范围：WUR 从事「AI / 机器学习 / 计算机视觉 / 机器人 / 遥感 / 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（或平台）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/wur/，个别被防抓取拦截的给出源页链接 一句话格局：WUR 呈「多学科集群」——AI 方法学（Athanasiadis）、农业机器人（van Henten / Kootstra）、遥感无人机（Kooistra）、农业信息系统与数字孪生（Tekinerdogan）、三大共享平台（NPEC / OnePlanet / AGROS）。

目录

• 第 1 章 · Ioannis Athanasiadis — Artificial Intelligence group (AIN)
• 第 2 章 · Eldert van Henten — 农业生物系统工程 / 农业机器人 (ABE)
• 第 3 章 · Gert Kootstra — 农业机器视觉与机器人 (ABE)
• 第 4 章 · Lammert Kooistra — 地理信息科学与遥感实验室 (GRS)
• 第 5 章 · Bedir Tekinerdogan — 信息技术组 / 数字孪生 (INF)
• 第 6 章 · 共享平台：NPEC / OnePlanet / AGROS
• 附：综合观察 & 全部来源

第 1 章 · Ioannis Athanasiadis — Artificial Intelligence group (AIN)

Prof. dr. Ioannis N. Athanasiadis 自 2024-09-01 起担任 WUR 新设 Artificial Intelligence (AIN) 讲席组首席教授。定位为 use-inspired / applied AI，服务食品安全、农业与生态。方向：作物产量预测、植物表型、计算机视觉、知识图谱、地理空间 ML（geo-AI）、数字孪生、混合建模（process-based + data-driven）、农业基础模型。规模约 3 名 faculty + 20 余名博士后/博士。是 AgML（AgMIP 机器学习组）联合创始人。这是 WUR「农业 AI 方法学」的核心 PI，也是「可微作物模型 / 作物生长世界模型」方向的全球中心之一。

组内结构提示：AIN 组还包括遥感表征学习助理教授 Marc Rußwurm（SatCLIP、BreizhCrops 等），但据其个人信息 2026-09 起主体迁往波恩大学（Emmy Noether 独立组长），故本调研以 Athanasiadis 线为主。

1.1 CYBELE（2019–2022）— HPC 赋能精准农业与畜牧

• 时间/资助：2019–2022｜EU H2020（GA 825355）｜Athanasiadis 领导 WUR 技术规范
• 要解决的问题：农业/畜牧数据爆炸，但缺乏可扩展的计算与分析能力，数据驱动决策难以落地。
• 方法与成果：HPC + Big Data + Cloud + IoT 融合；作物产量预测的 ML/DL、乳腺炎（mastitis）检测、可扩展作物模拟；9 个真实产业 demonstrator，约 10 篇论文。

1.2 Digital Future Farm（DFF，2020–2022）— 耕作与奶牛农场数字孪生

• 时间/资助：2020–2022｜WUR 战略主题旗舰（内部）｜PI：Athanasiadis、T. Been、C. Kamphuis
• 要解决的问题：荷兰氮危机背景下的核心矛盾——在减少农场氮使用的同时维持/提升作物产量并最小化氮损失。
• 方法：模块化数字孪生（土壤/作物/动物子系统）+ ML "twinning" + 仿真辅助 ML。

Digital Future Farm 数字孪生。来源：https://www.athanasiadis.info/projects/dff/

1.3 高分辨率作物产量预测（弱监督，2023）

• 时间：2023（Environmental Research Letters，DOI 10.1088/1748-9326/acf50e）
• 要解决的问题：田块级产量预测缺乏细粒度真实标注，只有区县级粗粒度统计。
• 方法与成果：用弱监督深度学习在仅有粗粒度聚合标签下训练高分辨率预测。

1.4 Smart Droplets（2022–2026）— AI + 机器人减少农药化肥

• 时间/资助：2022–2026｜Horizon Europe｜PI：S. Fountas（雅典农业大学）+ Athanasiadis（co-PI）
• 要解决的问题：传统喷洒导致农药化肥过量，污染土水气、危害生态与人；目标在保证作物健康下大幅减投并降低农民化学品暴露（对齐 EU Green Deal）。
• 方法：自主改装拖拉机 + Direct Injection System（DIS）；Digital Farm Twin；强化学习用于农艺管理决策；ML 产量预测。

Smart Droplets：自主拖拉机 + 直注施药 + 数字农场孪生。来源：https://www.athanasiadis.info/projects/smartdroplets/

1.5 D3-C2 — Data-Driven Discoveries in a Changing Climate（2022–2024）

• 时间/资助：2022–2024｜WUR Investment Theme｜PI：Athanasiadis + Y. de Haas
• 要解决的问题：气候变化适应——用数据科学理解气候影响并开发适应方案，横跨作物/育种/生态。
• 方法与成果：气候数据 ML 模式识别；RL 优化育种方案（ChromaX）；DL 自动提取形态学性状；资助 25+ 个跨学科种子项目。

