为进一步提高农产品供需过程模拟与估算精度，本研究以自1980年以来国家级和省级的大量农业数据作为样本，充分考虑农产品品种、时间、收入、经济发展等因素影响，构建基于深度学习长短时记忆神经网络（Long Short-Term Memory Neural Network，LSTM）的多种农产品供需预测模型。模型在充分考虑机理性约束条件的前提下，利用深度学习算法在非线性模型分析预测中的优势，对稻谷、小麦、玉米、大豆、猪肉、禽肉、牛肉、羊肉、水产品等9种主要农产品供需进行分析预测。将基于本模型的2019—2021年产量预测结果与国家统计局公布数据进行对比验证，三年平均预测准确率96.98%，表明本研究构建的预测模型能够高效地反映隐性指标变化对预测结果的影响。该模型可以通过及时地监测农业运行数据，为多区域、跨期的农业展望工作提供智能化技术支持。
人工智能（Artificial Intelligence，AI）辅助种植有助于提高设施园艺作物精准化管理水平、缓解日益凸显的劳动力紧缺问题。草莓是典型的劳动密集型园艺作物，研究对比采用不同AI种植策略和关键技术对草莓温室生产的调控效果，可对园艺作物种植的AI技术改进和产业化应用提供参考。本研究对比分析了4个不同AI种植策略对草莓生长发育和产量及品质的调控效果，并以人工种植管理为参照，对AI种植的技术特点和存在问题进行了分析。结果表明，知识图谱、深度学习、视觉识别、作物模型和作物生长仿真器等技术在草莓AI种植中各有优势。其中，AI-1组采用知识图谱技术将专家经验、作物数据和环境数据进行融合，建立了标准化草莓种植知识结构和智慧种植决策方法，对作物生产发育的调控较为稳健，以较低的投入获得了最高产值。与人工种植管理相比，AI种植策略组的平均产量提高了1.66倍，平均产值提高了1.82倍，最高投入产投比提高了1.27倍。针对高产优质的目标，在配备较完善的智能化设备和控制组件的温室生产条件下，AI辅助种植能有效提高草莓种植管控的精准度，减少水肥和劳动力的投入，获得较高的收益，但也存在对人工管理扰动的模拟难、作物本体信息采集难等问题。
为达到蓝莓提前上市、获得更大经济效益的目的，本团队将南方蓝莓移至环境可控型智能温室中试验生产，探索研究出南方蓝莓智能温室促早熟生产控制技术。首先从蓝莓物候期、品种特点、土壤pH、水肥灌溉方式、小气候环境区间等方面进行了较为详细全面的调研与总结，明确了无土栽培蓝莓全周期管理要点和环境调控范围；接着基于Venlo型温室对蓝莓生产做布局，并基于物联网技术，建立蓝莓植物工厂化生产控制系统，串联硬件层、软件层和云端，实现现场端环境检测调控、数据云存储与远程控制等技术；在温室环境多因子协调控制模型基础上，针对蓝莓生长环境特点，探索研究了一套蓝莓温室多因子协调控制算法，用于环境调控。试验温室位于江苏省苏州市昆山市花桥镇东南部。经实际验证，整体调控系统效果显著，并于2021年5月初采收了第一波果实，使南方品种蓝莓提早近一个月进入果实采摘期。其中相比未蓄冷的蓝莓植株，蓄冷后的“明星”“绿宝石”“蓝美1号”“海岸”单株产量分别增加51.5%、85.5%、43.8%和94.7%，单果重量分别增加10.9%、7.2%、2.6%和5.3%。试验证明采用多因子协调控制算法进行调控能够提高蓝莓的产量和品质，取得显著经济效益，为南方温室蓝莓植物工厂化促早熟生产管理提供示范。
灌溉是影响作物产量的重要因素。为更加有效、精确地控制设施作物的灌溉，本研究以“章姬”草莓为例，将作物实时生长特征引入灌溉决策模型中，将Penman-Monteith（P-M）模型和知识推理相结合对草莓的灌溉展开研究。首先明确影响草莓灌溉的因子和影响系数，然后建立“章姬”草莓灌溉知识结构和草莓灌溉知识图谱，接着应用路径排序算法（Path Ranking Algorithm，PRA）对P-M模型计算的灌溉值进行调整，实现草莓的精准灌溉。知识推理中每个专家的灌溉调整策略都不相同，本试验以草莓产量最大为目标，选择概率值最高的一组灌溉推理值对灌溉进行调整。试验结果表明，在规定时间采收的情况下，本研究提出的基于Penman-Monteith模型和路径排序算法相结合的方法比传统P-M模型方法的果实总产量、单株果实均产量和果实均重百分比分别提高2478.5g、20.65g和12.15%（单个果实均重提高1.65g），硬度提升了0.1 kg/cm2。表明该方法根据作物生长状态对作物灌溉进行调整合理，为精确灌溉提供了新的思路。
