Создание единых экосистем данных и цифровых двойников в животноводстве

• СКВОРЦОВА Екатерина Геннадьевнакандидат экономических наук, ФГБОУ ВО Уральский ГАУuralmash91@list.ru

В статье рассматриваются теоретические и практические аспекты создания единых экосистем данных и цифровых двойников в животноводстве как ключевого направления цифровой трансформации отрасли. На основе анализа современных научных публикаций (2024–2026 гг.) определены архитектурные принципы построения цифровых двойников, включая многоуровневые и микросервисные подходы. Проанализированы методы интеграции разнородных источников данных: сенсоров Интернета вещей (IoT), систем компьютерного зрения, носимых устройств, спектроскопии молока, геномной информации и данных о кормлении. Рассмотрены проблемы верификации данных, обеспечения интероперабельности и кибербезопасности. Выявлен разрыв между технологическими обещаниями цифровых двойников и эмпирической доказательной базой: показано, что на сегодняшний день в коммерческих молочных и птицеводческих системах не развернуты полноценные цифровые двойники инженерного уровня. Предложены пути преодоления существующих барьеров, включая создание открытых и модульных архитектур, стандартизацию метаданных и разработку гибридных моделей, сочетающих физическое и статистическое моделирование. Сделан вывод о том, что успешная реализация цифровых двойников в животноводстве требует комплексного решения технических, экономических, этических и социальных проблем, а также разработки универсальных метрик для оценки их эффективности.

Ключевые слова: цифровой двойник, экосистема данных, точное животноводство, Интернет вещей, машинное обучение, интеграция данных, верификация, интероперабельность, молочное животноводство, устойчивое развитие

Введение

Современное животноводство сталкивается с беспрецедентным комплексом вызовов. Рост численности населения мира, урбанизация и повышение уровня благосостояния приводят к увеличению спроса на продукты животного происхождения. По прогнозам Продовольственной и сельскохозяйственной организации ООН (ФАО), глобальный спрос на продукты животного происхождения вырастет на 60–70% к середине XXI века. Одновременно с этим возрастают требования к устойчивости производства, благополучию животных, снижению выбросов парниковых газов и обеспечению продовольственной безопасности. В ответ на эти вызовы формируется новая парадигма — точное животноводство (Precision Livestock Farming, PLF), основанное на использовании сенсоров, Интернета вещей (IoT) и методов анализа данных для повышения эффективности управления животными.

Ключевым элементом этой парадигмы становится технология цифровых двойников (Digital Twins, DT) — динамических виртуальных реплик физических объектов и процессов, поддерживаемых в синхронизации с реальностью через непрерывные потоки данных.

Цифровые двойники в животноводстве представляют собой виртуальные копии не только отдельных животных, но и целых фермерских систем — от коров и кормов до зданий и оборудования. Они позволяют моделировать, прогнозировать и оптимизировать производственные процессы, обеспечивая принятие решений на основе данных в режиме реального времени. Однако, несмотря на значительный интерес и активные исследования, практическое внедрение полноценных цифровых двойников в коммерческом животноводстве остается ограниченным.

Цель настоящей работы —

систематический анализ современного состояния и перспектив создания единых экосистем данных и цифровых двойников в животноводстве.

В статье рассматриваются архитектурные подходы, методы интеграции данных, проблемы верификации и применения цифровых двойников, а также определяются направления будущих исследований.

Цифровой двойник представляет собой цифровую реплику физического объекта, системы или процесса, которая поддерживается в непрерывной двунаправленной связи с физическим оригиналом через обмен данными в реальном времени. В контексте животноводства физическими объектами могут выступать отдельные животные, группы животных, технологическое оборудование, производственные помещения или ферма в целом.

Ключевым отличием цифрового двойника от традиционных моделей и симуляций является его динамическая природа. В отличие от «моделей снимкового состояния», которые показывают, что должно происходить в среднем, цифровой двойник выступает как «живое зеркало», динамически предсказывающее, что происходит прямо сейчас и что произойдет с каждым животным при различных изменениях. В научной литературе выделяют несколько уровней зрелости цифровых двойников. В контексте животноводства важно различать: Цифровые модели — статические представления, не обновляемые в реальном времени.