1.6 LTER-LIFE（2023–2033）— 生态系统数字孪生研究基础设施

• 时间/资助：2023–2033｜NWO 大型研究基础设施（184036014）｜PI：M. Visser + Athanasiadis（co-PI）
• 要解决的问题：如何研究并预测气候变化及人为压力对生态系统与生物多样性的影响；当前长期生态数据分散异构。
• 方法：构建整个生态系统的数字孪生，用大数据科学连接分散长期生态数据集，支持情景仿真预测。

1.7 PHENET（2023–2027）— 扩展植物表型与环境型服务

• 时间/资助：2023–2027｜Horizon Europe（101094587，€10.24M）｜PI：B. Muller + Athanasiadis；连接 EMPHASIS/AnaEE/eLTER/ELIXIR 四大研究基础设施
• 要解决的问题：欧洲农业生态系统的农业生态学转型——支撑粮食安全、气候韧性、生物多样性、土壤碳恢复；在未来气候情景下识别合适的「物种 × 基因型 × 管理」组合。
• 方法与成果：AI 多性状多传感器设备；EO + 地面数据融合；知识引导 ML 作物生长建模；混合物候建模；8 个 Use Cases。

PHENET：整合四大研究基础设施的表型/环境型服务。来源：https://www.athanasiadis.info/projects/phenet/

1.8 AgrifoodTEF（2023–2027）— 泛欧农业食品 AI 测试与实验设施

• 时间/资助：2023–2027｜Digital Europe Programme｜Athanasiadis 为荷兰节点 co-PI
• 要解决的问题：AI 与农业机器人创新缺乏中立、真实环境的测试实验设施（TEF），难以从创意转化为上市产品。

AgrifoodTEF：泛欧农业食品 AI 物理 + 数字测试设施。来源：https://www.athanasiadis.info/projects/agrifoodtef/

1.9 AgML — AgMIP Machine Learning（2022– ，国际社区）

• 时间：2022– ；首届 workshop 2024-01 在 Wageningen｜Athanasiadis 联合创立并协调；参与方 FAO/JRC/CGIAR/NASA
• 要解决的问题：农业建模中 ML 缺乏基准、可复现性与最佳实践；建立开放数据集与基准量化 ML 在作物建模/产量预测的表现（产出 CY-Bench 等）。

1.10 混合 AI / 可微作物模型（招牌方法线，2025– ）

这是该组最具方法深度、也最契合「作物生长世界模型」的一条线：

• Hybrid Phenology Modeling（AAAI 2025）：保留果树休眠→开花的机理双阶段骨架，只把「分歧最大」的冷量响应子函数换成 MLP，热量响应仍用机理式；整链端到端可微，机理参数与网络参数一起反传，新站点无需重标定即泛化。
• DeltaCrop（2025–2027，PI：Athanasiadis｜Netherlands eScience Center）：用可微分编程把 WOFOST 作物生长模型改造为可微形式并与 ML 集成，弥合数据驱动与过程驱动建模的鸿沟（配套开源 diffWOFOST）。
• 要解决的问题：既有机理作物模型（WOFOST/APSIM）不可微、难与深度学习端到端联训；纯数据模型又缺乏机理约束、跨环境泛化差。

Hybrid Phenology：机理双阶段链（上）与混合方案（下，冷量响应换 MLP、热量响应保留机理，端到端可微）。来源：arXiv 2501.16848

1.11 AgriScienceFM（2026–2029）— 农业科学基础模型旗舰

• 时间/资助：2026-06 启动｜Horizon Europe｜Athanasiadis（WUR 协调）
• 要解决的问题：当前农业 AI 碎片化、上下文特定，难跨作物/地区/系统迁移；拟构建三个基础模型（生物材料 / 自然环境 / 人类活动）。

AgriScienceFM 项目启动（WUR 领衔）。来源：https://www.wur.nl/en/news/wur-leads-european-project-ai-better-understands-agricultural-systems

其他 grants（信息较少但确认）：AETHER-xAI（2025–2026，ESA，地球观测可解释 AI）、ML4geo（2025–2027，NWO TDCC，地理空间 ML 素养与复用）、3D-Circular、FSI、GREAT、Dragon、BEACON、SUSCAP。

第 2 章 · Eldert van Henten — 农业生物系统工程 / 农业机器人 (ABE)

Prof. dr. ir. Eldert J. van Henten 是 WUR ABE 组 Personal Professor，研究核心是农业食品机器人、传感、建模与控制，曾任 IEEE-RAS 与 euRobotics 农业机器人技术委员会 co-chair。其核心命题："Variation is the major bottleneck"——农产品在形状/大小/颜色/质地上的巨大变异，是机器人自动化的最大障碍。常合作者：Gert Kootstra、Peter Groot Koerkamp、Sjoerd Boersma、Jochen Hemming、Silke Hemming。

