DOI: https://doi.org/10.1016/j.jspr.2025.102611
تاريخ النشر: 2025-03-03
المؤلف: Rukayat Abisola Olawale وآخرون
الموضوع الرئيسي: تقليل هدر الطعام والاستدامة
نظرة عامة
تبحث هذه الدراسة في دور الذكاء الاصطناعي (AI) وتعلم الآلة (ML) في تقليل الفقد بعد الحصاد وهدر الطعام في سلسلة الإمداد الزراعية. باستخدام نهج مختلط، تجمع الدراسة بين البيانات الكمية من أجهزة استشعار إنترنت الأشياء مع رؤى نوعية من أصحاب المصلحة مثل المزارعين وتجار التجزئة. تشير النتائج الرئيسية إلى أن حلول التخزين البارد المدفوعة بالذكاء الاصطناعي حققت انخفاضًا بنسبة 60% في الفقد بعد الحصاد للسلع القابلة للتلف، بينما ساهمت اللوجستيات المحسّنة بواسطة تعلم الآلة في تقليل هدر الطعام المرتبط بالنقل بنسبة 20%. على الرغم من هذه التقدمات، لا تزال التحديات قائمة في التنبؤ بدقة بالطلب في السوق، مما قد يؤدي إلى الإنتاج الزائد، مما يبرز الحاجة إلى تحسين خوارزميات الذكاء الاصطناعي للتنقل في تقلبات السوق.
تعزز الدراسة بشكل كبير فهمنا لكيفية تحويل الذكاء الاصطناعي وتعلم الآلة للممارسات الزراعية، مما يحقق فوائد اقتصادية وبيئية كبيرة، بما في ذلك تقليل انبعاثات غازات الدفيئة المرتبطة بهدر الطعام. النتائج، وخاصة الانخفاض الملحوظ بنسبة 60% في الفقد من خلال التخزين البارد، تؤسس معيارًا للابتكارات المستقبلية في هذا المجال. ومع ذلك، تسلط الأبحاث الضوء أيضًا على تعقيدات الأسواق الزراعية، مما يشير إلى أن المزيد من تحسين نماذج التنبؤ ضروري لتعظيم فعالية هذه التقنيات في تعزيز الأمن الغذائي والاستدامة على نطاق عالمي. قد تشمل التطبيقات المستقبلية اللوجستيات التكيفية في الوقت الحقيقي، وتقنية البلوكشين للتتبع، وتوقع الطلب المدعوم بالذكاء الاصطناعي.
مقدمة
تتناول مقدمة هذه الورقة البحثية القضايا الحرجة المتعلقة بـ “الفقد بعد الحصاد” و “هدر الطعام” في سياق الزراعة العالمية، مع التأكيد على تأثيراتها المميزة على الأمن الغذائي، والاستقرار الاقتصادي، والاستدامة البيئية. يتم تعريف الفقد بعد الحصاد على أنه الخسائر الكمية والنوعية التي تحدث بين الحصاد والبيع، ويرجع ذلك أساسًا إلى عدم الكفاءة في سلسلة الإمداد، بينما يتعلق هدر الطعام بالتخلص من الطعام القابل للأكل على مستوى التجزئة والمستهلك، وغالبًا ما يكون مدفوعًا بعوامل سلوكية. تسلط الورقة الضوء على الإمكانات التحويلية للذكاء الاصطناعي (AI) وتعلم الآلة (ML) في التخفيف من هذه التحديات، موضحة كيف يمكن لهذه التقنيات تعزيز اتخاذ القرار وتحسين اللوجستيات في جميع أنحاء سلسلة الإمداد الزراعية.
تستخدم الدراسة نهجًا منهجيًا، مستفيدة من الأدبيات الثانوية والبيانات الأولية من الدراسات الميدانية، بما في ذلك المراقبة المعتمدة على إنترنت الأشياء ومقابلات مع أصحاب المصلحة. تقترح إطارًا واضحًا للتمييز بين الفقد بعد الحصاد وهدر الطعام، مع تحديد استراتيجيات مدفوعة بالذكاء الاصطناعي مصممة خصيصًا لكل قضية. يحدد المخطوط تطبيقات مختلفة للذكاء الاصطناعي وتعلم الآلة، مثل التحليلات التنبؤية لتخصيص الموارد والأجهزة الذكية لمشاركة المستهلك، ويقدم دراسات حالة توضح التدخلات الناجحة في السيناريوهات الواقعية. في النهاية، تهدف الدراسة إلى قياس فوائد هذه التقنيات في تحسين الأمن الغذائي وتعزيز الاستدامة، وتقديم رؤى قابلة للتنفيذ لأصحاب المصلحة في القطاع الزراعي.