Цифровые тени — односторонние реплики, получающие данные от физического объекта, но не воздействующие на него. Цифровые двойники — полноценные двунаправленные системы с обратной связью, позволяющие не только моделировать, но и оптимизировать физические процессы.

Критическое исследование, проведенное Нетираджаном (2026), показывает, что «ни одного полностью реализованного цифрового двойника инженерного уровня не развернуто в коммерческих молочных или птицеводческих системах сегодня». Существующие платформы лучше описывать как «почти-цифровыедвойниковые системы» с частичным сенсорным охватом и моделированием, прототипами, вдохновленными цифровыми двойниками, или системами поддержки принятия решений, которые часто маркируются как двойники, но не имеют непрерывной синхронизации и управления с обратной связью.

Цифровая трансформация

животноводства проходит несколько этапов. Первоначально данные собирались изолированно — отдельно по кормлению, надоям, здоровью животных, генетике. Следующий этап характеризовался интеграцией данных в рамках отдельных подсистем. Современный этап предполагает создание единых экосистем данных, где разнородные информационные потоки объединяются в целостную картину. Под экосистемой данных в животноводстве понимается совокупность взаимосвязанных источников данных, технологий их сбора, хранения, обработки и анализа, а также организационных и правовых механизмов, обеспечивающих эффективное использование информации для принятия решений. Как отмечается в исследовании, посвященном цифровизации свиноводства, «интеграция данных из множества источников позволяет генерировать стратегическую информацию высокой ценности».

Современные подходы к созданию экосистем данных для цифровых двойников в животноводстве основываются на многоуровневых архитектурах. В систематическом обзоре 108 публикаций (2021– 2025 гг.) предложена многослойная архитектура цифрового двойника, которая отображает технические и социально-этические проблемы на конкретные архитектурные механизмы и измеримые метрики оценки.

Эта архитектура включает следующие уровни:

Уровень сенсоров и сбора данных — охватывает все источники первичной информации: IoT-датчики, носимые устройства, системы компьютерного зрения, микрофоны для акустического анализа, газовые детекторы и другие.

Уровень передачи и предварительной обработки — обеспечивает сбор, фильтрацию, очистку и агрегацию данных с возможностью обработки на периферии (edge computing). Уровень хранения и управления данными — включает облачные и локальные хранилища, системы управления базами данных, обеспечивающие масштабируемость и доступность.

Уровень моделирования и аналитики — реализует физико-информированные модели, модели машинного обучения и гибридные подходы для прогнозирования и оптимизации. Уровень принятия решений и визуализации — предоставляет интерфейсы для фермеров, ветеринаров и управленцев, а также механизмы обратной связи с физическими системами. В экспериментальных сценариях было показано, что микросервисная реализация такой архитектуры повышает производительность на 35%, а использование технологии распределенного реестра (блокчейн) для мониторинга сокращает время обнаружения нарушений на 65%.

Важным направлением развития является создание открытых платформ для цифровых двойников. Примером служит фреймворк IUMENTA (лат. «скот»), разработанный в Вагенингенском университете. IUMENTA использует возможности Открытой платформы цифровых двойников (Open Digital Twin Platform, ODTP) и продвинутых программных сенсоров для создания адаптивных цифровых реплик животных. Фреймворк интегрирует данные из различных экспериментов в динамическую экосистему, отслеживая энергетический баланс животного, метаболические показатели, потребности в питании, эмоциональное состояние и общее благополучие.

Особого внимания заслуживает система EnergyTag — программный сенсор нового поколения для мониторинга энергозатрат в реальном времени, обеспечивающий непрерывное обновление и персонализацию цифрового двойника энергетического баланса. Проблема интероперабельности (совместимости) остается одной из ключевых. Исследования показывают, что внедрение цифровых двойников в сельском хозяйстве требует сбора широкого спектра данных, принадлежащих фермерам, животноводам и участникам продовольственной цепочки. Стандартизация форматов данных, семантических моделей и протоколов обмена является необходимым условием для создания по-настоящему интегрированных экосистем. Полноценный цифровой двойник в животноводстве должен интегрировать данные из множества источников:

Данные сенсоров окружающей среды — температура, влажность, концентрация аммиака и углекислого газа, освещенность.