2.1 Autonomous Cucumber Harvesting Robot（约 1996–2002）— 温室黄瓜收获机器人

• 要解决的问题：温室黄瓜收获重复、劳动强度大、环境恶劣；证明自主机器人能在真实温室选择性收获；黄瓜切口还有病毒传播的农学难题。
• 方法与成果：沿加热管道行走的移动平台；CV 检测（检出率 >95%）+ 几何模型判成熟度；A* 运动规划手眼协调；末端热切割灼烧封口防病毒。约 80% 采摘成功率、每根约 45 秒——欧洲温室选择性收获机器人的奠基工作。

2.2 CROPS — Clever Robots for Crops（约 2010–2014）

• 资助：EU FP7（id 246252）
• 要解决的问题：高价值作物（甜椒/苹果）选择性收获与近距离喷洒依赖人工；构建通用模块化平台并证明技术经济可行（TRL 6）。
• 方法与成果：9-DOF 机械臂可用于甜椒收获/苹果收获/近距喷洒；夹持 + 切割末端执行器；成为 SWEEPER 的基础。

2.3 SWEEPER — Sweet Pepper Harvesting Robot（2015–2018）— 甜椒收获机器人

• 时间/资助：2015–2018｜EU H2020（id 644313，EU 出资 €4.03M）｜协调 Jos Balendonck；合作 Ben-Gurion、Umeå
• 要解决的问题：温室熟练工人急剧减少、人工成本高，削弱欧洲园艺竞争力；把第一代温室收获机器人推向市场。
• 方法与成果：低成本 4-DOF 机械臂；免精确定位夹爪；model-based vision；LightField/RGB-D 传感。首台在商业温室展示此性能的甜椒收获机器人；实验室 cycle time 15 秒，最适条件成功率 61%。Arad et al.（2020）Journal of Field Robotics 高被引。

SWEEPER 在温室中选择性采摘成熟甜椒。来源：https://israelagri.com/sweeper-the-first-robot-capable-of-selecting-and-picking-ripe-sweet-peppers/

2.4 Perception Models for Selective Harvesting Robots（2017–2022）— Pieter Blok 博士项目

• 团队：PhD Pieter Blok；Promotor van Henten；Co-promotor Kootstra + van Evert
• 要解决的问题：让机器人在遮挡/光照/变异下可靠感知作物与果实，自动化果蔬（含西兰花）选择性收获。
• 方法：深度学习（实例分割）+ 概率机器人；MaskAL（active learning 降低标注量）。

2.5 FlexCRAFT — Cognitive Robots for Flexible Agro-Food Technology（2019–2024）★ 核心旗舰

• 时间/资助：2019–2024｜NWO Perspectief，约 €4M（含 Marel 等企业配套）｜van Henten 领导整个 Perspectief 计划，Kootstra 为 coordinator｜五校（WUR/TU Delft/TU/e/Twente/UvA）+ 14 企业
• 要解决的问题：食品农产品巨大变异（「没有两个西红柿相同」），传统机器人只在动作/对象每次相同时可用；赋予机器人通用能力在非结构化高变异环境作业（温室采番茄、禽肉切割、食品装盘）。
• 方法：四支柱——Active perception（动作中持续获取信息）、World modeling、Planning & control（动作库/肌肉记忆）、Gripping & manipulation。WUR 侧：multi-view perception + 3D 多目标跟踪、next-best-view planning、MinkSORT 稀疏卷积 3D 特征。
• 成果：Rapado-Rincón et al.（2023, Biosystems Engineering 231:78–91）；MinkSORT；attention/gradient-based NBV。

WUR 温室机器人（FlexCRAFT 主题）。来源：https://www.wur.nl/en/research/plant/robotics-and-automation-greenhouses-and-field-crops

2.6 FlexiGroBots（2021–2023）— 精准农业异构多机器人

• 资助：EU H2020（101017111）｜WUR 参与（M. Ariza-Sentís、S. Vélez、João Valente、H. Baja）
• 要解决的问题：农业机器人多为单任务专用、成本效率低；让异构多机器人灵活承担跨任务观测与干预。
• 方法与成果：目标检测跟踪、实时任务自适应、IoT/卫星/机器人数据融合 AI 平台；无人机葡萄园识别葡萄串与灰霉病（Botrytis）；8 篇论文、4 个公开数据集。

2.7 近期方向（2023–2025）

• 4D Plant Phenotyping（SSL-NBV 自监督 next-best-view 加速 3D 植株重建）、Zero-emission Indoor Horticulture、Soft & Biodegradable Sensing / Soft Robotic Harvester、Novel Sensing for Soil Biodiversity、Modelling and Control for Sustainable Dairy Farming（含 AI 奶牛跛行检测）。

WUR 田间机器人（甜菜种植）。来源：https://www.wur.nl/en/longread/robots-grow-sugar-beets-after-consulting-farmer

诚实标注：已剔除 CANOPIES（经核实 WUR 非参与方）、Robot Highways（英国 InnovateUK）、SILVOA/FlevoCrop（无 van Henten 主导证据）。

