Как технологии помогают выращивать тропические фрукты: обзор методов моделирования

Моделирование сложных взаимодействий между плодовыми деревьями, окружающей средой, почвами и экономическими факторами продолжает оставаться значительной проблемой в мировых сельскохозяйственных исследованиях, требующей междисциплинарного подхода. Несмотря на достижения в области сельскохозяйственных технологий и алгоритмов, сохраняются существенные пробелы в знаниях о понимании и моделировании этих взаимодействий. В данном обзоре рассматриваются основные концепции, связанные с моделированием производства тропических фруктов.

В нем объясняется развитие моделирования на основе сенсорных технологий, анализа изображений, баз данных и алгоритмов для систем поддержки принятия решений с учетом изменений климата или эдафоклиматических ограничений. Мы сообщаем о текущих тенденциях в моделировании фруктов, показывая значительный рост количества публикаций по этим темам, начиная с 2021 года, вызванный потребностью в устойчивых решениях и доступе к крупным сельскохозяйственным базам данных.

В этом исследовании подчеркиваются неотъемлемые проблемы моделирования тропических фруктов, такие как циклы плодовых деревьев, дорогостоящие и трудоемкие эксперименты, а также отсутствие стандартизированных данных. Эти ограничения очевидны для тропических фруктов, где было описано или валидировано лишь несколько моделей для какао, авокадо, дуриана, питайи, банана, манго или маракуйи. В данном исследовании анализируется классификация алгоритмов, связанных с тропическими фруктами, на три основные категории: обучение с учителем, без учителя и с подкреплением, каждая из которых имеет конкретные приложения для оптимизации управления сельским хозяйством.

Классификация культур и прогнозирование урожайности используют модели с учителем, такие как нейронные сети и деревья решений. Модели без учителя, например кластеризация K-средних, позволяют выявлять закономерности без предварительных меток, что полезно для сегментации площади и обнаружения вредителей. Автоматизация систем орошения и внесения удобрений использует алгоритмы обучения с подкреплением для максимизации эффективности.

В этом междисциплинарном обзоре обсуждаются последние подходы к: 1) моделированию здоровья почвы и взаимодействия растения и почвы; 2) прогнозированию урожайности в садах тропических фруктов; 3) интеграции метеорологических моделей для повышения производства тропических фруктов; и 4) экономике бизнеса тропических фруктов с помощью моделирования. Кроме того, в данном обзоре проиллюстрирована сложность и междисциплинарный характер исследований моделей для тропических фруктов и платформ, использующих сельскохозяйственные модели. Указаны дальнейшие возможности для развития систем моделирования фруктов, требующие технических знаний о потребностях плодовых культур в сочетании с удобными для пользователя платформами для сбора и доступа к данным о плодовых деревьях и агроэкологических условиях конкретных участков.

Мировой спрос на тропические фрукты в последние годы вырос под влиянием растущих потребительских предпочтений в пользу более здоровых, разнообразных и устойчивых продуктов питания (Mukhametzyanov и др., 2023). В тропических регионах мира, таких как части Северной Америки, Южной Америки, Африки, Австралии и Юго-Восточной Азии, произрастают тропические фрукты, известные своим уникальным вкусом, яркими цветами и обильной питательной ценностью (Stewart и Ahmed, 2020; Harris и др., 2022). Несмотря на стабильный рост спроса на ананасы, манго, папайю и авокадо (Altendorf, 2017), производство тропических фруктов ограничено непредсказуемыми погодными условиями (Nath и др., 2019), вспышками болезней и вредителей (Cilas и др., 2016; Merle и др., 2022), а также колебаниями рыночного спроса (Mukhametzyanov и др., 2023). Эти факторы могут значительно влиять на урожайность и качество плодов, затрудняя для фермеров оптимизацию производства и обеспечение стабильного дохода. Следовательно, моделирование может служить мощным инструментом для имитации взаимодействия таких переменных, как климат (González-Orozco и др., 2020), почвенные условия и методы управления культурами; модели могут помогать прогнозировать потенциальные узкие места производства и оценивать эффективность различных вмешательств (González-Orozco и др., 2020; He и др., 2022).