Данные носимых устройств — акселерометры, гироскопы, датчики частоты сердечных сокращений, температуры тела, жвачной активности.

Данные компьютерного зрения — видеонаблюдение для распознавания индивидуальных животных, классификации поведения (стояние, сидение, лежание на груди, лежание на боку).

Данные о кормлении — состав кормов, потребление, конверсия корма.

Данные о продуктивности — надои молока, состав молока (жир, белок, соматические клетки), привесы.

Геномные данные — генетическая информация для селекционных программ.

Ветеринарные данные — история заболеваний, лечения, профилактических мероприятий.

Данные о поведении — паттерны активности, социальные взаимодействия в стаде. Интеграция этих разнородных данных, как отмечается в исследовании по точному животноводству, позволяет создавать «цифровые двойники — динамические виртуальные реплики физических ферм, позволяющие осуществлять сложную, проактивную оптимизацию».

Основой формирования данных для цифровых двойников являются технологии Интернета вещей. В животноводстве применяются следующие категории сенсоров: Датчики окружающей среды — измеряют микроклимат в помещениях, качество воздуха, освещенность.

Носимые датчики на животных — ошейники, ушные бирки, ножные датчики, жвачные болюсы для мониторинга активности, температуры, пульса, жвачки и потребления корма.

Системы автоматического взвешивания — для контроля привесов.

Доильные роботы и системы учета молока — обеспечивают данные о надое, составе молока, электропроводности (индикатор мастита). Системы компьютерного зрения — камеры для мониторинга поведения, упитанности, хромоты.

Как подчеркивается в обзоре Brown- Brandl и Tao (2025), «интеграция данных в реальном времени, собранных с сенсоров PLF, и цифровых двойников может трансформировать животноводство, делая его более эффективным и устойчивым».

Цифровые двойники открывают новые возможности для высокопроизводительного фенотипирования — массового сбора данных о фенотипических характеристиках животных. Как отмечается в исследовании по большим данным в животноводстве, «данные, генерируемые на умных животноводческих фермах, увеличили сложность и разнообразие фенотипов».

Современные подходы позволяют в автоматическом режиме собирать данные о поведении, продуктивности, здоровье и благополучии тысяч животных, создавая беспрецедентные по объему и детализации массивы данных для генетической оценки и селекции.

Перспективным направлением является использование данных дистанционного зондирования Земли для мониторинга пастбищных систем и оценки экологического следа животноводства. Как отмечается в публикации о Национальном цифровом двойнике Австралии, «новая суверенная космическая возможность, оснащенная ИИ, поможет фермерам и политикам принимать более быстрые стратегические решения». Спутниковые данные позволяют оценивать состояние пастбищ, доступность кормов и выбросы парниковых газов на уровне ферм. Качество исходных данных является критическим фактором, определяющим надежность цифровых двойников. Исследования показывают, что «необходимость в высококачественных данных, всеобъемлющих мерах по защите данных и интеграции через различные источники данных» является ключевым условием точной и эффективной реализации цифровых двойников.

Проблемы качества данных в животноводстве включают:

Пропуски данных — из-за отказов сенсоров, потери связи, проблем с питанием. Шум и выбросы — артефакты измерений, вызванные движением животных, электромагнитными помехами.

Несогласованность форматов — различные производители оборудования используют разные протоколы и форматы данных.

Задержки передачи — данные могут поступать с существенной задержкой, что снижает ценность для принятия решений в реальном времени.

Методы очистки и верификации данных включают как простые детерминированные правила (отбраковка значений за пределами биологических норм), так и сложные интеллектуальные системы на основе машинного обучения для обнаружения аномалий.

Как показано в систематическом обзоре по цифровым двойникам в сельском хозяйстве, семантическое представление и механизмы интероперабельности являются ключевыми факторами успешного внедрения. Стандартизация метаданных, разработка общих онтологий для животноводства и создание универсальных API для обмена данными — необходимые шаги для построения интегрированных экосистем.