第 3 章 · Gert Kootstra — 农业机器视觉与机器人 (ABE)

Dr. Gert (G.W.) Kootstra 是 ABE 组副教授，专长机器视觉、机器学习与农业机器人。两大科学主线：(1) 变异性（品种/生长阶段/系统/光照差异）；(2) 信息不完整（遮挡/噪声/不确定性）。对应两条技术路线：Robust Perception（uncertainty estimation、active/continuous/self-supervised learning）与 Active Perception（NBV planning、multi-view perception、multi-object tracking）。他牵头 WUR Agro Food Robotics 平台，并协调 FlexCRAFT。

3.1 Perception models for selective harvesting（2017–2022，西兰花）— Blok 博士项目

• 团队：Blok；van Henten（promotor）、Kootstra + van Evert（co-promotor）
• 要解决的问题：高价值作物（苹果/番茄/西兰花）选择性收获最耗人力；需在遮挡/变化条件下识别成熟个体并估计尺寸（西兰花花球常被叶遮挡）。
• 方法与成果：DL + 概率机器人；遮挡下花球尺寸估计；MaskAL（active learning 训练 Mask R-CNN 降标注量）。Blok et al.（Biosystems Engineering 208, 2021）；综述 Selective Harvesting Robotics（Current Robotics Reports, 2021，引用最高）。

3.2 Synthetic & Empirical Capsicum annuum Image Dataset（约 2018–2023）— 合成数据用于表型

• 要解决的问题：DL 用于植物表型/语义分割最大瓶颈是缺乏大规模逐像素标注真实数据；用 3D 植物模型合成任意视角/光照图像自动获取 ground truth，"bootstrap" 农业分割模型。
• 成果：公开数据集 10,500 合成图 + 50 实拍甜椒，均带逐像素标注。

3.3 FlexCRAFT（2019–2024）— Kootstra 为协调人

• 角色/资助：Coordinator + P17-01 Project 5 "Greenhouse Robotics" 负责人（van Henten 领 Project 6 食品加工机器人）；NWO/TTW 约 €2.7M + 产业 €1.3M；五校 + 14+ 企业（ABB、Festo、Priva、Marel、Rijk Zwaan、3DUniversum 等）
• 要解决的问题：为高度非结构化、遮挡严重的 agro-food 环境构建鲁棒感知与世界模型，开发认知型柔性机器人。
• 成果：Rapado-Rincón et al.（番茄计数误差约 5.08%）；MinkSORT、MOT-DETR、3D peduncle node keypoint detection。

3.4 Active / Next-Best-View Perception（约 2021–2025）— Akshay Burusa 博士项目

• 团队/资助：PhD Burusa；Kootstra + van Henten；NWO FlexCRAFT
• 要解决的问题：番茄等作物结构复杂、遮挡严重，固定相机轨迹效率低；让机器人按任务把注意力集中在相关植物部位并主动规划最佳视角，用更少视角完成 3D 重建与目标部位定位。
• 方法与成果：volumetric OctoMap + Shannon entropy information gain + attention/ROI；后续 semantics-aware NBV、gradient-based local NBV、SSL-NBV。仿真中 3 视角达 80% 叶节重建（baseline 需 6）；真实温室 5 视角内约 60%，较预设/随机高 17.3%/7.7%。

主动感知 / next-best-view 温室机器人平台。来源：https://arxiv.org/html/2206.10274v2

3.5 ROBS4CROPS（2021–2024）— 田间杂草感知

• 角色/资助：coordinator 为 Frits van Evert（WUR）；Kootstra 及学生（T. Ruigrok）贡献 CV 杂草检测；EU H2020（101016807）；16 伙伴/8 国
• 要解决的问题：田间除草喷药耗人力、农药用量大；用自主机器人 + CV 区分作物与杂草做按株精准喷施。
• 成果：希腊试点喷施液减少约 40%；Ruigrok, Kootstra et al.（Sensors 20(24):7262, 2020）。

3.6 相邻方向

• 奶牛跛行/姿态检测（PhD H. Russello）：T-LEAP 遮挡鲁棒姿态估计（CEA 192, 2022）；视频自动跛行检测（2024）。
• 3D 点云表型：黄瓜节间长度测量（Biosystems Engineering 234, 2023）；TomatoWUR 数据集。

第 4 章 · Lammert Kooistra — 地理信息科学与遥感实验室 (GRS)

Prof. dr. ir. Lammert Kooistra 是 GRS 实验室 Personal Professor（遥感方向），核心方向一体化传感系统（卫星 + 无人机 + 地面传感器融合），尤擅高光谱。自 2012 年牵头 WUR Unmanned Aerial Remote Sensing Facility (UARSF)。主要合作者：Carlos Camino González、Harm Bartholomeus、Gert Kootstra、João Valente。

