《Discover Agriculture》：Exploring digital twins in agriculture with current applications and implications for research, policy and practice
编辑推荐：
数字孪生（Digital Twin, DT）技术正在变革农业。DT是指实际农业系统的虚拟副本，通过实时数据进行更新，从而改变农业过程监控、模拟和优化的方式。近年来，DT在农业中的应用因其创新性而引起了广泛关注。本文重点阐述了DT在农业中的研究格局，描述了关键趋
数字孪生（Digital Twin, DT）技术正在变革农业。DT是指实际农业系统的虚拟副本，通过实时数据进行更新，从而改变农业过程监控、模拟和优化的方式。近年来，DT在农业中的应用因其创新性而引起了广泛关注。本文重点阐述了DT在农业中的研究格局，描述了关键趋势和主要出版物，并指出了新的研究方向。共识别出657篇出版物，涉及23个学科领域，分布于87个国家，占研究文章的32%。中国以118篇（17.9%）文章领先，瓦赫宁根大学及研究中心（Wageningen University & Research）以21篇（3.19%）出版物脱颖而出，表明该领域正在兴起。对识别出的关键词进行共现分析，揭示了与农业DT相关的五大主题。结果表明，2018年至2025年间，该领域的研究兴趣持续增长，这从出版物、作者和参与国家数量的增加可以看出。研究人员观察到，一些核心技术如传感器、人工智能（Artificial Intelligence, AI）和数据分析已被广泛探索，但仍存在研究空白。新兴兴趣还包括气候韧性、可再生能源整合和供应链优化。本文还讨论了DT对研究、实践和政策的影响，并提出了利用DT提高农业生产率、可持续性和韧性的前进方向。
1 引言
全球农业面临人口增长、粮食需求增加、环境约束、病虫害以及气候变异性等多维挑战。传统依赖体力劳动、季节性常规和经验决策的农业系统，难以满足更高生产率、资源利用效率和韧性的要求。数字农业通过信息、通信和空间分析技术帮助用户规划、跟踪和控制农场运营，从而改善决策。低成本传感器、计算能力以及数据驱动预测模型的进步促进了农业数字化。数字孪生（Digital Twin, DT）作为连接物理和数字系统的桥梁受到广泛关注。本研究将DT定义为闭环系统，其中实时数据、决策和自动操作持续与物理资产交互。该论文采用文献计量方法分析农业DT研究格局，识别趋势、主要出版物和未来研究方向。
2 方法
2.1 数据收集
数据从Scopus数据库获取，检索式为“Digital Twin” AND “Agriculture”，共获得657条记录。数据下载于2025年11月14日。数据清洗过程中排除了与神经科学、物理学、天文学、健康科学和心理学等不相关主题，经过标题和摘要的人工筛选，最终保留657篇相关文献。
2.2 研究趋势分析和数据可视化
采用VOSviewer 1.6.20软件进行关键词共现分析和国家合著分析，并基于描述性统计提供研究趋势信息。期刊影响因子（Journal Impact Factor, JIF）来自2025年Journal Citation Reports。
3 结果
3.1 关键统计
657篇文献中，会议论文234篇（36%），研究文章210篇（32%），综述89篇（14%），图书章节69篇（11%），会议综述36篇（5%），图书14篇（2%），其他类型少于1%。英语文献631篇（96%），中文22篇（3.3%）。年度发文量呈现清晰上升趋势，2025年达到216篇（32.8%）。2023至2025年间发文量546篇（83%），表明该领域近年来增长迅速。
3.2 研究领域
计算机科学是主导研究领域，占62.2%；工程领域占48.5%；农业与生物科学占23.7%；数学、物理学和天文学分别占18.8%和13%。这表明DT研究主要受技术和计算驱动，而农业应用学科的代表性相对较低。
3.3 最受欢迎的期刊
《Computers and Electronics in Agriculture》发文21篇，被引867次，影响因子8.9，位居首位；《Agriculture》发表11篇，影响因子3.6；《Applied Sciences》排名第三，影响因子2.8。其他期刊也对领域有贡献，但影响因子相对较低。