Важным направлением является создание «доверенных и интероперабельных систем обмена данными с использованием семантического управления и федеративных графов знаний». Такой подход позволяет обеспечивать совместимость между различными системами и платформами при сохранении контроля над данными со стороны их владельцев. Вопросы кибербезопасности и защиты данных становятся все более актуальными по мере цифровизации животноводства. Как отмечается в исследовании многослойной архитектуры цифровых двойников, «масштабируемость и интероперабельность имеют высокое операционное воздействие и умеренную решаемость, тогда как безопасность данных и этические проблемы остаются серьезными барьерами на практике».

Среди основных угроз:

Несанкционированный доступ к данным о животных и производственных процессах.

Компрометация систем управления, ведущая к неправильным решениям.

Нарушение конфиденциальности данных фермеров и владельцев животных.

Технология распределенного реестра (блокчейн) рассматривается как перспективное решение для обеспечения проверяемости и доверия в системах точного животноводства. Одним из наиболее перспективных применений цифровых двойников является мониторинг здоровья животных и ранняя диагностика заболеваний. Как отмечается в обзоре по цифровым двойникам в управлении цепочками поставок животноводства, цифровые двойники эффективны в «мониторинге здоровья, профилактике заболеваний, анализе поведения и восприятия, экологическом контроле».

Цифровые двойники позволяют:

Обнаруживать отклонения в поведении, активности, потреблении корма и воды на ранних стадиях заболевания.

Прогнозировать риск заболеваний на основе комбинации данных.

Оптимизировать графики вакцинации и лечения.

Снижать использование антибиотиков за счет более точной и своевременной диагностики. Исследования показывают, что системы компьютерного зрения в сочетании с цифровыми двойниками могут классифицировать до семи типов поведения животных в коммерческих условиях.

Точное кормление является ключевым направлением применения цифровых двойников. Физико-информированные цифровые двойники позволяют прогнозировать тепловой стресс у животных и оптимизировать рационы. Как отмечается в исследовании, цифровые двойники могут «предсказывать физиологическое и физическое состояние животных и поведение на основе входных данных, что ведет к лучшему пониманию поведения животных, потребностей в питании, физиологического статуса или экологических стрессоров».

Системы автоматической корректировки рационов на основе данных индивидуального мониторинга позволяют повысить молочную продуктивность на 8% и более. Цифровые двойники также используются для прогнозирования конверсии корма и оптимизации составов рационов.

Цифровые двойники предоставляют инструменты для управления стадом на качественно новом уровне. Они позволяют: Прогнозировать тепловые циклы для оптимизации осеменения.

Оценивать долголетие и продуктивность животных.

Моделировать динамику стада и оптимизировать структуру.

Планировать выбраковку и замену поголовья.

Как отмечается в исследовании по свиноводству, цифровые двойники позволяют «оценивать ключевые параметры, влияющие на долголетие свиноматок и выживаемость поросят в период лактации».

Цифровые двойники находят

применение в управлении цепочками поставок животноводческой продукции. Они позволяют: Отслеживать продукцию от фермы до потребителя.

Оптимизировать логистику и снижать потери.

Оценивать углеродный след продукции.

Обеспечивать прозрачность и прослеживаемость.

Как подчеркивается в исследовании, «цифровые двойники также предлагают мощный инструмент для управления экологическим воздействием животноводства». Они позволяют в реальном времени мониторить и контролировать выбросы парниковых газов за счет оптимизации производственных процессов и использования ресурсов.

Особого внимания заслуживает применение цифровых двойников для мониторинга и снижения выбросов парниковых газов в животноводстве. Как отмечается в исследовании по энерго-осознанным цифровым двойникам для молочного животноводства, «цифровой двойник становится лабораторией принятия решений для фермы и, в конечном счете, ее операционной системой, интеллектуальным слоем, который координирует животных».

Цифровые двойники позволяют интегрировать данные о поведении животных, микроклимате, составе кормов, производстве молока, выбросах парниковых газов и энергопотреблении в единую эволюционирующую систему.

Несмотря на значительный

прогресс, внедрение цифровых двойников в животноводстве сталкивается с серьезными техническими проблемами:

Масштабируемость — системы, работающие на отдельных животных или небольших группах, сложно масштабировать на уровень коммерческих ферм с тысячами голов. Надежность сенсоров — датчики должны работать в сложных условиях (влажность, пыль, агрессивная среда, физическое воздействие животных).

