范围：ISU 从事「AI / 机器学习 / 计算机视觉 / 机器人 / 数据科学 × 农业」的主要 PI 团队及其项目 重点：近 5 年（2020–2025），每个项目突出「要解决什么问题」 结构：每个 PI 为一章，其每个项目为一小节，项目在章内按时间线（早→晚）排列 整理日期：2026-07-20 ｜ 图片已尽量下载至本地 images/isu/，个别被防抓取拦截的给出源页链接

目录

• 第 0 章 · 机构总览：AIIRA（AI Institute for Resilient Agriculture）
• 第 1 章 · Baskar Ganapathysubramanian（机械工程；AIIRA 主任）
• 第 2 章 · Soumik Sarkar（机械工程；AIIRA 副主任；TrAC 主任）
• 第 3 章 · Asheesh K. Singh & Arti Singh（农学；大豆育种与表型）
• 第 4 章 · Patrick S. Schnable（Plant Sciences Institute 主任；玉米基因组）
• 第 5 章 · Lie Tang（农业与生物系统工程；农业机器人）
• 第 6 章 · Amy Kaleita（土壤水文、精准农业、数据科学）
• 第 7 章 · 其他相关团队与外部支柱
• 附：竞争格局要点 & 全部来源

第 0 章 · 机构总览：AIIRA — AI Institute for Resilient Agriculture

ISU 是全美农业 AI 最集中的重镇，其核心是 AIIRA 国家级 AI 研究所。理解 ISU 的农业 AI，必须先理解 AIIRA——它把下面几乎所有 PI 串在一起（Ganapathysubramanian × Sarkar × A.K. Singh × A. Singh × Schnable 高度交叉合作）。

基本信息

要解决的核心问题：为植物构建「AI 驱动的、可预测的数字孪生（predictive digital twins）」，覆盖单株—小区—田块三个尺度，用于提升美国农业系统的气候韧性、可持续性与生产者盈利能力。它真正首创并冠名的领域词是 Cyber-Agricultural Systems（CAS，信息/网络农业系统）。

合作机构：ISU（牵头）、Carnegie Mellon、University of Nebraska–Lincoln、NYU Tandon、George Mason、University of Missouri、University of Arizona（CyVerse）、Oklahoma State、University of Delaware、Iowa Soybean Association。产业/政府伙伴：Microsoft、Google X / Mineral、John Deere、Corteva、Bayer、USDA-ARS 等约 36 家。

四大战略推力（Thrusts）：(1) Build 构建数字孪生的理论/算法/软硬件；(2) Deploy 面向育种与作物生产落地；(3) Adopt & Democratize 借社会科学 + cyberinfrastructure 促采纳与公平；(4) Education & Workforce 培养「Cyber Agricultural Systems」新学科人才。

五大「登月计划」（Moonshots）——即 AIIRA 的具体研究单元：

AIIRA 的植物数字孪生（predictive digital twin）示意图。来源：https://aiira.iastate.edu/research/project-summary/

2021 年 AIIRA 启动新闻配图：单株—田块尺度的数字孪生。来源：https://research.iastate.edu/2021/07/29/20-million-federal-grant-launches-ai-institute-for-resilient-agriculture/

AIIRA 代表性数据集/模型产出（2024–2025）：Arboretum/BioTrove（1.346 亿张图像、NeurIPS 2024 Spotlight）、WeedNet（全球杂草识别基础模型）、AgReason/AgThinker（农业推理基准与小推理模型）、AgEval（多模态 LLM 表型基准）、AgGym（生物胁迫仿真 + 深度 RL 施药）、植物可穿戴 patch 传感器。这些在各 PI 章节中详述。

