Digital twin forestry as an informatics framework integrating remote sensing ecosystem modelling and data assimilation
Niamjit Das · Kevin Andrew
系统综述数字孪生林业，提出遥感与生态模型同化耦合框架。
PRISMA 2020 综述 57 篇文献，整合多源遥感、生态模型与数据同化。
多数林业数字孪生仍处原型阶段，热带与寒带森林代表性不足。
可探索物理知情机器学习与云原生工作流，填补热带、寒带森林近实时同化监测空白。
系统综述提出数字孪生林业框架，方法新颖、结论有据，对农业信息化中的遥感与生态建模有参考价值，但属学术综述而非产业级事件。
森林对地球系统至关重要，调节着碳、水和生物多样性循环，同时支撑着生态系统韧性。然而，森林面临气候和土地利用变化日益增大的压力，需要将高分辨率观测与先进生态系统模型相联系的综合性信息学方法。本系统综述将数字孪生林业（Digital Twin Forestry, DTF）定义为一个新兴范式，即通过数据同化将多传感器地球观测数据与生态系统模型持续耦合，从而实现动态的、具有不确定性感知的预测和适应性决策支持。遵循PRISMA 2020指南，我们综合了2016年至2025年间发表的57项同行评审研究，这些研究将地球观测数据集与生态系统建模和数据同化框架相结合。已展示的进展包括立方星（CubeSat）星座、星载激光雷达、无人机高光谱系统和混合机器学习代理模型。集合卡尔曼滤波和粒子滤波等数据同化方法充当多时相观测与动态模型状态之间的计算桥梁。结果显示生物群系代表性不均衡，热带和寒带森林相对于温带地区代表性不足，凸显了生物多样性丰富地区的公平性问题。尽管大多数林业数字孪生仍处于原型或早期运行阶段，但传感平台与模型的持续耦合展示了超越静态资源清查的近实时预测潜力。未来优先方向包括物理信息机器学习、符合FAIR原则的云原生工作流程，以及扩大代表性不足生态系统的监测。将生物多样性和韧性监测嵌入近实时、不确定性感知的工作流程将至关重要，使DTF能够发展为可操作的系统，为气候韧性森林管理提供适应性、政策相关的决策支持。本综述为推进DTF提供了综合性路线图，助力全球可持续发展并支持联合国可持续发展目标，包括气候行动（SDG 13）和陆地生物（SDG 15）。