الطرق
تركز منهجية هذه الدراسة على دمج الذكاء الاصطناعي (AI) وتعلم الآلة (ML) للتخفيف من الفقد بعد الحصاد وهدر الطعام في سلسلة الإمداد الزراعية. باستخدام نهج مختلط، تجمع الدراسة بين البيانات الكمية من أجهزة استشعار إنترنت الأشياء مع رؤى نوعية من مقابلات أصحاب المصلحة. سيتم وضع أجهزة استشعار إنترنت الأشياء بشكل استراتيجي عبر مختلف قطاعات سلسلة الإمداد – المزارع، مرافق التخزين، النقل، وتجارة التجزئة – لجمع بيانات في الوقت الحقيقي حول العوامل التي تسهم في فقد الطعام، مثل تقلبات درجة الحرارة والرطوبة. في الوقت نفسه، سيتم جمع البيانات النوعية من خلال الاستطلاعات والمقابلات مع أصحاب المصلحة، بما في ذلك المزارعين ومديري اللوجستيات، لفهم التحديات التي يواجهونها ووجهات نظرهم حول حلول الذكاء الاصطناعي وتعلم الآلة.
سيتم تحليل البيانات الكمية باستخدام خوارزميات تعلم الآلة المتقدمة لتحديد الأنماط والتنبؤ بنقاط الفقد المحتملة، مما يسهل تطوير نماذج تنبؤية للتدخلات في الوقت المناسب. ستخضع البيانات النوعية لتحليل موضوعي لاستخراج الموضوعات الشائعة المتعلقة بتحديات أصحاب المصلحة وقبول تطبيقات الذكاء الاصطناعي وتعلم الآلة. سيتم تنفيذ مشاريع تجريبية لتقييم فعالية أدوات الذكاء الاصطناعي ونماذج تعلم الآلة المطورة، مع تقييم الفعالية من خلال مؤشرات الأداء الرئيسية، بما في ذلك تقليل نسب الفقد وتحسين الكفاءة. كما تؤكد الدراسة على التأثيرات البيئية، مثل تقليل انبعاثات غازات الدفيئة. تم إجراء عملية مراجعة أدبية صارمة، حيث تم تضييق حوالي 1200 إدخال أولي إلى 150 دراسة عالية الصلة، والتي أبلغت عن تحديد التدخلات الفعالة والتحليل المقارن لأنماط هدر الطعام في نيجيريا مقابل الاتجاهات العالمية.
المناقشة
تقدم قسم المناقشة في الورقة البحثية نموذجًا رياضيًا شاملاً يعالج الفقد الغذائي بعد الحصاد في القطاع الزراعي في نيجيريا، مع التركيز على دور التدخلات التكنولوجية. يستخدم النموذج نظامًا من المعادلات لت quantifying إنتاج الغذاء، والخسائر في مراحل مختلفة، وتأثير التدخلات مثل التخزين البارد وتحسين اللوجستيات على تقليل الهدر. تشير النتائج الرئيسية إلى أن هدر الطعام الكبير يحدث في جميع أنحاء سلسلة الإمداد، مع خسائر تُعزى إلى عوامل مثل الآفات، وعدم كفاءة النقل، ومرافق التخزين غير الكافية. تسلط الأبحاث الضوء على أن تقنيات الذكاء الاصطناعي وتعلم الآلة (ML) يمكن أن تخفف من حوالي 35% من هدر المزارع و30% من الفقد بعد الحصاد من خلال تحسين استخدام الموارد وتعزيز إدارة التخزين.
تمت دراسة الاختلافات الإقليمية في الفقد بعد الحصاد أيضًا، حيث تكشف أن شمال نيجيريا يعاني من أعلى الخسائر (حتى 35%) بسبب سوء التخزين ومشاكل الآفات، بينما تواجه جنوب نيجيريا تحديات تتعلق بالنقل والوصول إلى السوق. تؤكد الدراسة على ضرورة وجود حلول مخصصة للذكاء الاصطناعي وتعلم الآلة لمعالجة هذه التحديات الإقليمية بشكل فعال. علاوة على ذلك، فإن التأثير البيئي لهدر الطعام كبير، حيث تؤدي التقدمات التكنولوجية إلى تقليل انبعاثات غازات الدفيئة واستهلاك الموارد. تدعو النتائج إلى دمج الحلول المدفوعة بالذكاء الاصطناعي في الممارسات الزراعية لتعزيز الأمن الغذائي والاستدامة، مما يضع معيارًا للابتكارات المستقبلية في هذا القطاع.
DOI: https://doi.org/10.1016/j.jspr.2025.102611
Publication Date: 2025-03-03
Author(s): Rukayat Abisola Olawale et al.