第 1 章 · Baskar Ganapathysubramanian（机械工程；AIIRA 主任）

简介：Joseph C. and Elizabeth A. Anderlik 讲席教授（机械工程），计算可持续性课题组（BGLab），长期主题是 "doing more with less"——用领域自适应 / 自监督规避大规模标注需求。GitHub：github.com/baskargroup。是 AIIRA 与 COALESCE 两大旗舰的核心 PI，方法根子在科学机器学习 / 神经算子 / 几何深度学习，农业是其方法的落地场。

1.1 可解释深度视觉植物胁迫表型 & 深度学习产量预测（2018–2022，奠基线）

• 时间：2018–2022（持续被引）
• 团队：Ganapathysubramanian、A.K. Singh、A. Singh、Sarkar
• 要解决的问题：大田作物胁迫（病害、缺铁黄化、营养胁迫）传统靠专家目测，慢、主观、不可扩展；产量预测需同时纳入基因型与气象。
• 方法与成果：PNAS 2018 提出可解释深度机器视觉框架识别大豆胁迫（无需像素级标注即可量化严重度）；"Crop yield prediction integrating genotype and weather variables using deep learning"（2021，约 281 引用）；"Challenges & opportunities in machine-augmented plant stress phenotyping"（2021，约 270 引用）；UAS 育种表型（2021，约 164 引用）。

1.2 COALESCE（2021–2026，作为核心 co-PI）

数字孪生 + 超精准农业的 NSF/USDA CPS Frontier 项目，$7M，Sarkar 主导（详见 第 2 章 2.2）。

1.3 Digital Twins of Plants（AIIRA 旗舰线，2021–2026）

• 时间：2021–2026（持续）
• 要解决的问题：加速育种与精准管理——在对真实作物动手前，先在虚拟世界跑成百上千次「what-if」仿真，寻找理想株型（ideotype）。
• 方法：NeRF 三维重建 + 实时传感器动态更新 + 点云（每株 8000–9000 万点）+ ML 代理模型耦合力学模型。

Ganapathysubramanian、Krishnamurthy、Sarkar 构建植物数字孪生。来源：https://www.eurekalert.org/news-releases/1079382

1.4 Evaluating NeRFs for 3D Plant Geometry Reconstruction in Field Conditions（2024）

• 时间：2024（arXiv 2402.10344，Plant Phenomics）
• 要解决的问题：低成本、非破坏性地捕捉叶脉、分枝等细节，用于田间数字孪生。
• 方法与成果：对比 Instant-NGP、NeRFacto、TensoRF；iPhone 13 Pro RGB + COLMAP 位姿 vs FARO LiDAR 真值。NeRFacto 最佳，室外 F1 约 74.65%，约 30 分钟 GPU 训练。

1.5 BioTrove / Arboretum（NeurIPS 2024 Spotlight）

• 时间：2024（arXiv 2406.17720）
• 要解决的问题：缺少大规模、高质量、ML-ready 的生物多样性影像（尤其稀有物种）来训练农业/生态 AI。
• 方法与成果：4000 万图文对（BioTrove-Train，来自 iNaturalist，覆盖约 32.7 万物种、1.346 亿张专家校验图像），发布三个 CLIP 模型 BT-CLIP-O/B/M。NeurIPS 2024 Datasets & Benchmarks Spotlight。
• 图片：BioTrove 门类分布图（GitHub 有防抓取，见源页）：https://github.com/baskargroup/BioTrove

1.6 AgEval：多模态 LLM 植物胁迫表型基准（2024）

• 时间：2024（arXiv 2407.19617，WACV 2025）
• 要解决的问题：胁迫表型依赖专家、慢、主观、难扩展；能否用多模态 LLM 零/少样本替代？
• 方法与成果：12 个数据集（识别/分类/量化），评测 GPT-4V/4o、Claude 3.5 Sonnet、Gemini 1.5、LLaVA-1.6-34B。8-shot 将最佳 F1 从 46.24% 提升到 73.37%。

