如今，每家农业科技（CEA）供应商都在谈论“数字孪生”这个词。但打着这个名号出售的产品，大多只是一个带有历史图表的仪表盘。而“数字孪生”的内涵其实更为精确定义且实用得多：它是你作物的一种模型，能够随时间推移向前推演，与真实作物同步运行，并在模型预测与实际情况不符时进行修正。以下是在实际运营的农场中，实现这一目标所需的具体条件。
在受控环境农业中，数字孪生是一种与农场同步运行的实时作物模型，它采集传感器数据，预测生物量和收获日期，并根据实际收获重量进行校正。实际上，这需要三个要素：可靠的传感器、与实际数据相匹配的作物模型，以及一个能够随时间推移追踪预测误差的校准循环。
什么是数字孪生，什么不是数字孪生
这一概念并非源自农业，而是源自产品生命周期管理。该领域的框架一直包含三个部分——实体产品、虚拟产品以及二者之间的数据连接。这一框架由迈克尔·格里夫斯（Michael Grieves）提出，后来在NASA的一份路线图中被命名为“数字孪生”。而CEA项目失败的原因，恰恰在于这第三个部分。 许多农场都安装了传感器，也建立了模型，但极少数能实现实时双向连接——即模型根据传感器数据进行更新，而模型的输出结果又能改变现场工作人员的操作。
一个实用的CEA双胞胎系统能完成四项任务。它能预测温室中每批作物的生物量积累情况和收获日期。它能在您做出决定前解答“假设”问题——例如，如果我提高二氧化碳浓度或将夜间温度降低两度，第28天的鲜重会发生什么变化？它还能标记异常情况，即预测轨迹与实际观测轨迹之间的偏差，这通常是灌溉故障或照明故障的最早征兆。 此外，它还会生成一个置信区间，而非单一数值，因为没有误差界限的点估计无法用于交付承诺。
它不是什么：既不能取代种植者的判断，也不能替代记录。如果您的批次数据存储在电子表格中，其中品种名称不一致且没有可靠的播种时间戳，那么您面临的问题并非“数字孪生”问题，而是数据问题。请先修复记录系统——参见《农场管理软件在室内农业运营中的战略作用》——然后再在此基础上叠加预测功能。
传感器覆盖范围决定了您实际上可以运行哪种模型
这是供应商通常会忽略的部分。已发布的作物模型在所需输入数据方面存在巨大差异，如果选择了一个你的仪器无法提供相应数据的模型，最终得出的结果只会是毫无根据的胡说八道。
像范·亨滕（Van Henten）在瓦赫宁根大学为温室气候控制所验证的动态生长模型这样的机制性生菜模型，需要连续的温度、二氧化碳和辐射数据。考虑水蒸气压缺口的变体将湿度作为首要驱动因子，这在密封的垂直农场中尤为重要，因为在那里，蒸腾作用与除湿负荷紧密耦合。番茄研究采用的是简化状态变量模型TOMGRO的衍生版本，该模型是专门为控制应用而刻意精简的。 而在另一端，SIMPLE通用作物模型仅使用13个参数来指定作物类型，其中4个参数与特定品种相关——这正是该模型之所以能很好地应用于那些尚未有人为其校准过完整机理模型的作物（如特色香草和十字花科作物）的原因。
因此，实际的操作顺序与大多数运营商的做法恰好相反。不要先选定模型再去购买传感器。应先盘点出能够可靠测量的参数、测量间隔以及校准记录，再据此确定模型类别。
| 方法 | 它需要你做什么 | 获得第一个有效输出所需的时间 | 在您从未跑过的路况下也能表现出色吗？ | 典型失效模式 |
|---|---|---|---|---|
| 基于机制的常微分方程作物模型 | 连续气候数据——温度、二氧化碳、光照，最好还包括湿度/VPD | 立即生效；参数来自已发表的文献 | 是的——生理学可以外推 | 校准不当的品种参数会使每次预测都向同一方向产生偏差 |
| 基于自身历史数据的机器学习 | 许多已完成的批次，均附有清晰标签和采收重量 | Long——你需要先查看批处理历史记录 | 不——在训练包线之外会发生性能下降 | 仿佛它们是生物体一般，学会了你的坏习惯和故障传感器 |