Моделирование сложных взаимодействий плодовых деревьев с биотическими и абиотическими факторами остается проблемой для мировых сельскохозяйственных исследований (Grisafi и др., 2021). Несмотря на скоординированные усилия исследовательских институтов, университетов и частных компаний, а также достижения в области Интернета вещей (IoT) или технологий электронного фермерства, пробелы в знаниях в области моделирования тропических фруктов остаются повторяющимися и сложными для исследовательского сообщества. Моделирование фруктов может позволить производителям и потребителям объединять спутниковые данные и сенсорные технологии для систем поддержки принятия решений и смягчения последствий изменения климата или эдафоклиматических ограничений (Villa-Henriksen и др., 2020; Miranda и др., 2023). Моделирование производства тропических фруктов представляет собой неотъемлемые проблемы, начиная с циклов плодовых деревьев, дорогостоящих и трудоемких экспериментов и отсутствия стандартизированных доступных данных (Ackerman и Montalvo, 1990; Goldschmidt и Lakso, 2005). Эти ограничения очевидны для тропических фруктов, где доступно или валидировано несколько моделей для какао (Tosto и др., 2023), банана (Jayasinghe и др., 2022; Sahu и др., 2022), гуавы (Bibwe и др., 2022), манго (Boudon и др., 2020) или авокадо (Erazo-Mesa и др., 2021; Mokria и др., 2022). Более того, большинство тропических плодовых культур являются вечнозелеными, и вечнозеленые плодовые деревья часто считаются более сложными для изучения, чем лиственные, из-за непрерывной физиологической активности и динамической роли их листьев (Grisafi и др., 2022). Необходимы улучшенные возможности моделирования фруктов, от здоровья почвы до управления болезнями, развития плодов и прогнозирования тенденций урожайности и цен, чтобы предоставить производителям фруктов более совершенные инструменты для устойчивых садов, адаптации тактики управления, эффективного планирования сбора урожая и предвидения вероятных препятствий, создавая тем самым надежную основу для обоснованных решений по выращиванию фруктов (Gallardo и др., 2020; Anderson и др., 2021). Возможности для продвижения структур моделирования тропических фруктов требуют объединения технических знаний о требованиях плодовых культур, генетических и экологических ограничениях с удобными для пользователя платформами для сбора и доступа к данным о плодовых деревьях и агроэкологических условиях конкретных участков (Haque и др., 2020).

Современное производство фруктов представляет собой механизированный междисциплинарный процесс, который позволяет регулировать, контролировать и управлять ресурсами, необходимыми для производства высококачественной продукции. Эта модернизация расширяет использование датчиков, камер, дронов, наборов данных и алгоритмов, одновременно включая производство фруктов в экономический анализ и моделирование на внутренней и международной арене (Shamshiri и др., 2016). Эффективная система современного производства тропических фруктов взаимосвязана со всеми экономическими аспектами, и ее развитие переплетено с общей динамикой (Altendorf, 2017). Прогнозирование урожайности тропических фруктов сопряжено с трудностями, и оценка прогнозных задач имеет ключевое значение для повышения сельскохозяйственной урожайности (Villachica и др., 2020). Эта прогностическая методология, принятая в инструментах машинного обучения, повысит операционную эффективность и положительно повлияет на стратегическое планирование, увеличивая производительность и устойчивость производства фруктов (Gómez-Lagos и др., 2023).

Машинное обучение — это область искусственного интеллекта, которая позволяет компьютеру приобретать знания и навыки из данных и строить математические модели для облегчения понимания собранных данных, что имеет важнейшее значение (Jawade и др., 2020; Chabalala и др., 2022). Этот анализ данных о фруктах решает три основные категории проблем: проблемы обучения с учителем, проблемы обучения без учителя и проблемы обучения с подкреплением (Sahu и др., 2022). Полезность машинного обучения в моделировании фруктов была расширена с появлением технологий больших данных, которые относятся к обильному объему информации, получаемой из множества источников (Khan и др., 2020).

В настоящее время сельскохозяйственные ученые учитывают множество источников информации, таких как датчик AVHRR (Advanced Very High-Resolution Radiometer), AgRISTARS (Agriculture and Resource Inventory Surveys Through Aerospace Remote Sensing), MARS (Monitoring Agricultural Resources), GMFS (Global Monitoring of Food Security) и PlantVillage для фенотипирования растений, среди прочих ресурсов (Atzberger, 2013; Jiang и Li, 2020; Saiz-Rubio и Rovira-Más, 2020). Исследования и производство фруктов могут получать информацию об осадках, температуре, урожайности, использовании пестицидов, землепользовании и других факторах, влияющих на производство и коммерциализацию фруктов. Несмотря на исследования, описывающие различные технологии ИИ и алгоритмы ML на уровне фруктовых ферм, большая часть доступной информации относится к фруктам умеренного пояса на фермах развитых стран (Kamilaris и др., 2017; Wolfert и др., 2017; Ip и др., 2018; Saiz-Rubio и Rovira-Más, 2020).

