察语义技术——如本体（ontology）、知识图谱（knowledge graph）、分类法和标准化词汇表——的使用程度。FQ3分析DT作为互操作性使能器的角色。FQ4旨在表征通过DT进行数字化的农业资产类型。
**2.2. 数字图书馆与搜索配置**
搜索配置基于主要术语（数字孪生、农业、互操作性与数据集成）构建。选定的数字图书馆包括Scopus、IEEE Xplore、ScienceDirect和ACM Digital Library。还对Wiley Online Library和Taylor & Francis Online进行了额外搜索，但未产生额外相关研究。
**2.3. 研究选择标准**
纳排标准被明确定义。纳入标准包括：同行评审的会议或期刊全文论文，与农业上下文相关，明确涉及DT应用，且发表于2016年至2026年1月之间。排除标准包括：非英文研究、非学术来源、非相关领域、二次研究、非田间农业、未提出或验证实例化DT以及无法获取全文的研究。
**2.4. 研究选择与筛选过程**
筛选过程包括六个阶段：文章检索、杂质去除、标题与关键词过滤、摘要筛选、重复去除和全文评估。初始数据集为6,968条记录。经过各阶段筛选，最终语料库包含62篇研究。在摘要筛选阶段，观察者一致性为92.6%（Cohen's kappa = 0.843），在全文评估阶段为92.3%（Cohen's kappa = 0.774），分别达到几乎完全一致和高度一致的水平。
**2.5. 数据提取与分类流程**
从每个研究中提取数据，包括文献计量元数据、农业资产类型、主要技术重点、架构和部署特征、互操作性机制、语义或知识建模元素以及数字表示级别。研究根据Kritzinger等人提出的定义被分类为数字模型（Digital Model）、数字影子（Digital Shadow）或数字孪生（Digital Twin）。
**2.6. 质量评估**
纳入研究根据两个互补维度进行评估：概念一致性（Conceptual Alignment, CA）和实证成熟度（Empirical Maturity, EM）。CA评估包括四个标准：DT概念清晰度（CA1）、双向DT一致性（CA2）、架构或方法细节（CA3）、语义或互操作性支持（CA4）。EM评估包括四个标准：实施或部署证据（EA1）、验证成熟度（EA2）、数据基础（EA3）、已证明的物理-数字同步（EA4）。每个标准采用三级评分（0、0.5、1），EA2有额外的0.75分。
**3. 结果**
该部分报告了62篇主要研究的发现。
**3.1. 描述性分析**
出版物数量在2025年达到峰值（n=26）。研究来自于49个不同场所，其中《Smart Agricultural Technology》和《Computers and Electronics in Agriculture》最常见。主要技术重点类别分布为：语义与知识建模（Semantics & Knowledge Modeling, n=12）、互操作性与集成（Interoperability & Integration, n=12）、分析与决策支持（Analytics & Decision Support, n=12）、控制、驱动与自主（Control, Actuation & Autonomy, n=10）、架构与平台（Architecture & Platforms, n=9）以及仿真与过程建模（Simulation & Process Modeling, n=7）。根据数字表示级别分类，66%的研究被归类为DT，29%为数字影子（DS），5%为数字模型（DM）。
**3.2. 质量评估结果**
没有研究被归类为低概念一致性（CA）；71.0%的研究实现了高CA。在实证成熟度（EM）方面，62.9%的研究被归类为高EM。46.8%的研究同时实现了高CA和高EM。数据基础（EA3）是最强的实证标准（85.5%明确使用数据），而已证明的物理-数字同步（EA4）仅在33.9%的研究中得到充分证明。
**3.3. 农业数字孪生的内容分析**
**3.3.1. 应用领域**
作物/植物相关系统是最常被代表的资产类型（n=35），其次是农田/田地/景观系统（n=24）和温室环境（n=19）。在控制、驱动与自主类别中，温室占主导地位（70%）。作物/植物资产出现在所有仿真与过程建模研究中（100%），并且在语义与知识建模（83%）和分析与决策支持（67%）中也占据突出地位。