4.1 UARSF（2012– ）— 国家级无人机遥感实验设施

• 要解决的问题：卫星受重访周期/云层/固定传感器限制，难做专门科学实验；UARSF 提供高时间频率（昼夜）观测、灵活换传感器、毫米-厘米级分辨率，支撑精准农业、作物病害、栖息地监测，并为卫星产品定标。
• 装备：DJI S1000/M210、Sensefly Ebee 固定翼、Riegl Ricopter LiDAR；Headwall Nano/Rikola 高光谱、Wiris 热像仪。

UARSF 无人机遥感实验设施。来源：https://www.wur.nl/en/research/facilities/unmanned-aerial-remote-sensing-facility-uarsf

4.2 SAID Lab / MARS4EARTH（约 2020– ）— 让非专家用无人机群

• PI/资助：SAID Lab 由 João Valente 负责；MARS4EARTH 由 NWO 资助（RAAK.PRO03.112）
• 要解决的问题：无人机机载技术复杂，对农民等非专家构成门槛；造首个能与户外环境安全自主经济物理交互的模块化空中机器人系统，并解决多机安全作业（欧盟法规、IL&T 监管）。

4.3 FlexiGroBots（2021–2023）— 地空多机器人精准农业

见 第 2 章 2.6；WUR 侧 UARSF 提供无人机感知，葡萄园 pilot 做病害早期探测（葡萄串检测、Botrytis）。EU H2020（101017111）。

4.4 马铃薯病害无人机高光谱 + 深度学习（约 2022–2026）— Tianyi Jia 博士线

• 团队：Kooistra（UARSF）+ Kootstra；PhD Tianyi Jia
• 要解决的问题：种薯生产中病毒（PVY）/细菌（黑胫病）一旦田间发现即致批次降级；需症状出现前（pre-symptomatic）逐株探测。
• 方法与成果：Headwall Nano 高光谱（400–1000nm/270 波段）+ FCN 等 DL + UAV 高光谱与 RGB 融合；Frontiers in Plant Science（2019, PVY）；Jia et al.（2024, IEEE）。

4.5 ICAERUS（2022–2026）— 农业/林业/乡村无人机服务

• 资助：Horizon Europe（101060643，总预算约 €5.44M）｜协调雅典农业大学，WUR 核心伙伴
• 要解决的问题：无人机在欧洲农林与乡村的风险/价值/软件知识不清晰；通过 5 用例（作物监测/无人机喷洒/畜牧监测/林业生物多样性/乡村物流）系统评估。
• 成果：28 场示范、1,900+ 利益相关者；证明降农药、减 CO₂；ICAERUS Platform（750+ 用户）。

4.6 HYDRA-EO（2026–2028）— 混合建模 + AI 多胁迫作物监测

• PI/资助：Carlos Camino González（PI）+ Kooistra｜ESA EXPRO+（Action 1-12684）
• 要解决的问题：真实农田作物同时受多种生物/非生物胁迫叠加；需探测、区分并跨尺度放大多重胁迫信号，开发传感器无关的性状反演，把田间/机载观测上推到卫星尺度。
• 方法：hybrid modelling（物理植物模型 + 辐射传输 + ML）；荷兰马铃薯（PVY + 细菌）、意大利葡萄（Flavescence Dorée）。

HYDRA-EO：混合建模 + AI 多胁迫作物监测（GRS 领衔 ESA 项目）。来源：https://www.wur.nl/en/news/hydra-eo-grs-leads-esa-project-hybrid-modelling-and-ai-multi-stressor-crop-monitoring

其他：Space for Soil（2023–，Sentinel-2 耕作方式识别）、LAI Measurement（2024–，无人机测叶面积指数）、WorldCereal（ESA 全球 10m 作物制图）。

第 5 章 · Bedir Tekinerdogan — 信息技术组 / 数字孪生 (INF)

Prof. dr. ir. Bedir Tekinerdogan 是 INF 组首席教授。研究定位：面向 agri-food 的智能「系统之系统」工程——数字孪生、智慧农业参考架构/软件架构、IoT 农场管理信息系统、ML/DL/RL、大数据。典型模式：把软件工程架构方法引入农业信息系统并在真实 use case 验证。常合作者：Cor Verdouw、Sjaak Wolfert、Cagatay Catal、Qingzhi Liu、Önder Babur。

5.1 IoF2020 — Internet of Food and Farm 2020（2017–2021）

• 协调/资助：Stichting Wageningen Research｜EU H2020（731884，预算约 €34M）｜Tekinerdogan/Verdouw 负责架构框架与数字孪生方法学
• 要解决的问题：欧洲农业食品链的 IoT 长期停留零散试点、缺乏可规模化互操作体系；通过 19 个 use case 打通传感/连接/数据/商业模式，并建立统一软件/系统架构方法使 use case 可复用。
• 成果：架构框架论文（Verdouw, Sundmaeker, Tekinerdogan et al., CEA 165, 2019）。

5.2 Systems Architecture Design Pattern Catalog for Digital Twins（2020）

• 要解决的问题：数字孪生开发缺乏系统化可复用架构知识，每次从零设计；归纳可复用架构设计模式目录覆盖全生命周期。
• 成果：Sensors 20(18):5103。