Несмотря на то, что мы находимся в эпоху сельского хозяйства 4.0 и 5.0, базы данных или большие данные для моделирования тропических фруктов по-прежнему представляют собой большую проблему во всех регионах, но особенно для фермеров в наименее развитых и развивающихся странах (Wolfert и др., 2017; Jones и др., 2017a; Morris и др., 2020). Даже в развитых странах исследования подчеркивают, что большие данные доступны не для всех, а для крупных агропромышленных компаний (Kamilaris и др., 2017). Источником данных в тропиках являются ежегодные национальные сельскохозяйственные обследования. Например, исследователи могут получить доступ к мировым сельскохозяйственным статистическим данным, основанным на этих обследованиях, через репозиторий FAOSTAT (FAO, 2018). В некоторых странах государственные статистические агентства собирают информацию (переписи) о землепользовании, уровнях производства, использовании химических веществ и спросе на рабочую силу по сельскохозяйственным продуктам с начала 2000-х годов. Однако тропические страны испытывают много трудностей при проведении этих национальных переписей в срок из-за нехватки финансовых ресурсов, трудностей в использовании новых технологий для сбора информации или отсутствия квалифицированного технического персонала (Castano и Neciu, 2022). Проблема для моделирования тропических фруктов заключается в том, что базы данных переписей собирают информацию для диагностики глобальной ситуации в сельском хозяйстве страны, но это не данные в реальном времени для точного моделирования поведения или тенденции любой культуры или, в частности, системы производства тропических фруктов (Deere и Twyman, 2014).

Моделирование в тропических регионах сталкивается с отсутствием стандартизированной информации о сельскохозяйственных данных для понимания таких проблем, как обезлесение в Америке, Африке, Азии и Океании (Berman и др., 2023), понимания воздействия вредителей при экстремальных температурах в тропических Андах (Crespo-Pérez и др., 2013), наличия данных обнаружения вредителей в реальном времени при производстве бананов (Selvaraj и др., 2019), недостаточности данных об окружающей среде и изменении климата в латиноамериканских и африканских странах (OECD, 2023; Chemura и др., 2024), дефицита аннотированных баз данных для анализа развития растений (Jiang и Li, 2020), отсутствия информации о входных данных для производства тропических фруктов. В целом, тропические регионы должны работать над улучшением доступа к большим данным с точки зрения специализированного человеческого капитала, цифровой инфраструктуры, управления данными и точной стандартизированной информации, среди прочего (Atzberger, 2013; Kamilaris и др., 2017; Wolfert и др., 2017; Jones и др., 2017b; Ip и др., 2018; Saiz-Rubio и Rovira-Más, 2020).

В данном обзоре описываются достижения в области моделирования в нескольких дисциплинах, связанных с средой производства тропических фруктов, как показано на Рисунке 1. Анализ тенденций предоставляет картину текущего интереса в этой области и показывает отсутствие специализированных функций для тропических фруктов и немногочисленные соображения языкового или социально-экономического доступа (Таблица 1).

Рисунок 1 Графическое представление междисциплинарной структуры для моделирования производства тропических фруктов, иллюстрирующее структуры, биологические процессы, функции и взаимодействия с окружающей средой.

Таблица 1 Сводка моделей, применяемых для задач производства тропических фруктов.

Исследования в области производства фруктов и технологий достигли замечательных успехов в интеграции искусственного интеллекта (ИИ) и машинного обучения для моделирования, анализа изображений и робототехники в последние годы (Licardo и др., 2024). Прогностические модели выделяются тем, что они используют климатические, почвенные данные и данные о культурах, чтобы позволить фермерам принимать обоснованные решения об орошении, удобрении, борьбе с вредителями и управлении, способствуя достижению оптимальной урожайности и качества культур (Macharia и Kiage, 2024). В основном, входные данные для фруктовых садов связаны с погодой, почвой, управлением, структурой и физиологией деревьев, спутниковыми данными и историческими записями (Mite-Baidal и др., 2019). Компьютерное зрение также стало перспективным инструментом для раннего обнаружения болезней и мониторинга роста растений, в то время как сельскохозяйственная робототехника уже автоматизирует такие процессы, как сбор урожая и посев, повышая эффективность и снижая потребность в рабочей силе (Anbumozhi и Shanthini, 2023; Varma и др., 2024). В совокупности эти инновации преобразуют более точное и продуктивное устойчивое сельское хозяйство.

Использование моделей и алгоритмов для производства фруктов является тенденцией для улучшения производства фруктов посредством анализа данных (Mathiazhagan и др., 2021). Некоторые из наиболее распространенных используемых алгоритмов связаны с прогнозированием урожайности фруктов, точным земледелием, обнаружением вредителей и болезней фруктов, селекцией и генетикой фруктов, управлением отходами производства фруктов и анализом рынка. Пионерские модели для многолетних культур начали появляться в 1980-х годах с TREEDYN (Bossel, 1996), еще до появления персональных компьютеров, и с тех пор эволюционировали в гибридные модели ИИ на облачных платформах. Временная эволюция моделирования на Рисунке 2 выделяет ключевые достижения, связанные с моделированием фруктов, начиная с базовых статистических моделей, переходя к механистическим моделям, искусственным нейронным сетям и интеграции датчиков, и заканчивая современными приложениями ИИ и машинного обучения, такими как сверточные нейронные сети и гибридные модели ИИ. Каждое десятилетие отмечено значительными разработками, детализирующими конкретные модели и технологии, способствующие прогнозированию урожайности, обнаружению болезней и оптимизации ресурсов в моделировании плодовых деревьев.

