编辑推荐：
数字孪生（Digital Twin, DT）技术正日益被认为是精准农业中的变革性工具，然而其在果树栽培中的应用仍较为分散且缺乏系统性。本文遵循PRISMA 2020方法学，对数字孪生技术在果树栽培中的应用进行了系统性文献综述。通过对Scopus和Web of
数字孪生（Digital Twin, DT）技术正日益被认为是精准农业中的变革性工具，然而其在果树栽培中的应用仍较为分散且缺乏系统性。本文遵循PRISMA 2020方法学，对数字孪生技术在果树栽培中的应用进行了系统性文献综述。通过对Scopus和Web of Science数据库的结构化检索，共纳入2019年至2025年间发表的38项研究进行综述。研究结果显示，现有研究高度集中于传感与物联网（Sensing and Internet of Things）、冷链与采后（Cold Chain and Postharvest）以及建模与仿真（Modeling and Simulation）三大领域。此外，该领域的数字孪生应用大多仍处于实验室验证阶段。瑞士、美国和中国在研究成果产出方面处于领先地位，而草莓、橙子和苹果是研究最为集中的作物种类。研究识别出的主要挑战包括：数据可用性有限、模型在不同品种间的可迁移性较差、实施复杂度高，以及供应链各环节之间集成不足。本综述强调，亟需建立标准化框架、开放数据集以及跨环节的数字孪生架构，以加速该领域从研究原型向实际部署的转化进程。
2. 材料与方法（Materials and Methods）
本研究采用PRISMA 2020方法学，在Scopus和Web of Science两大国际权威文献数据库中进行系统性文献检索。检索采用关键词组合（“Digital Twin” AND “Fruit”），限定2015至2025年间发表的英文文献。初检共获得236篇论文，去除52篇重复文献后，184篇进入筛选阶段。经标题与摘要筛查，排除会议论文及与研究目标不符的文献148篇，最终36篇论文纳入综述分析。为确保评估的客观性，两位独立评审人员依据系统规模、测试环境及运行条件对每篇论文的技术成熟度（Technology Readiness Level, TRL）进行评定，评审一致性达94.4%（Cohen’s κ = 0.92）。
3. 结果（Results）
3.1 地理分布（Geographical Distribution）：数字孪生研究高度集中于技术发达经济体。瑞士和南非为最主要贡献者，美国和中国持续产出大量研究，巴西和澳大利亚亦有相关研究发表。
3.2 年度研究数量（Studies by Year）：2015至2018年间无符合纳入标准的研究，最早研究发表于2019年。2021至2022年间该领域显著增长，2024年达到峰值，共发表11篇论文，整体呈快速上升趋势。
3.3 关键词分析（Keywords）：关键词分布凸显采后农业物流的核心地位，“冷链”（Cold chain）出现11次居首，“多物理场”（Multiphysics）和“柑橘”（Citrus）各出现6次。其余高频关键词涵盖Comsol仿真工具、冷藏集装箱、冷凝、冷害、物联网传感器、MQTT协议、机器学习及深度强化学习算法等，性能指标集中于延长货架期、资源节约及减少食物与质量损失。
3.4 学科领域（Subject Area）：三大主导研究领域为传感与物联网（Sensing and IoT，占30.6%）、冷链与采后（Cold Chain and Postharvest，占30.6%）及建模与仿真（Modeling and Simulation，占27.8%），合计占文献总量85%以上。
3.5 技术成熟度（Technology Readiness Level）：61.1%的文献处于TRL 4和TRL 5阶段，表明技术已超越概念阶段并在实验室及相关环境中进行评估；13.9%的研究推进至TRL 6，即在更真实环境中进行原型演示。
3.6 数字孪生类型与学科领域分布（DT Application by Type and Subject Area）：预测型（Predictive）数字孪生占主导地位，主要集中于冷链与货架期质量应用。自主型（Autonomous）和概念型（Conceptual）类别代表性明显不足，反映当前研究侧重仿真与建模而非全自主系统开发。
3.7 水果类型（Type of Fruit）：研究最集中的水果类别为橙子（11项）、草莓（8项）和苹果（6项）。橙子研究多采用基于物理的模型监测国际运输中的品质变化；草莓研究利用数字孪生环境训练机器人抓取与分级等精细操作；苹果研究则通过虚拟环境中的强化学习优化采摘机械臂运动。
3.8 供应链阶段（Supply Chain Stage）：采后阶段占58.3%，为主要研究聚焦点；采前阶段占25%；采收阶段占11.1%；全冷链仅占5.6%。研究显示，研究者认为产品采收后的供应链数字化优先级最高。
3.9 目标应用（Target Application）：2019至2021年间研究领域较为局限，主要涉及冷链物流、采后处理和品质评估；2022年后研究领域显著扩展，涵盖品质、货架期、零售、采收及生产等方向；2024年成为应用领域最多样化的年份。
4. 讨论（Discussion）
4.1 采后应用的发展与主导地位（Evolution and Dominance of Postharvest Applications）：数字孪生在果树栽培中的研究主要集中于采后环节，特别是冷库储存、冷藏运输及货架期预测。橙子、苹果和草莓等高价值且易受采后损失影响的作物占据文献主导地位。受控环境（如冷藏集装箱和仓库）便于物联网传感器部署，且具备清晰的生物学和物理学数据，有利于构建精确的计算机模型。
4.2 挑战与研究空白（Challenges and Research Gaps）：数据可用性与质量是最普遍的问题，传感器可靠性、维护及数据丢失在户外栽培环境中尤为突出。模型的可迁移性和可扩展性受限，数字孪生通常针对特定水果类型、品种或储存条件开发，适应新条件需大量重新校准。技术复杂性同样显著，数字孪生开发需整合硬件、软件及领域知识，导致多数系统停留在原型阶段。经济和组织因素如高实施成本和用户数字技能不足进一步阻碍了实际应用。
5. 结论（Conclusions）
数字孪生在果树栽培中展现出创新潜力，但当前研究仍处于早期阶段。数字孪生主要应用于采后环境，多数系统停留在TRL 4–5阶段，完全互联的数字孪生仍较为罕见。未来研究应着力于整合水果价值链的多环节流程，而非单一操作环节；加强数据管理，开发更稳健的传感方法以降低户外环境中的数据丢失；探索领域自适应和迁移学习技术以提高模型泛化能力；建立标准化建模方法和共享数据集，推动数字孪生从学术研究原型向实际商业部署转化。