5.3 Digital Twins in Smart Farming（2021）★ 旗舰出版物

• 团队：Verdouw、Tekinerdogan、Beulens、Wolfert（归属 IoF2020）
• 要解决的问题：传统智慧农业中农场「物理流」与「规划控制」高度耦合，农民必须亲临现场手动操作；用数字孪生解耦物理流与规划控制，实现基于近实时数字信息的远程管理。
• 方法与成果：数字孪生 typology；general systems control model + IoT-A 参考架构；在 5 个 use case 验证。Agricultural Systems 189:103046（Scopus 引用 600+）。

5.4 Smart-In-Ag — Smart Indonesian Agriculture（约 2020–2024）

• 团队/资助：WUR + IPB University｜INREF + LPDP｜博士生 Ngakan Krisnawijaya
• 要解决的问题：印尼 dairy 与 fish 生产效率/福利/环境短板，缺乏多源农场数据基础设施；设计可复用数据管理参考架构解决多源数据采集/整合/治理/服务化。
• 方法与成果：reference architecture、data management architecture、IoT、云、CV 疾病检测；Krisnawijaya et al.（Ecological Informatics 2024）。

Smart-In-Ag：印尼智慧农业（含水产养殖）。来源：https://smart-in-ag.com/project-description/

5.5 Digital Twins in Greenhouse Horticulture: A Review（2022）

• 团队：Ariesen-Verschuur、Verdouw、Tekinerdogan
• 要解决的问题：温室气候控制依赖人工与专家经验、效率低、green labour 稀缺；系统梳理数字孪生现状与空白。
• 成果：CEA 199:107183（监测控制型孪生为主，预测型为新兴）。

5.6 A 3D Functional Plant Modelling Framework for Agricultural Digital Twins（2024）

• 要解决的问题：农业数字孪生须耦合植物结构（3D 形态）与功能（生理），既有孪生停留在气候层缺植物级表征；提供 3D 功能性植物建模（FSPM）驱动预测型管理。
• 成果：CEA 2024；相关番茄 FSPM 数字孪生（in silico Plants 2025）。

5.7 Adaptive Digital Twins for Precision Agriculture（2024– ，进行中）— Gürkan Soykan 博士

• 团队：PhD Soykan；Promotor Tekinerdogan；Co-promotor Babur、Liu
• 要解决的问题：温室气候控制依赖人工；physics-based 需精确标定，DL 因数据不足难跨温室泛化；构建自适应数字孪生使控制策略跨温室可迁移。
• 方法：simulation + DL + 深度强化学习；新机制 "ExoPrompt"（编码温室结构与作物信息增强泛化）；MBSE；sim-to-real transfer。

第 6 章 · 共享平台：NPEC / OnePlanet / AGROS

这三个平台横向服务多个 PI，是 WUR 农业 AI 的「基础设施底座」。

6.1 NPEC — Netherlands Plant Eco-phenotyping Centre

• 性质：WUR + Utrecht University 联合、NWO 共同资助的国家级大科学装置，尺度「从分子到作物」
• 要解决的问题：弥合**「基因型-表型鸿沟」**——基因组测序快而廉，但植物在真实/受控环境的实际表现（表型）测量慢、主观、破坏性，成为培育气候适应型作物的瓶颈；用自动化成像/传感/机器人把表型测量变成客观无损高通量数据流。
• 领导层：Prof. Mark G.M. Aarts（WUR，科学主席）、Dr. Roeland Berendsen（UU, MD）、Rick van de Zedde（WUR, Program Manager/CTO，AI 成像与机器人）
• 资金：2018 年 NWO 约 €11.3M + 两校配套约 €11M（合计约 €22M）；2026 年 NWO 升级 €5.4M（NPEC 2.0）
• AI/方法：3D 点云幼苗分选、RGB/热/高光谱/荧光成像、传送带 + 龙门架、无人机遥感；NPEC 2.0 新增 X 射线荧光元素成像、自动化数据流水线
• 7 大模块：Ecotron（36 mesocosm）、Plant-Microbe（Helios/Hades）、15 气候室、高通量 growth rooms、全自动温室、开放田间（TraitSeeker + 3 无人机）、中央数据模块

NPEC 开放田间模块：TraitSeeker + 无人机表型。来源：https://www.wur.nl/en/research/facilities/npec

NPEC 七大表型模块概览。来源：https://www.npec.nl/phenotyping-modules/

6.2 OnePlanet Research Center

• 性质：2019 成立，由 imec + WUR + Radboud University + Radboudumc 联合，Gelderland 省拨款约 €65M；负责人 John Baekelmans（imec NL）
• 要解决的问题：把 imec 世界领先的纳米电子/集成光子学（integrated photonics）芯片与 WUR 农业食品知识、Radboud 健康知识结合，用微型化低成本可大规模部署的传感器 + AI 解决氮危机、食品安全、可持续农业。农业痛点：作物养分/生长/蒸腾/氮排放缺乏廉价实时原位测量手段，导致水肥能过量投入与污染。
• 精准农业应用（2022 立项/2023 起开发，National Growth Fund via PhotonDelta）：光子芯片实现①作物实时监测（养分/茎流，可装无人机/机器人/叶夹）、②空气质量/氮排放监测、③植物蛋白质质量数量分析。（注：多为规划/开发中能力，非已部署成果）