Рисунок 2 Временная шкала методов моделирования и технологических достижений в исследованиях тропических фруктов с 1970-х годов по настоящее время (см. Таблицу 1 и подразделы для получения дополнительных сведений).

Модели плодовых деревьев были в основном классифицированы на основе структуры, процесса и функции органов дерева, что привело к созданию моделей, основанных на процессах (PBM), функционально-структурных моделей растений (FSPM) и их комбинации (Grisafi и др., 2022). Кроме того, модели плодовых деревьев также классифицируются на основе связи данных с функцией или статистикой на эмпирические и механистические модели (Barbault и др., 2024). В этом обзоре алгоритмы машинного обучения, применяемые к тропическим фруктам, классифицируются на три категории: обучение с учителем, обучение без учителя и обучение с подкреплением, как показано на Рисунке 3. Каждая категория имеет конкретные приложения, позволяющие решать различные аспекты, связанные с управлением культурами и оптимизацией. Алгоритмы с учителем включают модели классификации и регрессии, используемые в категоризации культур и оценке урожайности. Наиболее распространенными методами машинного обучения являются машины опорных векторов (SVM), деревья решений и случайные леса, а также искусственные нейронные сети (ANN). Нейронные сети являются особенно эффективными инструментами для представления сложных нелинейных взаимосвязей в сельскохозяйственных наборах данных и превосходят предыдущие методы, основанные на экспертной разработке признаков (Kraus и др., 2020). Глубокое обучение — это специализированный тип нейронной сети, который строит модели с многочисленными слоями для обнаружения сложных и абстрактных паттернов в данных (Hasimi и др., 2024). Напротив, деревья решений и случайные леса превосходно анализируют гетерогенные и зашумленные наборы данных. В настоящее время исследовательская тенденция включает использование этих моделей для повышения эффективности производства фруктов за счет прогнозирования конкретных условий роста и категоризации детальной информации, такой как оценка качества фруктов и идентификация болезней. В рамках алгоритмов без учителя наиболее актуальны методы кластеризации, такие как K-средних и иерархическая кластеризация. Эти алгоритмы позволяют выявлять паттерны в данных без необходимости в предварительно заданных метках. Различные приложения подчеркивают их полезность, включая сегментацию сельскохозяйственных районов на основе свойств почвы, классификацию регионов производства и обнаружение очагов вредителей. Байесовские сети, которые попадают в эту категорию, предоставляют сложные возможности для моделирования неопределенности и причинно-следственных связей. Сельскохозяйственный сектор использует эти сети для прогнозирования вспышек вредителей и управления рисками. Сельское хозяйство конкретно использует алгоритмы обучения с подкреплением для автоматизации и оптимизации долгосрочных решений. Полевые приложения этой технологии включают управление системами орошения и удобрения для оптимизации эффективности использования ресурсов за счет накопления вознаграждения. В рамках обучения с подкреплением выделяется использование сверточных нейронных сетей (CNN) для оценки сельскохозяйственных изображений в реальном времени, что позволяет выявлять потенциальные проблемы, связанные с развитием или здоровьем культур. Исследования в этой области направлены на повышение устойчивости сельскохозяйственного производства за счет интеллектуальной автоматизации и оптимального принятия решений, нацеленных на максимизацию урожайности и снижение использования сельскохозяйственных ресурсов.

Рисунок 3 Классификация алгоритмов искусственного интеллекта, применяемых в сельском хозяйстве, на три основные категории: обучение с учителем, обучение без учителя и обучение с подкреплением. Каждая категория детализирует тип данных, рекомендации, ограничения и конкретные приложения в сельскохозяйственном контексте.

2.1 Искусственные нейронные сети

Эти математические модели, происходящие из архитектуры человеческого мозга, могут приобретать знания о нелинейных связях между переменными и часто используются для прогнозирования урожайности фруктов (Rauber и др., 2017; Aworka и др., 2022). ANN могут понимать сельскохозяйственные системы и прогнозировать их производительность, используя исторические данные, климат, почвенные условия и методы управления (Heaton и др., 2018). ANN — это категория алгоритмов глубокого обучения, которые содержат взаимосвязанные слои искусственных «нейронов», которые анализируют и преобразуют входные данные в выходные прогнозы, следуя определенной структуре. Каждый отдельный нейрон связан с конкретным набором весов и смещений, которые претерпевают изменения в рамках процедуры обучения. Слои часто классифицируются на три категории: Входной слой: получает входные переменные, включая климатические, почвенные данные и данные об управлении (Salari и др., 2023). Производит окончательные прогнозы, такие как ожидаемая производительность культуры (Duarte-Carvajalino и др., 2021; Karydas и др., 2023). Сеть итеративно адаптирует свои веса и смещения, чтобы минимизировать расхождение между прогнозами и фактическими значениями производительности. Поскольку на точность ANN сильно влияет качество и количество обучающих данных, проверка значимости данных имеет ключевое значение. Данные должны точно отражать состояние культур и охватывать ряд элементов, включая исторические погодные данные, информацию о почве, стратегии управления и записи о прошлой производительности (Salari и др., 2023). Различные стратегии и факторы улучшают прогнозирование урожайности многолетних культур, включая регуляризацию и нормализацию, которые предотвращают переобучение, обеспечивают масштабирование входных данных, ускоряют процесс обучения и улучшают сходимость сети (Bennett и др., 2013; Shahhosseini и др., 2019). Оценочные меры, такие как среднеквадратическая ошибка (MSE) или коэффициент детерминации (R²), используются для количественной оценки точности прогнозов (Humphrey и др., 2017).