为明确利用无人机影像监测玉米群体株高的精度及其影响因素，本研究基于无人机搭载光学成像设备构建大田玉米群体数字高程模型（Digital Elevation Model，DEM），研究不同生育时期下玉米群体株高监测的精度差异。针对3个玉米品种、8个播期处理构建的株高差异化群体，用多旋翼无人机搭载高清RGB相机和多光谱成像设备，采集试验区高清RGB和多光谱影像，获取玉米群体数字高程信息DEM和各处理区植株高度，分析不同品种和播期处理下基于无人机和人工测量株高间的相关关系。试验结果表明，高清RGB相机和多光谱成像设备获取的DEM均能反映玉米群体的高度差异。高清RGB相机的株高监测精度优于多光谱成像设备，但株高监测精度不足，难以反映玉米群体的较小株高差异。不同生育阶段对玉米株高监测精度具有较大影响，生育前期冠层尚未全部覆盖地表或生育后期植株衰老叶片枯黄下垂时，受裸露地表影响，群体株高被严重低估。本研究分析了影响无人机搭载成像设备监测玉米株高精度的因素，可为该方法应用于大田生产提供借鉴意义。
针对农业供应链的运输环节中生鲜农产品配送模型存在的速度恒定、碳排放计算方法单一的问题，本研究结合路网时变特征和新的多车型碳排放计算方法，提出了考虑配送距离、多车型碳排放量、货物损耗和车辆固定成本等4个优化目标的生鲜农产品配送路径优化模型；并根据模型特点提出了一种改进的双策略种群协同蚁群算法（Double-Strategies Co-Evolutionary Ant Colony System，DC-ACS ）。利用改进蚁群算法对Solomon数据集的C105算例进行了求解，在4个优化目标上分别取得最优解为937.94 km、4961.48元、4081.78元和7500.87元，证明了本研究提出的模型的有效性。在模型有效的基础上，通过试验结果证明，改进蚁群算法比基本蚁群算法在4个优化目标上的配送总成本平均降低幅度超过14%，证明改进蚁群算法更具有优越性。使用改进蚁群算法对集中、随机和混合3种不同分布的大规模算例进行求解，3种分布上分别求得最优总成本为19,939.53、24,095.00和24,397.58元。综上所述，所提模型和算法可以为冷链物流企业的城市配送路径决策提供良好的参考依据，对完善智慧农业供应链的配送路径优化模型和优化方法提供了新的思路，为企业进一步扩大规模提供了参考。
为了解决蔬菜运输耗时长、成本高、保鲜时间短，导致送达到客户手上蔬菜质量降低等问题，在考虑了车辆载重和时间窗等约束条件下，本研究提出了一种带时间窗多目标蔬菜配送路径优化的遗传-模拟退火（Genetic Algorithm and Simulated Annealing，GA-SA）算法。在遗传算法（Genetic Algorithm，GA）操作过程中引入模拟退火（Simulated Annealing，SA）算法自适应（Metropolis）接受准则：首先将原始种群进行遗传算法的选择、交叉、变异等操作，形成新一代路径种群，此时通过引入Metropolis准则，对新一代路径种群分布情况进行修正、选择、交叉、变异，得到目标路径种群，达到全部车辆配送完返回到配送中心的耗时最少、成本最低、车辆使用最少的多目标，求得蔬菜运输的最优路径。设计以保定市为配送中心以及向保定市下辖的各个乡镇为配送点进行蔬菜运输路径优化的试验，结果证明，与传统的GA、SA相比，GA-SA能够有效增快其收敛速度，优化后的配送路线总成本分别降低了约23.7%和4%，总路程分别减少了22.6%和3%，耗时分别减少了26.2和2.6 h，车辆分别少使用2辆和1辆。本研究可为冷鲜食品以及其他运输路径优化研究提供参考价值。