OnePlanet Research Center（imec + WUR + Radboud）。来源：https://www.imec-int.com/en/articles/oneplanet-a-new-dutch-innovation-center-for-food-health-and-agricultural-technology

6.3 AGROS / Autonomous Greenhouse Challenge

• 性质/负责：WUR Greenhouse Technology 团队组织的国际竞赛，Dr. Silke Hemming 为核心 PI；全球团队仅用 AI + 传感器数据、云平台远程/全自主种植作物
• 要解决的问题：全球温室高度依赖稀缺的经验种植者，决策主观难扩散，且温室资源密集；证明 AI 能否替代甚至超越人类种植者做全部气候/灌溉/施肥/株距/采收决策，把顶级种植知识「算法化」、可复制并提升资源效率
• AI 方法（跨届）：DL/LSTM 预测、强化学习气候控制、MPC、数字孪生、CV/3D 成像（RealSense + DeepLabv3+/detectron2 做株距/采收决策）、传感器融合
• 历届：
  • 1st（2018）黄瓜：Tencent 赞助；首证 AI 可远程种黄瓜；Microsoft Research（RL）参与
  • 2nd（2019–2020）樱桃番茄：冠军 Automatoes（TU Delft + 企业），净收益/水能耗/可持续全面胜专业种植者
  • 3rd（2021–2022）生菜（全自主）：Petropoulou et al.（Sensors 2023, 23, 2929）用 RealSense + CV 决策株距/采收（R²=0.976, mIoU=98.2）
  • 4th（2024，2025-01 公布）矮生番茄：冠军 IDEAS（浙江大学）；近两倍种植密度 + 高效能量幕取得最高净利润
  • 5th：计划 2026

International Autonomous Greenhouse Challenge。来源：https://www.wur.nl/en/research/plant/autonomous-greenhouse-challenge

附 · 综合观察 & 全部来源

综合观察（供竞争分析）

1. 方法学 vs 应用的分工清晰：Athanasiadis（AI 方法/基础模型/数字孪生）偏「上游 AI 科学」；van Henten/Kootstra（机器人感知与操作）、Kooistra（遥感/无人机）、Tekinerdogan（软件架构/数字孪生工程）各据一条应用主线。
2. 两大核心科学母题反复出现：①农产品/环境的巨大变异性（机器人组 FlexCRAFT 主线）；②跨尺度、跨传感器、遮挡下信息不完整（遥感 HYDRA-EO、机器人 active perception）。
3. 旗舰项目：FlexCRAFT（NWO Perspectief 约 €4M，机器人）、AgriScienceFM（Horizon Europe，农业基础模型，2026 起 WUR 领衔）、LTER-LIFE（NWO，十年级生态数字孪生）、NPEC（国家表型设施）。
4. 强化学习 + 数字孪生是温室自主控制的收敛趋势（AGROS、Smart Droplets、Soykan 的 ExoPrompt）。
5. 可微作物模型 / 混合 AI（diffWOFOST、DeltaCrop、Hybrid Phenology）是 WUR 相对独特、且最贴近「作物生长世界模型」的方法优势。

全部主要来源 URL

Athanasiadis / AIN：https://www.athanasiadis.info/projects/ · https://www.wur.nl/en/chair-groups/artificial-intelligence-group · https://www.wur.nl/en/news/wur-leads-european-project-ai-better-understands-agricultural-systems · https://cordis.europa.eu/project/id/825355 · https://www.nwo.nl/en/projects/184036014 · https://www.smartdroplets.eu · http://www.agrifoodtef.eu · https://iopscience.iop.org/article/10.1088/1748-9326/acf50e · arXiv 2501.16848（Hybrid Phenology）

van Henten / Kootstra / ABE：https://research.wur.nl/en/persons/eldert-van-henten/ · https://www.wur.nl/en/persons/dr-gw-gert-kootstra · https://cordis.europa.eu/project/id/246252/reporting · https://cordis.europa.eu/project/id/644313 · https://onlinelibrary.wiley.com/doi/full/10.1002/rob.21937 · https://www.nwo.nl/en/cases/grasping-natural-environment · https://www.nwo.nl/onderzoeksprogrammas/perspectief/perspectief-toekenningen/cognitive-robots-for-flexible-agro-food-technology-flexcraft · https://marel.com/en/news/flexcraft-research-program/ · https://arxiv.org/html/2206.10274v2 · https://cordis.europa.eu/project/id/101016807 · https://www.robs4crops.eu/ · https://www.wur.nl/en/research/plant/robotics-and-automation-greenhouses-and-field-crops