2.2 Машины опорных векторов

Эти алгоритмы обучения с учителем определяют наиболее эффективные границы решений, разделяющие различные классы данных. В многолетних культурах SVM могут категоризировать различные степени производительности, используя предикторные факторы (Berk, 2020). Например, распознавание фруктов с помощью SVM на основе глубинных признаков представляет модель, которая использует классификатор, подключенный к слою модели сверточной нейронной сети. Эта модель направлена на классификацию 40 различных типов индийских фруктов (Behera и др., 2020).

2.3 Деревья решений и случайные леса

Случайный лес — это мощный ансамблевый алгоритм обучения, который привлек значительное внимание в прогнозном моделировании (Trieu и Thinh, 2023). Эта методология основана на построении леса из деревьев решений, где каждое дерево обучается на случайном подмножестве признаков и образцов данных. Полученный ансамбль деревьев затем используется для прогнозирования, при этом окончательный результат определяется большинством голосов или средним значением прогнозов отдельных деревьев (Yaseen, 2023). Модель RF из исследования Fukuda и др. (2013) точно предсказала урожайность плодов манго на основе водоснабжения и различных методов орошения. Модели RF предоставили точные оценки максимальных и средних значений урожайности для плодов манго и промежуточную точность в прогнозировании минимальной урожайности плодов.

2.4 Модели временных рядов

Подобно ARIMA (AutoRegressive Integrated Moving Average) и LSTM (Long Short-Term Memory), эти модели полезны для плодовых культур, которые испытывают сезонные и климатические колебания. Эти модели TSM ставят во главу угла прогнозирование будущих значений путем анализа предыдущих паттернов во временном ряду (Ali и др., 2024). В своем исследовании Amir-Hamjah (2014) выделил производительность гибридной модели временных рядов для прогнозирования производства манго, банана и гуавы. Если набор данных состоит из паттерна линейности и нелинейности, гибридная модель показала лучшую производительность по сравнению с любой отдельной моделью временных рядов или методом машинного обучения.

2.5 Байесовские сети

Эта статистическая модель помогает представлять неопределенность данных и причинно-следственные связи между переменными. Они ценны для оценки влияния различных факторов на сельскохозяйственную производительность. Несколько исследований представляют перспективный подход к оценке стратегий борьбы с вредителями с использованием байесовских сетей, учитывая, что эффективное управление вредителями является ключевым компонентом для производительности культур, поскольку вредители могут серьезно влиять на урожайность и качество плодов на протяжении всей цепочки поставок фруктов (Singh и Gupta, 2017; Holt и др., 2018; Salliou и др., 2019). Затем BN были использованы для сравнения вмешательств по борьбе с вредителями, таких как борьба с плодовой мушкой на питайе (Holt и др., 2018).

2.6 Регрессионные модели

Регрессионные модели, такие как линейная, множественная линейная и полиномиальная регрессии, могут быть использованы для выявления связей между независимыми факторами (например, свойствами почвы, климатом, анализом изображений) и зависимой переменной (урожайностью культуры). В исследовании цитрусовых Rauch и др. (2023) полиномиальная регрессионная модель оценила размер апельсинов. Другое исследование RM по датчикам или анализу изображений; Robson и др. (2017) использовали мультиспектральные спутниковые снимки высокого разрешения (Worldview 2-3) для картирования параметров урожайности на плантациях авокадо в Австралии.