1.7 SC-NeRF：单相机植物点云重建（CVPR 2025 Workshop）

• 时间：2025（arXiv 2503.21958）
• 要解决的问题：标准 NeRF 需相机绕行；在植株随转盘/传送带旋转的高通量表型场景不可行。
• 方法与成果：COLMAP + ArUco 位姿 → 位姿变换 → 带 ROI 的 NeRF，输出 1000 万点云；各植株 F-score≈100。

SC-NeRF 单固定相机植物三维重建工作流。来源：https://baskargroup.github.io/SC-NeRF/

SC-NeRF 重建的玉米点云渲染。来源：https://baskargroup.github.io/SC-NeRF/

1.8 WeedNet：全球杂草识别基础模型（2025）

• 时间：2025（arXiv 2505.18930）
• 要解决的问题：田间杂草物种识别难以泛化、边缘部署难。
• 方法与成果：自监督基础模型，global-to-local；1,593 种全球杂草 91.02% 准确率，85 种爱荷华杂草 97.38%，可边缘部署。

其他方法工具（baskargroup GitHub）：FlowBench（多相流 SciML 基准）、DI-DeepONet（导数信息算子学习）、MaizeField3D/AgriField3D（田间玉米 3D 点云数据集）、FloraForge（LLM 辅助程序化 3D 植物模型）——为数字孪生提供底层「科学 ML」引擎。

MaizeField3D / AgriField3D：田间玉米地面激光点云 + 逐叶分割数据集。来源：https://github.com/baskargroup/MaizeField3D

第 2 章 · Soumik Sarkar（机械工程；AIIRA 副主任；TrAC 主任）

简介：机械工程正教授，Walter W. Wilson Faculty Fellow；2014 年从工业界（cyber-physical systems）加盟 ISU，把制造/航空的信息物理系统方法移植到农业，开创 Cyber-Agricultural Systems（CAS） 概念。2022 年起任 ISU Translational AI Center（TrAC） 主任。实验室：SCSLab。

2.1 Cyber-Agricultural Systems（CAS）框架（2020– 至今，概念/综述线）

• 时间：2020– 至今（代表综述 Trends in Plant Science, 2023）
• 要解决的问题：把分散的传感、建模、决策整合成「智能、互联、响应敏捷」的农场，破解精准农业的碎片化。
• 框架三要素：数据吸收（卫星/无人机/机器人上的传感器与相机）→ 建模与预测 → 决策支持应用。组织了 6 届 MLCAS（Machine Learning for Cyber-Agricultural Systems） 会议。

Cyber-Agricultural Systems（CAS）框架总览。来源：https://www.cals.iastate.edu/news/2025/iowa-state-scientists-usher-cyber-agricultural-future

2.2 COALESCE（2021–2026，主导 PI）

• 全称：COntext Aware LEarning for Sustainable CybEr-agricultural systems
• 时间/资助：2021 年 4 月宣布，NSF/USDA-NIFA Cyber-Physical Systems Frontier，5 年 $7M
• 团队：Lead PI Sarkar（ISU）；co-PI Girish Chowdhary（UIUC）、Nirav Merchant（Arizona/CyVerse）；ISU 团队含 A.K. Singh、A. Singh、Ganapathysubramanian
• 要解决的问题：把精准农业推进到「超精准农业（ultra-precision agriculture, scale-agnostic）」——在单株层级感知/建模/决策，让农户以更低成本、更高敏捷性、更小环境影响应对作物胁迫，减少除草剂/化肥/水投入。
• 方法：个体化感知 + 个体化建模 + 个体化执行（context-aware ML + 协同机器人团队）。

2.3 深度强化学习驱动的植物胁迫仿真与精准施药（2024–2025）

• 时间：2024–2025
• 要解决的问题：机器人管理植物病害时，如何在有限电量/资源下最大化覆盖染病区并最小化农药。
• 方法与成果：
  • AgGym（arXiv 2409.00735）：模块化生物胁迫扩散与产量损失仿真环境，用 deep RL 训练超精准施药策略；有限真实数据即可定制；开源。
  • HAM-PPO（Smart Agricultural Technology, 2025）：分层动作掩码 PPO，高层指导探索、低层优化导航与精准喷洒；显著优于「割草机式」全田喷洒的产量恢复与化学成本，对观测噪声鲁棒。