Kooistra / GRS：https://research.wur.nl/en/persons/lammert-kooistra/ · https://www.wur.nl/en/research/facilities/unmanned-aerial-remote-sensing-facility-uarsf · https://saidlab.wur.nl/ · https://www.wur.nl/en/project/modular-aerial-robotic-systems-for-sustainable-living-on-earth-mars-4-earth.htm · https://cordis.europa.eu/project/id/101017111 · https://cordis.europa.eu/project/id/101060643 · https://icaerus.eu/ · https://www.wur.nl/en/news/hydra-eo-grs-leads-esa-project-hybrid-modelling-and-ai-multi-stressor-crop-monitoring

Tekinerdogan / INF：https://research.wur.nl/en/persons/bedir-tekinerdogan/ · https://cordis.europa.eu/project/id/731884 · https://research.wur.nl/en/publications/digital-twins-in-smart-farming/ · https://edepot.wur.nl/541204 · https://doi.org/10.3390/s20185103 · https://smart-in-ag.com/ · https://edepot.wur.nl/669652 · https://research.wur.nl/en/projects/adaptive-digital-twins-for-precision-agriculture/

平台 NPEC / OnePlanet / AGROS：https://www.wur.nl/en/research/facilities/npec · https://www.npec.nl/phenotyping-modules/ · https://www.imec-int.com/en/articles/oneplanet-a-new-dutch-innovation-center-for-food-health-and-agricultural-technology · https://www.wur.nl/en/research/plant/autonomous-greenhouse-challenge · https://www.wur.nl/en/news/winner-4th-autonomous-greenhouse-challenge-announced · https://pmc.ncbi.nlm.nih.gov/articles/PMC10052086/

诚实标注：OnePlanet 农业应用多为开发中能力；部分 wur.nl 页面对抓取返回 403/404，已用 backend.wur.nl 图片直链替代；个别经费金额未能逐字确证；已剔除经核实与 WUR 无关的 CANOPIES / Robot Highways / SILVOA / FlevoCrop；Rußwurm（遥感表征学习）2026-09 起主体迁往波恩大学，故本文以 Athanasiadis 线为主。

附录 · NPEC 物理设施细节（来自平台调研）

本附录补充第 6.1 节，聚焦 NPEC 的硬件设施实拍与模块细节。

第 7 章 NPEC（荷兰）— 国家植物生态表型中心

7.0 领导团队（已核实）

NPEC 没有单一「Scientific Director」头衔，采用双 Managing Director + Executive Board 的治理结构 —— 这是两校联合设施的典型安排：

7.1 NPEC 七大模块

1. Ecotron（生态箱，地上-地下系统整体控制）
2. Plant-Microbe Interaction Phenotyping（植物-微生物互作表型）
3. Multi-Environment Climate Chambers（多环境气候箱）
4. High-Throughput Phenotyping Growth Rooms（高通量表型生长室）
5. GreenHouse Phenotyping（温室表型，传送带 + 成像仓）
6. Open-Field Phenotyping（田间表型）
7. Data Management Module（数据管理）

定位判断：NPEC 的独特之处是跨尺度全链条 —— 从生态箱级别的地上/地下系统整体控制，一路贯通到田间，再加上统一的数据管理模块。这是「国家级大装置」路线，与 FIP 的单一设施完全不同量级。Ecotron 模块尤其罕见 —— 能同时控制并测量地上与地下（土壤、根际微生物）系统的设施全球屈指可数。

重要区分：NPEC 是 WUR 校方层面的国家设施。你现有笔记中提到的 WUR Ioannis N. Athanasiadis 组（农业 AI / 仿真计算）并不直接运营 NPEC —— 这正是「有设施」与「用别人数据」的分界线在同一所学校内部的体现。WUR 另有 Prof. Eldert van Henten 的 Agricultural Biosystems Engineering 组做农业机器人（EU CROPS / SWEEPER 甜椒采收机器人，均在商业温室实测），那是 WUR 真正的硬件线。

照片（本轮已换成真实设施实拍，此前的官方插画已弃用）

NPEC 温室表型模块的传送带系统：数百个黑色花盆（内为幼苗，每盆插黑色支撑杆）各自坐在蓝色单盆载具上，载具沿铝制导轨排成多列纵深延伸；地面为白色作业面，左侧可见另一条并行轨道。这就是「植物动、设备不动」的典型构型。来源：WUR 官方设施页

*NPEC 的室内龙门成像系统：橙色矩形龙门框架悬于植株上方（框架上安装多个白色传感器/相机模块），由白色剪叉式升降机构支撑可上下调节高度；下方为黑色大盆中的大豆/菜豆类植株，盆置于绿色托盘上；背景为紫色 LED 补光帘幕。来源：WUR 官方设施页*

注：此图与第 23E 章 WIWAM Conveyor 的设备形制一致 —— 因为 NPEC 温室正是 WIWAM 的最大装机（跨 5 个隔间的传送带 + 双龙门系统）。两章互为印证。