Связность — во многих сельских районах отсутствует устойчивое интернет-соединение. Энергопотребление — автономные датчики требуют частой замены батарей или подзарядки.

Стоимость внедрения — капитальные и операционные затраты на цифровизацию ферм остаются высокими.

Как отмечается в критическом обзоре по цифровым двойникам для коров и кур, «систематическая отчетность о частоте отказов, простоях и отказе от технологий почти отсутствует, что оставляет неопределенности относительно долгосрочной надежности».

Внедрение цифровых двойников требует значительных инвестиций в оборудование, программное обеспечение, инфраструктуру и обучение персонала. Для многих фермеров, особенно в развивающихся странах, эти затраты непосильны. Как показывают исследования, «барьеры внедрения сохраняются по техническим, экономическим и социальным измерениям».

Внедрение цифровых двойников в животноводстве порождает ряд социально-этических вопросов:

Благополучие животных — не вызывает ли постоянный мониторинг стресс у животных? Конфиденциальность данных — кто имеет доступ к данным о ферме и животных?

Прозрачность алгоритмов — насколько понятны фермерам решения, предлагаемые системами ИИ?

Цифровой разрыв — не приведет ли цифровизация к усилению неравенства между крупными и мелкими производителями?

Как подчеркивается в исследовании, важны «прозрачность и доверие», а также «права на данные» фермеров.

Одной из наиболее серьезных проблем является значительный разрыв между технологическими обещаниями цифровых двойников и эмпирической доказательной базой. Как показано в систематическом обзоре по птицеводству, «ни одно рецензируемое исследование не количественно оценило полный жизненный цикл углеродного следа инфраструктуры цифровых двойников в птицеводстве. Только одно исследование с полевой валидацией сообщает об измеримом улучшении коэффициента конверсии корма, и дизайн этого исследования ограничивает его применимость».

Аналогичные выводы представлены в исследовании по молочному и птицеводческому животноводству: «требуется строгая валидация в коммерческих условиях, интеграция механистического и статистического моделирования, открытые и модульные архитектуры».

Перспективным направлением является разработка гибридных моделей, сочетающих физико-информированное моделирование (основанное на биологических и физических законах) и статистическое моделирование (на основе данных). Такой подход позволяет использовать сильные стороны обоих методов: физические модели обеспечивают интерпретируемость и обобщаемость, а модели данных — точность и адаптивность.

Как отмечается в исследовании, «гибридные подходы, сочетающие физико-информированные и модели на основе данных» являются ключевым направлением развития цифровых двойников.

Федеративное обучение — подход, при котором модели обучаются на распределенных данных без их централизации — представляет собой перспективное решение проблемы конфиденциальности данных. Как отмечается в проекте по сохранению конфиденциальности в молочном животноводстве, «федеративное обучение в сочетании с цифровыми двойниками и большими языковыми моделями» позволяет оптимизировать принятие решений при сохранении конфиденциальности данных.

Критически важным направлением является разработка стандартизированных метрик для оценки эффективности цифровых двойников. Как отмечается в обзоре по птицеводству, «стандартизированная система оценки эффективности, специфичная для птицеводства, не была установлена». Без общих метрик невозможно сравнивать различные системы и определять лучшие практики.

Необходимы исследования по оценке полного жизненного цикла инфраструктуры цифровых двойников, включая углеродный след производства и утилизации оборудования. Как подчеркивается в критических обзорах, «жизненные циклы углеродного воздействия цифровых инфраструктур редко количественно оцениваются, даже когда преимущества устойчивости часто утверждаются».

Дальнейшее развитие цифровых двойников в животноводстве будет определяться их интеграцией с другими технологиями Индустрии 4.0 и Сельского хозяйства 4.0. Как отмечается в исследовании, «будущее PLF выглядит многообещающим с достижениями в области искусственного интеллекта, машинного обучения, блокчейна и дополненной реальности, которые, как ожидается, будут стимулировать дальнейшие инновации и расширять возможности цифровых двойников».