2.4 深度学习表型/检测/产量（高被引论文线，与 Singh、Ganapathysubramanian 共著）

• 时间：2016–2021（持续被引，方法奠基）
• 要解决的问题：把病/虫/胁迫当「异常」检测与定级，实现高通量、可解释、少标注的表型。
• 代表作："Machine learning for high-throughput stress phenotyping"（TiPS 2016，约 1,443 引用）、"An explainable deep machine vision framework for plant stress phenotyping"（PNAS 2018，约 710 引用）、"Plant disease identification using explainable 3D deep learning on hyperspectral images"（Plant Methods 2019，约 556 引用）、"Weakly supervised sorghum head detection"（Plant Phenomics 2019）、"Crop yield prediction …"（PLOS One 2021）。

Soumik Sarkar。来源：cals.iastate.edu

第 3 章 · Asheesh K. Singh（"Danny"）& Arti Singh（农学；大豆育种与表型）

简介：夫妻档 PI，是 AIIRA/COALESCE 的农学落地核心。A.K. Singh 任农学院研究与发现副院长、Bayer 大豆育种讲席；A. Singh 专注机器学习早期病害/胁迫识别与抗性遗传（实验室品牌 Soynomics）。他们不是简单「用 CNN 分类」，而是把 ML 嵌入育种决策闭环。

3.1 大豆胁迫图像表型（Soybean Stress Image-Based Phenotyping，2016– ）

• 时间：2016– 持续（Baker Center 项目）
• 团队：A.K. Singh（Lead）、A. Singh、Ganapathysubramanian、Sarkar、Daren Mueller、Greg Tylka
• 要解决的问题：大豆病害/缺铁黄化/线虫等胁迫的自动化、可解释识别，替代专家目测。
• 方法与成果：可解释深度网络分类病害；高光谱波段选择（遗传算法 + SVM）；自编码器检测稀有目标（大豆胞囊线虫 SCN 卵）；识别精度媲美受训专家，SCN 卵计数大幅提速，可部署于地面/空中平台实时检测。

3.2 大豆缺铁黄化（IDC）无人机高通量表型（2019– ）

• 时间：2019（Plant Methods）→ 2025（时序 GWAS，bioRxiv）
• 要解决的问题：IDC 田间评级传统靠人工打分，主观、慢；需客观、可复现、高通量。
• 方法与成果：无人机 RGB/多光谱 + ML 自动评级；2025 年延伸至用时序无人机影像做 GWAS（"Time Series GWAS for IDC Tolerance"）。

3.3 SNAP：全自动大豆根瘤采集流水线（2021）

• 时间：2021（Plant Phenomics）
• 要解决的问题：根瘤（固氮）计数极耗人力且易错。
• 方法与成果：RetinaNet + UNet 机器学习流水线自动采集与计数大豆根瘤（SNAP = Soybean Nodule Acquisition Pipeline）。

3.4 SoybeanNet & 地面机器人产量估计（2024–2025）

• 时间：2024–2025
• 要解决的问题：产量组分（荚数/粒数）人工计数慢，制约育种选择规模。
• 方法与成果：SoybeanNet（基于 Transformer 的 CNN，从 UAV 图像做大豆豆荚计数，Computers and Electronics in Agriculture 2024）；"Robust soybean seed yield estimation using high-throughput ground robot videos"（Frontiers in Plant Science 2025）。

3.5 InsectNet：全球昆虫识别 Web 应用（2025）

• 时间：2025（PNAS Nexus，DOI 10.1093/pnasnexus/pgae575）
• 要解决的问题：农户/scout 需快速识别 2500+ 种昆虫并区分益/害虫。
• 方法与成果：1200 万张昆虫图像、覆盖 2500+ 物种、准确率 >96%；"global-to-local" 可做地区微调（爱荷华版约 50 万图、约 50 个本州重要物种）。部署于 insectapp.las.iastate.edu，计划上机器人/无人机。