2.7 Тенденция исследований в области моделирования фруктов

Область моделирования тропических фруктов претерпела значительные изменения в последние годы. Наше исследование литературы указывает на большой скачок в количестве публикаций, начиная с 2021 года, с особенно быстрым ускорением в 2022 и 2023 годах. Диаграмма совстречаемости на Рисунке 4 представляет взаимосвязанный характер различных областей исследований в рамках тенденций применения моделей в плодовых культурах. Эта совстречаемость показывает, что ключевые слова «машинное обучение», «прогнозирование» и «интернет вещей» являются наиболее часто встречающимися ключевыми словами в исследовательских работах по моделированию фруктов. Обратите внимание, что другие термины, такие как точное земледелие, которое приобретает важность в 2021 году, сильно связаны с внедрением технологий в сельское хозяйство, сохраняя связь, ранее упомянутую Ruiz-Real и др. (2020). Более того, тенденции в методах искусственного интеллекта для плодовых культур развивались вокруг агрономии, сельского хозяйства и устойчивости. Анализ научных публикаций с 2018 по 2024 год на Рисунке 5 показывает восходящую траекторию в исследованиях, связанных с тропическими фруктами в области сельского хозяйства и технологий. В период с 2018 по 2019 год количество публикаций оставалось низким, что свидетельствует о зарождающейся области с ограниченным интересом. Однако между 2019 и 2020 годами наблюдался постепенный рост, указывающий на растущий интерес и развитие. 2021 год стал поворотным моментом, с значительным увеличением публикаций, возможно, из-за методологических достижений, новых технологий или увеличения финансирования. Этот рост дополнительно ускорился в 2022 и 2023 годах, достигнув пика в прошлом году, что отражает активное научное сообщество и консолидированную область исследований. Хотя 2024 год находится на середине, количество публикаций остается высоким, что предполагает, что область остается актуальной и динамичной (He и др., 2023).

Рисунок 4 Анализ ключевых слов и силы ассоциации в исследовательской литературе, связанной с моделированием тропических фруктов. Градиент цвета указывает на время с 2014 (синий) по 2024 (желтый) год.

Рисунок 5 Ежегодный уровень публикации научных статей, индексированных в Scopus, по темам машинного обучения, IoT, глубокого обучения, умного фермерства и точного земледелия, связанным с производством фруктов, с 2018 по 2024 год.

Растущий интерес к тропическим фруктам подчеркивает важность этой области для науки и общества. Достижения в технологиях и методах, такие как моделирование, сбор данных и вычислительная мощность, позволили исследователям решать сложные проблемы с большей точностью. Область моделирования становится все более важной из-за растущего спроса на тропические фрукты, который требует устойчивых и эффективных стратегий производства (Bhat и Paliyath, 2016). Примечательно, что инновации в области дистанционного зондирования, метеостанций, датчиков, дронов и искусственного интеллекта продвинули исследования вперед, вызвав более широкий интерес и увеличив распространение результатов в исследованиях тропических фруктов (Nath и др., 2019; Md Nor и Ding, 2020). В ответ исследовательское сообщество увеличило свои усилия по пониманию динамики производства тропических фруктов, начиная от генетического улучшения и заканчивая послеуборочной обработкой (Vieira и др., 2024).

Стабильно растущее количество публикаций в 2024 году подчеркивает продолжающийся интерес и значимость этой темы исследования. Моделирование тропических фруктов имеет практические последствия для фермеров, потребителей и политиков, выходя за рамки академических исследований (Aline и др., 2023). Исследования по моделированию способствуют созданию устойчивых и жизнеспособных систем производства тропических фруктов, предоставляя основанные на фактических данных идеи по управлению культурами, оптимизации ресурсов и адаптации к изменению климата.

Почвы являются фундаментальным компонентом агроэкосистем, и их качество играет ключевую роль в производстве тропических фруктов. Традиционно плодородие оценивалось на основе химических свойств; однако в последние годы это понятие эволюционировало и теперь включает также физические и биологические свойства (García и др., 2012). Это изменение в понимании отражает более широкое признание различных факторов, способствующих здоровью почвы.

Более того, колебания климатических условий, таких как количество осадков, температура и качество воздуха, значительно влияют на состав почвы и, следовательно, на сельскохозяйственную производительность. Поэтому текущие усилия направлены на поиск решений для смягчения неблагоприятных последствий изменений окружающей среды на сельскохозяйственные урожаи (Borrelli и др., 2020).

Для помощи в принятии решений прогностические модели стали ценными инструментами, поскольку они могут прогнозировать поведение переменных и генерировать паттерны или тенденции для конкретных ситуаций. Эти модели особенно полезны для анализа физических свойств почвы, которые имеют тенденцию оставаться стабильными с течением времени в естественных условиях. Например, одной из наиболее известных моделей для прогнозирования эрозии почвы является универсальное уравнение потерь почвы (USLE) (Alewell и др., 2019). Несмотря на то, что это эмпирическая модель, она получила широкое признание и применяется во многих областях почвоведения благодаря своей надежности.

Более совершенные методы, такие как регрессионная сеть глубокого обучения (DNNR), также показали большую перспективность. Как продемонстрировали Cai и др. (2019), метод DNNR использовался для прогнозирования влажности почвы, достигнув значения R² 0,98. Эта производительность сравнима с искусственной нейронной сетью (ANN2) (Adeyemi и др., 2018) и превосходит машину опорных векторов (SVM) (Gill и др., 2006), которая имела значение R² 0,89. Кроме того, то же самое исследование проанализировало модель многослойного перцептрона (MLP), которая дала сходные значения R² (0,97), но с более высокой средней абсолютной ошибкой (MAE) до 70%. В этом контексте Mallick и др. (2022) использовали метод авторегрессии скользящего среднего ближайшего соседа (NN-ARMA) для прогнозирования содержания органического вещества почвы по данным дистанционных датчиков. Этот метод смог объяснить 96,4% общего изменения содержания органического вещества почвы с RMSE 0,093.