| 基于历史收益率的回归分析 | 仅限收获记录和播种日期 | 天 | 不 | 无法回答“如果……会怎样”这类假设性问题，因此它永远不会改变任何决定 |
| 供应商提供的黑匣子，无校准端点 | 订阅 | 立即 | 不可知 | 由于无法对错误进行审核，信任度便会逐渐削弱，最终导致该工具被闲置 |
当双胞胎和体重秤的读数不一致时会发生什么？
这就是对整个流程进行评估的关键时刻，而正确的做法是记录实际数值，并让系统自行测算误差。标准指标是平均绝对百分比误差——即各批次中 |预测值 − 实际值| / 实际值的平均值。如果没有一个能够采集收获实际数据的校准路径，数字孪生就无法区分是模型出错、传感器出错，还是作物本身确实质量不佳。
大多数偏差可追溯至仪器设备而非生理因素。pH和电导率（EC）探头通常是罪魁祸首：美国农业与生物工程学会（ASABE）关于自动漂移补偿的研究指出，长时间浸泡在溶液中的探头会出现信号漂移，从而降低测量精度。如果二氧化碳传感器读数低了200 ppm，会导致机制模型在数月内低估生长量，而你却会把责任归咎于模型。请像记录消毒操作一样记录校准操作，包括时间戳和操作人员信息。
第二个常见原因在于设定值与实际运行状况之间存在偏差。康奈尔大学的水培生菜项目长期以来一直建议，生菜的每日目标光积分（DLI）应约为17 mol/m²/天。如果双通道控制器根据预设的DLI而非在冠层高度测得的DLI进行控制，那么在灯具老化或驱动器故障的每个货架上，产量都会被高估。应在冠层处进行测量，而非在控制器处。
基于这一循环构建的自动化并非纸上谈兵。瓦赫宁根大学的“自动温室挑战赛”中，来自世界各地的团队已能够自主管理照明、供暖、二氧化碳注入、灌溉和施肥；在2024–2025年度的赛事中，各团队甚至实现了番茄作物全生命周期的自主管理。这与商业化农场之间的差距，很少在于算法本身，而在于数据质量。
AGEYE 是如何处理这一问题的
CultivAid Predict 是 AGEYE 的农业数字孪生和预测引擎。它运行六个作物常微分方程（ODE）模型——NICOLET B3 生菜、Van Henten 生菜、Xu-Du VPD 感知型生菜、TOMGRO 番茄、SIMPLE 通用模型以及对数逻辑香草模型——并支持涵盖生菜、香草、十字花科蔬菜、番茄、草莓和微绿蔬菜等类别的 16 个作物品种。
对于上述传感器覆盖问题，关键的设计选择是“基于传感器意识的模型路由”：Predict 将传入的数据流分类为“全功能传感器”、“基础传感器”或“气候优化”，并根据实际可用的数据为每种作物选择最佳模型。一个场景端点负责处理“假设”条件的变化。一个校准端点记录实际收成数据，并追踪预测误差（MAPE）与预测值的对比情况，因此预测误差是一个可测量的量，而非一种假设。 预测结果附带参数置信区间，引擎会执行异常检测。对于超出单批次范围的运营规划，Predict 包含一个多代理农场模拟系统，该系统拥有 6 个代理和 18 种行动类型。
Predict 的网址是predict.ageyetech.com。正在权衡预测与硬件投入成本的农场主，还应阅读《农场自动化何时能收回成本？真实数据解析》一文。
这意味着什么
双胞胎的商业价值并不在于其农艺上的新奇性——而在于其能够做出可信的未来承诺。Plenty公司申请第11章破产保护及随后的重组提醒我们：室内农业的评价标准是能否按合同交付货量，而非已展示的能力。 叶菜类买方要求在指定日期交付特定数量的箱装产品，若未达标将面临违约金。未来几年，能够赢得多年期承购协议的运营商，将是那些能够逐批次展示自身预测的校准误差率，并且通过植株冠层而非控制器进行调控的企业。这才是可审计的声明，而仪表盘数据则不然。
如果您想在确定采用哪种建模方案之前，先了解当前传感器覆盖范围能支持哪些功能，不妨先试用免费的PPFD转DLI计算器和 作物盈利能力计算器。