3.6 参与 COALESCE / AIIRA / AgGym

A.K. Singh 为 COALESCE co-PI（提供大豆育种试验场景），A. Singh 任 AIIRA Broadening Participation 负责人；两人均为 AgGym、CAS 综述共同作者。

Asheesh K. Singh。来源：cals.iastate.edu

第 4 章 · Patrick S. Schnable（Plant Sciences Institute 主任；玉米基因组/数字农业）

简介：Charles F. Curtiss 杰出教授、Iowa Corn Endowed Chair of Genetics；2013 年起任 Plant Sciences Institute（PSI） 主任。方向：玉米基因组学、predictive phenomics（预测表型组学）、基因型 × 环境 → 表型预测、数字农业；并孵化创业公司。

4.1 Predictive Plant Phenomics（PSI 核心方向，持续）

• 要解决的问题：理解基因型与环境如何决定性状，从而「在特定环境下预测表型」，指导育种与管理。
• 方法：基因组学 + 高通量表型 + 生物信息 + 机器学习（genotype-to-phenotype 预测）。

4.2 Genomes to Fields（G2F）/ Maize（持续）

• 要解决的问题：把海量玉米基因组—田间表型数据联通，服务育种与气候适应。
• 角色/方法：Schnable 是 G2F 玉米倡议核心推动者；衍生出图神经网络产量预测（如 Agri-GNN，基于 GraphSAGE）。

4.3 AG2PI：Agricultural Genome to Phenome Initiative（2022– ）

• 时间/资助：2022– ，USDA-NIFA，>180 万美元，Award 2022-70412-38454
• 团队：ISU（Schnable 任主任）牵头，伙伴 UNL、University of Idaho
• 要解决的问题：把「基因组到表型组」作为跨作物/畜牧的「wicked problem」，打通基因组学、数据科学、统计、工程、社会科学。

4.4 田间机器人叶角表型（AngleNet，与 Lie Tang 合作，2023）

Schnable、Jianming Yu 与 Tang、Gai、Bao 合著 AngleNet，提供玉米育种性状场景（详见 第 5 章 5.1）。

4.5 创业转化：Data2Bio、EnGeniousAg

• 要解决的问题：把 ISU 的传感/基因组技术转化为氮素管理、精准农业产品。
• 成果：EnGeniousAg（土壤/水硝酸盐氮传感器，曾获 10 万美元 USDA 资助，2024 年被 CropX 收购）；Data2Bio（基因分型/测序服务）。

第 5 章 · Lie Tang（农业与生物系统工程 ABE；农业机器人）

简介：ABE 正教授、PSI Faculty Scholar；实验室 Agricultural Automation and Robotics。方向：田间/温室机器人、机器视觉、自主导航、机器人除草、高通量表型机器人。

5.1 PhenoBot / PhenoStereo / AngleNet 玉米叶角机器人（2016– ；论文 2023）

• 时间：2016– ，代表作 Journal of Field Robotics 2023
• 团队：Lie Tang（通讯）、Lirong Xiang（一作，后至 NC State）、Jingyao Gai、Yin Bao、Jianming Yu、Patrick Schnable｜资助 NSF #1625364 + PSI
• 要解决的问题：叶角（影响光合效率的株型性状）传统用量角器人工测量，慢且费力，制约育种选择速度。
• 方法与成果：PhenoBot 3.0 轮式车（四层、每层双目 PhenoStereo 相机，可在 30 英寸行距间穿行）+ AngleNet（CNN 从 2D 检测叶角 + 3D 重建量化）；田间误差 <5°（r>0.87），达育种精度。

装载多层 PhenoStereo 立体相机的自主表型机器人（AngleNet）。来源：https://news.ncsu.edu/2023/03/leaf-measuring-robot/