Кроме того, было разработано несколько моделей для имитации взаимодействия корней и почвы. Dunbabin и др. (2013) сравнили шесть моделей (RootTyp, SimRoot, ROOTMAP, SPACSYS, R-SWMS и RootBox) и оценили потенциал каждой модели для создания трехмерной структуры корня и динамики роста в соответствии с внутренними почвенными факторами. В целом, R-SWMS (Meunier и др., 2022) имитирует поглощение воды корнями и моделирует гидрологическое взаимодействие корня и почвы. SimRoot (Lynch и др., 1997) имитирует динамику поглощения питательных веществ, хотя имеет проблемы с нитратами. ROOTMAP (Diggle, 1988) более эффективен и имитирует пролиферацию корней. SPACSYS (Wu и др., 2007) используется для моделирования культур и интегрирует прогнозы биомассы и урожайности с динамикой корней и почвы. RootTyp (Pagès и др., 2004) имитирует архитектуру корней и может быть объединен с почвенными моделями. RootBox (Leitner и др., 2010) использует структуру Matlab для имитации систем роста и развития корней, что является открытой системой, поддерживающей расширение.

Основной целью большинства сельскохозяйственных моделей является прогнозирование урожайности с высокой точностью. В связи с этим Barbosa и др. (2020) оценили модель сверточной нейронной сети (CNN), используя такие входные данные, как нормы азота и семян, карты высот, электропроводность почвы и спутниковые снимки. Примечательно, что это исследование достигло 68% снижения RMSE по сравнению с множественной линейной регрессией и 29% снижения по сравнению со случайными лесами. Этот подход интегрирует нейронные сети в геопространственные проблемы, позволяя создавать модели без необходимости разработки конкретных признаков или предположений о пространственном распределении, которые непосредственно включаются в процесс обучения.

В этом отношении исследования, описанные Jasoliya и др. (2024), детализируют группу моделей, ориентированных на динамику почвенной воды через матричный компонент и другие физические свойства. Эти авторы отмечают, что эмпирические и аналитические модели просты в реализации, но предоставляют ограниченную информацию; численные методы, основанные на конечных элементах (FE) и частицах, предпочтительны для детальных исследований. Метод произвольного Лагранжа-Эйлера (ALE) в рамках метода FE лучше коррелирует с фактическим поведением почвы, но не подходит для моделирования больших деформаций и разрывного поведения. Методы, основанные на частицах (SPH), и метод дискретных элементов (DEM) также используются для преодоления ограничений метода FE. Хотя эти методы умеренно продвинуты, они требуют дальнейшей оценки и улучшения для этих конкретных приложений.

Прогностические модели для тропических фруктов редки из-за гетерогенности физиологических переменных. Листья, стволы и корни могут иметь различный возраст в пределах одной плантации, что приводит к разным размерам, формам и цветам. Кроме того, потоки листьев высокочувствительны к климатическим и почвенным условиям (Nafees, 2019). Ярким примером является манго, где водный стресс запускает активацию фитогормонов старения (этилена), останавливая появление новых побегов и подготавливая растение к цветению (Valdez-Rivera и др., 2022). Это иллюстрирует одну из многих проблем моделирования многолетних культур, и она становится более сложной при добавлении взаимодействия с почвенным матриксом.

Урожайность фруктов сложным образом связана с различными биотическими и абиотическими факторами, такими как погодные условия (Haque и др., 2020), качество почвы (Srivastava и др., 2021), методы управления садом (Haque и Sakimin, 2022), орошение (Zuazo и др., 2021; Tong и др., 2022), удобрение (de Mello Prado и Rozane, 2020; Sun и др., 2022), вредители и болезни, а также физиологическое развитие деревьев (Bons и Kaur, 2020). Погодные условия, включая температуру, количество осадков и солнечный свет, напрямую влияют на рост и развитие плодовых растений и косвенно влияют на давление болезней и вредителей (Orlandini и др., 2020). Прогнозирование урожайности начинается с понимания физиологического развития плодовых культур и управления им, включая цветение (Gene Albrigo и Galán Saúco, 2004; Mohandass и др., 2018) и процессы завязывания плодов (Agustí и Primo-Millo, 2020; Alcaraz и Hormaza, 2021). Сложное взаимодействие этих факторов требует комплексных моделей, достигающих точных прогнозов производства фруктов для максимизации урожайности фруктов. Предыдущие исследования оценили микродатчики, структуры и многочисленные функции, которые могут быть приняты во внимание для систем прогнозирования урожайности тропических фруктов, такие как генетика (Seyum и др., 2022), NDVI (Mwinuka и др., 2022), фотосинтетически активная радиация (PAR), биомасса, температура, осадки, удобрение, схемы орошения (Garrido и др., 2023). Поэтому различные модели находятся в стадии оценки для климатических условий, стратегий управления и роста растений/плодов (He и др., 2022).