Primary Topic: Food Waste Reduction and Sustainability
Overview
This research investigates the role of Artificial Intelligence (AI) and Machine Learning (ML) in reducing post-harvest losses and food waste throughout the agricultural supply chain. Utilizing a mixed-methods approach, the study combines quantitative data from IoT sensors with qualitative insights from stakeholders such as farmers and retailers. Key findings indicate that AI-driven cold storage solutions achieved a 60% reduction in post-harvest losses for perishable goods, while ML-optimized logistics contributed to a 20% decrease in transportation-related food waste. Despite these advancements, challenges persist in accurately predicting market demands, which can lead to overproduction, underscoring the need for improved AI algorithms to navigate market volatility.
The study significantly enhances our understanding of how AI and ML can transform agricultural practices, yielding substantial economic and environmental benefits, including reduced greenhouse gas emissions associated with food waste. The results, particularly the notable 60% reduction in losses through cold storage, establish a benchmark for future innovations in the field. However, the research also highlights the complexities of agricultural markets, indicating that further refinement of predictive models is necessary to maximize the effectiveness of these technologies in enhancing food security and sustainability on a global scale. Future applications may include real-time adaptive logistics, blockchain for traceability, and AI-powered demand forecasting.
Introduction
The introduction of this research paper addresses the critical issues of “post-harvest losses” and “food waste” within the context of global agriculture, emphasizing their distinct impacts on food security, economic stability, and environmental sustainability. Post-harvest losses are defined as the quantitative and qualitative losses occurring between harvest and sale, primarily due to inefficiencies in the supply chain, while food waste pertains to the discarding of edible food at retail and consumer levels, often driven by behavioral factors. The paper highlights the transformative potential of Artificial Intelligence (AI) and Machine Learning (ML) in mitigating these challenges, showcasing how these technologies can enhance decision-making and optimize logistics throughout the agricultural supply chain.
The research employs a systematic approach, utilizing both secondary literature and primary data from field studies, including IoT-based monitoring and stakeholder interviews. It proposes a clear framework for distinguishing between post-harvest losses and food waste, identifying specific AI-driven strategies tailored to each issue. The manuscript outlines various applications of AI and ML, such as predictive analytics for resource allocation and smart appliances for consumer engagement, and presents case studies demonstrating successful interventions in real-world scenarios. Ultimately, the study aims to quantify the benefits of these technologies in improving food security and promoting sustainability, providing actionable insights for stakeholders in the agricultural sector.
Methods
The methodology of this research focuses on the integration of Artificial Intelligence (AI) and Machine Learning (ML) to mitigate post-harvest losses and food waste in the agricultural supply chain. Employing a mixed-methods approach, the study combines quantitative data from Internet of Things (IoT) sensors with qualitative insights from stakeholder interviews. IoT sensors will be strategically placed across various supply chain segments—farms, storage facilities, transportation, and retail—to gather real-time data on factors contributing to food loss, such as temperature and humidity variations. Concurrently, qualitative data will be collected through surveys and interviews with stakeholders, including farmers and logistics managers, to understand the challenges they face and their perspectives on AI and ML solutions.
The quantitative data will be analyzed using advanced ML algorithms to identify patterns and predict potential loss points, facilitating the development of predictive models for timely interventions. Qualitative data will undergo thematic analysis to extract common themes regarding stakeholder challenges and the acceptability of AI and ML applications. Pilot projects will be implemented to assess the efficacy of developed AI tools and ML models, with effectiveness evaluated through key performance indicators, including reductions in loss percentages and improvements in efficiency. The research also emphasizes environmental impacts, such as reductions in greenhouse gas emissions. A rigorous literature review process was conducted, narrowing down approximately 1200 initial entries to 150 high-relevance studies, which informed the identification of effective interventions and comparative analysis of food waste patterns in Nigeria against global trends.
Discussion
The discussion section of the research paper presents a comprehensive mathematical model addressing post-harvest food losses in Nigeria’s agricultural sector, emphasizing the role of technological interventions. The model employs a system of equations to quantify food production, losses at various stages, and the impact of interventions such as cold storage and improved logistics on reducing waste. Key findings indicate that significant food waste occurs throughout the supply chain, with losses attributed to factors like pests, transportation inefficiencies, and inadequate storage facilities. The research highlights that AI and machine learning (ML) technologies can mitigate approximately 35% of farm-level waste and 30% of post-harvest losses by optimizing resource use and enhancing storage management.
Regional variations in post-harvest losses are also examined, revealing that Northern Nigeria experiences the highest losses (up to 35%) due to poor storage and pest issues, while Southern Nigeria faces challenges related to transportation and market access. The study underscores the necessity for tailored AI and ML solutions to address these region-specific challenges effectively. Furthermore, the environmental impact of food waste is significant, with technological advancements leading to reductions in greenhouse gas emissions and resource consumption. The findings advocate for the integration of AI-driven solutions in agricultural practices to enhance food security and sustainability, setting a benchmark for future innovations in the sector.