5.2 RoAD：Robotic Assay for Drought（温室表型机器人）

• 时间：持续（已稳定运行约 18 个月）｜资助 ISU PSI 约 10 万美元 + NSF
• 要解决的问题：抗旱研究中人工浇水/测量极其繁琐；需自动化。
• 方法与成果：自主 rover + 机械臂搬运盆栽、采集 3D 彩色图像、按设定浇水；每日运行 6–7 小时、近乎无人干预；用于数百株拟南芥，可迁移玉米/大豆。

5.3 ARA-Enabled Teleoperation of Automated PhenoBots（2023，5G 遥操作）

• 时间：2023 年 9 月公开演示｜资助 NSF（CNS 系列）
• 要解决的问题：表型机器人过去需手持遥控近距离操作；如何远距离遥操作大田机器人。
• 方法与成果：在中爱荷华 ARA（rural wireless）testbed 上，用 Ericsson 5G SA 网络（>2.5 Gbps）远程遥操作装有 3D 植物重建视觉系统的 PhenoBot。

5.4 机器人除草 / 激光除草（长期线）

• 要解决的问题：行内杂草人工/化学控制成本高；追求机械/激光精准除草降本增效。
• 方法与成果：早期 "Robotic Weeding Leads to Big Labor Savings"；近年结合改进 YOLO 的视觉伺服激光除草系统（deep learning + visual servoing + 有限状态机）。

第 6 章 · Amy Kaleita（ABE 系主任；土壤水文、精准农业、数据科学）

简介：ABE 教授兼系主任（2021 起）；方向：土壤水分、遥感、精准农业数据科学、洼地/排水。

6.1 遥感盘点养分管理措施（2014–2020）

• 时间：2014–2020｜团队 Gelder、Porter、Kaleita、Cruse、Isenhart、Tomer 等｜资助 Iowa Nutrient Research Center
• 要解决的问题：为爱荷华 Nutrient Reduction Strategy 建立覆盖作物、残茬、缓冲带等措施的基线清单。
• 方法与成果：Landsat-7/8 + NDTI（残茬）/ NDVI（覆盖作物）时序 + 分类树；覆盖作物检测精度 >80%，产出爱荷华 2015–2017 残茬图。

6.2 Prairie Pothole 洼地淹水建模与管理工具（2020–2022）

• 时间：2020–2022（Agrosystems, Geosciences & Environment, 2022）
• 要解决的问题：中西部「prairie pothole（草原洼地）」周期性积水导致减产；需评估淹水风险辅助管理决策。
• 方法与成果：遥感 + 分类/机器学习刻画洼地淹水；发布 Web 应用 Prairie Pothole Management Support Tool；用 AnnAGNPS 模拟不同管理下淹水。

6.3 图像/数据驱动的土壤水分与保护性管理（持续）

方向包括 SAR + 光学融合的湿地制图、基于影像的定制化土壤水分管理等。

第 7 章 · 其他相关团队与外部支柱

• Adarsh Krishnamurthy & Aditya Balu（机械工程，几何/CAD-ML）：数字孪生的几何与仿真核心，参与 NeRF 3D 重建（§1.4/1.7）、数字孪生（§1.3）；把 CAD/几何深度学习与 physics-based simulation 结合，做植物三维几何 → 有限元分析。
• Sotirios Archontoulis（农学，作物系统建模）/ Liang Dong（电气，传感器）/ Daniel Nettleton（统计）：AIIRA 数据驱动团队成员，分别贡献机理作物模型（APSIM/DSSAT）、低成本田间传感器、统计学习方法——数字孪生「机理 + 数据」融合的支撑。
• Matthew Darr（ABE，农机/数据分析）：主持 Digital Ag Innovation Lab，方向自主农机、遥测/telematics、机器学习驱动的数字农业与产业转化。
• 外部支柱（非 ISU 但深度绑定）：George Kantor（CMU，AIIRA M3 负责，田间多机器人感知）、Girish Chowdhary（UIUC，COALESCE 合作 PI，TerraSentia 超紧凑自主田间机器人 + 深度学习玉米株数计数）。