**3.3.2. 建模与架构方法**
架构与平台作为主要技术重点的研究占14.5%。报告的架构描述包括分层组织、面向服务和基于微服务的设计、多智能体架构以及事件驱动模式。部署策略以基于云的部署（32.3%）和混合部署（32.3%）为主。
**3.3.3. 互操作性策略**
互操作性与集成是19.4%研究的主要技术重点。报告的互操作性策略包括协议和网络级集成（MQTT、HTTP/REST、LoRa/LoRaWAN等）以及中间件或平台解决方案（OPC UA、FIWARE (NGSI-LD)、Azure IoT Hub）。
**3.3.4. 语义与知识驱动方法**
语义与知识建模是19.4%研究的主要技术重点。该类别中，作物/植物系统出现在83%的研究中。领域本体和知识库被用于建模作物、生长阶段、环境因素和农事操作。知识图谱通常使用语义网标准（RDF、链接数据）实现。语义层用于形式化表示农业知识、语义查询和推理。
**4. 讨论**
**4.1. 农业数字孪生研究的当前状态**
研究格局正迅速扩大，但主题集中。大约60%的研究集中在语义与知识建模、互操作性与集成以及分析驱动的决策支持。这暗示当前研究重点在于构建更高级操作DT所需的信息和计算基础。语义与知识建模突出，但需注意其中8篇来自同一研究团队。互操作性研究通常在受控环境中进行。分析驱动的DT侧重于预测建模。超过三分之一的研究更接近单向的数字影子或数字模型，揭示了成熟度差距，农业DT仍需从数据驱动监控向完全耦合的操作DT过渡。
**4.2. 农业数字孪生的适用性**
作物/植物导向的DT占主导地位。作物/植物系统与建模和知识表示关联更强，而温室系统与控制与集成关联更强。农田、田地、景观规模的DT集成了卫星图像和无人机（UAV）传感，用于协调和决策支持。温室是许多互操作性和控制研究的验证平台。相比之下，农业机械的数字化仍然较为初级，限制了从数字建议到物理干预的转化。当前DT研究优先考虑生物和环境资产，而大规模机械化系统和完全集成的生产链仍较少被涉及。
**4.3. 农业数字孪生使用的展望**
出版物数量增长显著。农业DT正在从表示单个资产发展到建模更复杂的系统。未来趋势包括架构与AI/ML等数据驱动技术的融合、生物建模的深化、将土壤DT作为连接组件的集成以及跨资产协调。标准化数据模型和互操作通信机制将使作物DT与无人机（UAV）监控系统、自主机械和灌溉控制器交互成为可能。DT有望发展成能够整合预测分析、资源优化、生命周期监控的多农场数字生态系统。
**4.4. 挑战与研究空白**
主要挑战包括：缺乏标准化架构和方法指南；农业资产和过程的固有异构性（时间尺度和数据类型差异）；语义建模方法通常使用局部定义的本体，缺乏与更广泛标准的一致性；现有国际标准（如AAS、ISO 23247、RAMI 4.0）主要针对工业环境，在农业中的适用性有限；多数现有实施采用集中式模型，可扩展性和实时协调受限；DT实施成熟度不足；大规模现场验证仍然不足。
基于这些挑战，优先研究方向包括：开发针对农业上下文的参考架构；定义共享语义和信息模型；推动多资产和跨领域集成；进行更多纵向和大规模现场验证；更明确地报告DT成熟度。
**5. 结论**
本文提出了一个关于农业中数字孪生（Digital Twin, DT）的系统文献综述（SLR），重点关注建模策略、语义表示和互操作性机制。基于2016年至2026年1月间发表的62篇主要研究，综述显示农业DT研究在2020年后迅速扩展，但仍集中在三个主要技术方向：语义与知识建模、互操作性与集成，以及分析导向的决策支持。
最相关的发现有三点。第一，当前农业DT主要应用于作物/植物系统、农场或景观级表示以及温室，而机械、土壤、灌溉和集成农场级系统仍较少被代表。第二，对研究作为数字模型（DM）、数字影子（DS）或数字孪生（DT）的分类显示，DT这一术语未被统一使用：虽然大多数研究报告了双向或反馈导向的机制，但超过三分之一的研究仍更接近监控导向或基于模型的数字化。第三，文献仍缺乏整合的参考架构、共享的语义模型和大规模现场验证，这限制了互操作性、可重复性和操作化采用。
这些发现表明，农业DT研究的下一阶段应超越孤立原型，迈向可互操作和多资产的数字生态系统。未来工作应优先考虑能够集成作物、土壤、机械、灌溉系统、环境监控基础设施和供应链组件的架构；根据数据流方向性、同步、反馈和驱动能力明确报告DT成熟度；以及在真实农业条件下进行长期验证。