Заключение

Цифровые двойники и единые экосистемы данных представляют собой одно из наиболее перспективных направлений цифровой трансформации животноводства. Они позволяют интегрировать разнородные потоки данных — от сенсоров IoT и систем компьютерного зрения до геномной информации и данных о кормлении — в целостные динамические модели, обеспечивающие принятие решений на основе данных в реальном времени.

Однако анализ современного состояния исследований и практических внедрений выявляет значительный разрыв между технологическими обещаниями и эмпирической доказательной базой. Как показывают систематические обзоры, на сегодняшний день в коммерческих молочных и птицеводческих системах не развернуты полноценные цифровые двойники инженерного уровня.

Успешная реализация цифровых двойников в животноводстве требует комплексного решения взаимосвязанных проблем:

Технических — масштабируемость, надежность сенсоров, интероперабельность, качество данных.

Экономических — снижение стоимости внедрения и эксплуатации, разработка экономически эффективных решений для фермеров разного масштаба.

Социально-этических — обеспечение благополучия животных, конфиденциальности данных, прозрачности алгоритмов и доверия фермеров.

Методологических — разработка гибридных моделей, стандартизация метрик эффективности и методов валидации.

Перспективными направлениями будущих исследований являются разработка открытых и модульных архитектур, федеративное обучение для сохранения конфиденциальности данных, оценка жизненного цикла цифровых инфраструктур и интеграция цифровых двойников с другими технологиями Индустрии 4.0.

Как справедливо отмечается в исследовании, «прогресс для коров и кур потребует строгой валидации в коммерческих условиях, интеграции механистического и статистического моделирования, открытых и модульных архитектур и структур управления, которые поддерживают биологическую, экономическую и экологическую подотчетность». Только при выполнении этих условий технология цифровых двойников сможет реализовать свой потенциал по трансформации животноводства в более эффективную, устойчивую и этичную отрасль.

Список литературы

1. Brown Brandl T.M., Tao J. ASAS NANP Symposium: mathematical modeling in animal nutrition: harnessing real time data and digital twins for precision livestock farming // Journal of Animal Science. 2025. Vol. 103. P. skaf138. DOI: 10.1093/ jas/skaf138.
2. Neethirajan S. Digital Twins for Cows and Chickens: From Hype Cycles to Hard Evidence in Precision Livestock Farming // Agriculture. 2026. Vol. 16, No. 2. Art. 166. DOI: 10.3390/agriculture16020166.
3. Neethirajan S.R. Digital Twins in Poultry Farming: Deconstructing the Evidence Gap Between Promise and Performance // Applied Sciences. 2026. Vol. 16, No. 3. Art. 1317. DOI: 10.3390/app16031317.
4. Albayrak A. A multi layered digital twin framework for smart agriculture and livestock: System architecture and implementation challenges // Information and Software Technology. 2026. Vol. 175. Art. 107654.
5. Arulmozhi E., Lee J., Kim D. et al. From Reality to Virtuality: Revolutionizing Livestock Farming Through Digital Twins // Agriculture. 2024. Vol. 14, No. 12. Art. 2231. DOI: 10.3390/agriculture14122231.
6. Abdelrahman M., Wang H., Smith J. et al. From machine learning to digital twin integration for livestock production and research // Frontiers in Veterinary Science. 2026. Vol. 13. Art. 1529760. DOI: 10.3389/fvets.2026.1529760.
7. Youssef A., Vodorezova K., Aarts Y. et al. IUMENTA: A generic framework for animal digital twins within the Open Digital Twin Platform // arXiv. 2024. arXiv:2411.02178. URL: https://arxiv.org/ abs/2411.02178 (дата обращения: 02.07.2026).
8. Morgan Pereira P.H., de Oliveira R., Ferreira L. Digital twins in agriculture: A systematic literature review on modeling, semantics, and interoperability // Smart Agricultural Technology. 2026. Vol. 10. Art. 100345.
9. Van der Tol P.P.J., de Vries M., van der Werf H. From isolated data to integrated ecosystems: the artificial intelligence revolution in precision livestock farming // Animal Frontiers. 2026. Vol. 16, No. 1. P. 5–12.
10. Kumar S., Gupta P., Singh R. Harnessing digital twins: transforming livestock supply chain management: a comprehensive review // International Journal of Logistics Research and Applications. 2026.

Скачать