附 · 竞争格局要点 & 全部来源

竞争格局要点

1. ISU = 数字孪生 + 基础模型双主线：AIIRA 差异化在「AI 驱动的植物数字孪生」（NeRF/点云/physics-informed ML）与「农业基础模型/多模态 LLM」（BioTrove、WeedNet、InsectNet、AgEval、AgReason）两条前沿线，2024–2025 密集产出 NeurIPS/CVPR 级成果。
2. 工程 × 农学深度耦合：核心团队横跨机械工程（Ganapathysubramanian、Sarkar、Krishnamurthy）与农学（A.K. Singh、A. Singh、Schnable），并有 $20M（AIIRA）+ $7M（COALESCE）两笔联邦大额支撑。
3. 从感知到执行闭环：Tang 的田间/温室机器人（PhenoBot、RoAD、5G 遥操作、激光除草）+ Sarkar 的 RL 精准施药（AgGym/HAM-PPO）构成「超精准农业」执行端。
4. 落地与转化强：InsectNet Web App、EnGeniousAg（被 CropX 收购）、CyVerse/AgML 开放基础设施。

全部来源 URL

AIIRA 官方与资助/新闻

• https://aiira.iastate.edu/ ｜ /research/vision/ ｜ /research/project-summary/ ｜ /about-us/management-team/ ｜ /education-and-outreach/
• https://portal.nifa.usda.gov/web/crisprojectpages/1027030-ai-institute-aiira-ai-institute-for-resilient-agriculture.html
• https://research.iastate.edu/2021/07/29/20-million-federal-grant-launches-ai-institute-for-resilient-agriculture/
• https://www.eurekalert.org/news-releases/1079382
• https://www.cals.iastate.edu/news/2025/iowa-state-scientists-usher-cyber-agricultural-future
• https://www.plantbreeding.iastate.edu/news/2021/7-million-cyber-physical-systems-frontier-award （COALESCE）

Ganapathysubramanian / Sarkar

• https://github.com/baskargroup ｜ https://github.com/baskargroup/BioTrove ｜ https://baskargroup.github.io/SC-NeRF/
• arXiv：2402.10344（field NeRF）、2406.17720（BioTrove）、2407.19617（AgEval）、2409.00735（AgGym）、2505.18930（WeedNet）、2505.19259（AgReason）
• https://www.cell.com/trends/plant-science/fulltext/S1360-1385(23)00263-7 （CAS 综述）
• https://trac-ai.iastate.edu/

Singh / Schnable

• https://www.plantbreeding.iastate.edu/project/soybean-stress-image-based-phenotyping
• https://link.springer.com/article/10.1186/s13007-019-0478-9 （大豆 IDC UAS 表型）
• https://pmc.ncbi.nlm.nih.gov/articles/PMC8343430/ （SNAP）
• https://www.frontiersin.org/journals/plant-science/articles/10.3389/fpls.2025.1554193/full （地面机器人产量估计）
• InsectNet：DOI 10.1093/pnasnexus/pgae575 ｜ https://insectapp.las.iastate.edu
• https://www.psi.iastate.edu/ ｜ /faculty-scholars/
• https://www.cals.iastate.edu/news/2022/major-usda-grant-supports-pioneering-agricultural-genome-phenome-collaboration-led-iowa （AG2PI）
• https://cropx.com/2024/09/18/engeniousag/ （CropX 收购 EnGeniousAg）