3.4 最活跃机构
瓦赫宁根大学及研究中心（Wageningen University & Research）以21篇（3.19%）成为最活跃机构，其次是中国农业农村部（15篇；2.28%）和中国农业大学（14篇；2.13%）。排名前十的机构中有六个来自中国。
3.5 国家合著分析
研究文献分布于87个国家。中国以118篇（引用1129次）领先，印度105篇，美国66篇（引用1209次），意大利55篇，英国44篇。澳大利亚虽发文量不高但总引用次数最高（1371次）。合著网络分析显示45个国家具有至少五次共享合作。
3.6 关键词统计
关键词共现分析共识别4726个关键词，设定最小共现阈值10后得到105个关键词，聚类形成五个主题。
3.6.1 聚类1：农业中的智能技术和决策系统
该聚类包括人工智能（Artificial Intelligence, AI）、大数据、数据分析、决策支持系统、网络物理系统、实时监控、工业4.0、预测性维护、资源分配、网络安全管理、多智能体系统和供应链等。这些关键词反映了DT依赖计算智能处理农业信息并支持自动化决策的技术根基。
3.6.2 聚类2：数字作物管理
该聚类聚焦农业机械、作物、栽培、作物产量、机器学习、深度学习、强化学习、预测、可控环境农业、温室、灌溉、能源效率和虚拟现实等。DT通过机器学习与模拟方法实现作物生长预测和生产优化。
3.6.3 聚类3：数字传感器与自主农业技术
该聚类涵盖无人机、遥感、3D重建、农业机器人、边缘计算、数据集成、互操作性、区块链、精准农业和环境技术。此类技术支撑高分辨率田间监测和自主化作业，推动下一代农业发展。
3.6.4 聚类4：气候智慧型农业
该聚类包括可持续性、可持续农业、环境影响、生命周期评估、气候变化、全球变暖、粮食安全、数字化、人工智能和区块链。DT在此用于模拟气候风险并制定适应性管理策略。
3.6.5 聚类5：物联网驱动的农业
该聚类包括农业4.0、智慧农业、精准农业、物联网（Internet of Things, IoT）和数字孪生。通过IoT传感器网络与虚拟模型集成，实现实时数据驱动的田间管理和资源优化。
4 讨论
分析结果表明DT在农业中是新兴且快速发展的领域，作者、机构和国际间合作广泛。关键词共现显示研究热点集中在数字孪生、精准农业、物联网、人工智能、模拟和智慧农业。然而，疾病管理、气候韧性、供应链优化和先进决策支持系统等主题出现频率较低，表明这些方向仍存在研究空白。
4.1 对研究的意义
DT为预测性和规范性模型开发提供了平台，可在虚拟环境中测试多种农业情景，减少试错成本。该领域需要跨学科研究框架，整合农业知识、建模和数据分析，以解决数据异构性、模型验证和可扩展性问题。同时，标准化的数据收集与集成协议对提升DT模型的可靠性、可重复性和普适性至关重要。
4.2 对实践的意义
DT可应用于作物、土壤、牲畜、灌溉系统和全农场运营，帮助实施精准灌溉、养分管理和资源优化。实际部署面临成本高、技术复杂、农民技能不足、系统互操作性差以及数据安全与隐私等问题。因此，需要开发用户友好界面、经济型传感器网络和培训项目，促进小农户和商业农场的采用。
4.3 对政策的意义
DT系统依赖于实时数据、传感器网络和互联基础设施，许多小农户难以承担相关成本。政策可通过补贴、低息贷款、共享设备计划降低门槛，并鼓励私营部门开发低成本、可扩展的模块化DT方案。此外，需要制定数据隐私、所有权和互操作性标准，并引导研发资金向可持续性和气候韧性方向倾斜。目前计算机科学和工程学科占主导，农业生物科学参与不足，政策应促进跨学科整合。
局限性
该研究仅基于Scopus数据库，可能遗漏非英语来源、灰色文献以及在实践中试点项目。关键词搜索策略可能排除了使用“智慧农业”“精准农业”“农业4.0”等替代术语的相关研究。此外，DT在农场实际采用、经济可行性和社会接受度方面的实证证据有限，且技术快速进步可能使部分结论快速过时。
5 结论
DT技术通过整合土壤、作物、环境、机械和供应链数据，实现农业系统的连续监控、模拟和自适应控制。文献计量分析表明，该领域正在快速增长且具有多学科性质，应用范围从精准作物管理延伸到气候智慧型农业、自主系统和供应链优化。然而，前沿应用仍面临技术、基础设施、经济和制度等挑战。未来研究应重点发展决策导向的DT框架，特别是在决策支持和疾病管理方面，以释放DT在提高农业生产力、可持续性和韧性方面的潜力。