Tang / Kaleita

• https://www.abe.iastate.edu/lietang/
• https://onlinelibrary.wiley.com/doi/abs/10.1002/rob.22166 （AngleNet, JFR 2023）
• https://news.ncsu.edu/2023/03/leaf-measuring-robot/
• https://advancedwireless.org/outreach/ara-enabled-teleoperation-of-automated-phenobots/
• https://innovate.iastate.edu/employing-robots-to-care-for-crops/ （RoAD）
• https://acsess.onlinelibrary.wiley.com/doi/full/10.1002/agg2.20280 （Prairie Pothole 工具）

诚实标注：AI Magazine 综述（doi 10.1002/aaai.12151）付费墙，thrust/moonshot 结构改由 AIIRA 官网核实；部分 ISU 官网页面对抓取器返回 402/403，相关内容由可访问镜像/论文/合作方页面交叉核实。$20M 金额符合 NSF AI Institute 惯例但未在官网逐字核实（Award 号已确认）。

附录 · Enviratron 机器人温室与 AIIRA 设施（来自平台调研）

本附录补充正文，聚焦 Iowa State 的物理设施——尤其是正文未覆盖的 Enviratron 机器人温室。

第 11 章 Iowa State University（美国）— AIIRA + Enviratron

11.1 AIIRA（AI Institute for Resilient Agriculture）

定位：AI 驱动的作物「数字孪生」模型 —— 高性能计算 + 机器人 + 无人机 + 田间传感器。这是美国国家 AI 研究院层级的农业 AI 旗舰，属你笔记中已识别的「Iowa State 做得很好」那条线。

照片：未找到可用图片。

11.2 Enviratron 机器人温室

规模与构成（已核实，据 Bao et al. 2019）

• 8 个独立生长室，每室植物生长区约 1.8 m²，另设一个前室（vestibule）供 rover 进入
• Rover 构成：MiR200 移动底盘 + Universal Robots UR10 机械臂（1.3 m 作业半径）+ 传感头
• 传感头：RGB、高光谱、热成像、PAM 叶绿素荧光、3D ToF、激光轮廓仪

关键设计差异（这是 Enviratron 最值得注意的地方）：

植物不移动，机器人移动。 rover 携机械臂逐一进入 8 个独立生长室成像 —— 这与 LemnaTec 式「传送带把植物送去成像舱」的主流方案完全相反。

好处是：每个生长室可以维持完全独立且互不干扰的环境条件（温度、湿度、光照、CO₂），植物全程不受搬运扰动。这对研究「基因型 × 环境互作」是结构性优势。

• 代表产出：Bao et al. 2019, Plant Methods 15:117「Assessing plant performance in the Enviratron」；衍生出 RoAD 机器人系统
• 当前状态：官网 enviratron.iastate.edu 多次抓取均 socket 关闭失败，2024–2026 状态未能直接核实；间接证据显示仍在使用 —— Iowa Soybean Research Center 有基于 Enviratron 的 CO₂ / 非生物胁迫大豆项目在列

照片

Enviratron 布局与生长室实拍。(a) 平面示意：8 个植物生长舱（Plant growth compartment）分两排相对布置，每舱前设 vestibule 前室与 sliding door 滑门，rover 在中央走廊运行，左端为充电站（Charging station）；(b) 实拍：设施中央走廊，两侧为白色 Percival 生长舱门，走廊尽头可见 rover；(c) 实拍：单个生长舱门开启状态，可见舱内粉色补光。来源：Bao et al. 2019, Plant Methods 15:117（CC BY 4.0）

Enviratron 机器人 rover 特写 —— 这是该平台最有辨识度的部件。(a) rover 全貌：MiR200 移动底盘（底部蓝色环状指示灯）+ 灰色机箱 + Universal Robots UR10 机械臂（灰蓝配色），臂端集成多传感器头（可见多个镜头与黑色线束）；左侧为开启的生长舱，舱内绿色植株清晰可见；(b) rover 机械臂伸入生长舱内对植株成像，前方为触摸屏控制面板；(c) 传感头近距离悬停于大豆植株上方的特写。来源：Bao et al. 2019, Plant Methods 15:117（CC BY 4.0）