Используя мощь современных методов моделирования и технологий для сбора данных и вычислений, страны и производители фруктов могут оптимизировать свои методы, снизить воздействие на окружающую среду и внести вклад в глобальную продовольственную безопасность (van Meijl и др., 2020). Моделирование фруктов использует данные из различных источников, включая погодные условия, состояние почвы и историческую производительность культур (Anderson и др., 2021), для получения точных прогнозов урожайности фруктов. Этот анализ информации позволяет фруктовым садам и правительствам принимать обоснованные решения о сельскохозяйственных программах и управлении отходами фруктов (Abadi и др., 2021; Magalhães и др., 2021), улучшая распределение ресурсов и повышая производительность садов. Кроме того, модели урожайности фруктов способствуют снижению рисков, позволяя фруктовой промышленности и производителям прогнозировать и смягчать последствия неблагоприятных погодных условий. В конечном счете, все эти преимущества расширяют возможности для селекции более устойчивых тропических фруктов (Sattar и др., 2021). Прогресс в исследованиях по моделированию урожайности фруктов направлен на выявление тенденций, таких как постоянный акцент на климатических факторах, растущая важность методов моделирования и сдвиг в сторону исследований в области селекции в последние годы.

Классические модели прогнозирования урожайности фруктов были инициированы на основе традиционных расчетов с использованием выборочной оценки и эмпирических моделей. Однако эти модели ограничены различными географическими условиями, сложной природной средой, экономическими затратами, квалифицированной рабочей силой и временем (Khan и др., 2020). Совсем недавно технологии автоматического мониторинга, интеллектуальное оборудование и продвинутые модели позволили создать более комплексные системы прогнозирования урожайности. Современные системы прогнозирования урожайности в значительной степени полагаются на обработку изображений (Wang и др., 2024), данные метеостанций, датчики орошения и спутниковую информацию, чтобы уменьшить ручные усилия классических моделей, требующих подсчета и взвешивания плодов. Основываясь на своей базовой структуре, модели прогнозирования урожайности фруктов требуют входных данных и предоставляют выходные данные, связанные с количеством и/или качеством фруктов. Данные об урожайности фруктов являются основным фактором для принятия решений в управлении садом в отношении других требований к рабочей силе. Данные об урожайности влияют на послеуборочные условия хранения, транспортировку и логистику маркетинга. Поэтому модели прогнозирования урожайности фруктов являются одними из наиболее распространенных моделей для тропических фруктов, как показано в Таблице 1.

Чтобы дополнительно проиллюстрировать разнообразие подходов к моделированию, применяемых в производстве тропических фруктов, Таблица 1 предоставляет всестороннюю сводку различных методов моделирования и их соответствующих приложений. Эта таблица предоставляет детальный обзор алгоритмов, используемых для решения конкретных проблем, связанных с сельским хозяйством тропических фруктов. Эти задачи включают прогнозирование урожайности, обнаружение болезней, оценку спелости, мониторинг заражения вредителями и моделирование воздействия климата. Таблица подчеркивает эволюцию методологий, начиная от традиционного статистического анализа и заканчивая сложными алгоритмами машинного обучения, что отражает растущую сложность сельскохозяйственных проблем в тропических условиях.

Таблица организована так, чтобы быстро определить, какие подходы к моделированию оказались эффективными для конкретных задач в различных тропических фруктах. Категоризируя модели в соответствии с их применением, таблица демонстрирует, как различные инструменты моделирования решают отдельные аспекты производства фруктов, от моделирования роста до оптимизации цепочек поставок. Ссылки являются индикатором эволюции методов моделирования, обобщенных в таблице. Например, ранние модели использовали более простые методы, такие как регрессионный анализ, в то время как более поздние исследования приняли методы машинного обучения, такие как сверточные нейронные сети (CNN) и классификаторы на основе деревьев решений.

Производство тропических фруктов сталкивается с растущими проблемами из-за изменения климата. Производство тропических фруктов, необходимое для экономического и питательного обеспечения многих регионов, значительно подвергается риску из-за метеорологических колебаний. Эти колебания включают ряд экологических стрессов, таких как колебания температуры, засуха и экстремальные погодные явления, которые напрямую влияют на физиологические, анатомические, морфологические и биохимические аспекты плодовых культур (Malhotra, 2017; Benkeblia, 2021).

Например, высокие температуры могут нарушить процессы развития растений на критических стадиях — прорастание семян, рост растений, опадение цветков и завязывание плодов — тем самым влияя на вес, размер и общее качество плодов (Pandey и др., 2021). У тропических фруктов, таких как манго, бананы и папайя, эти климатические условия могут изменять характер цветения, снижать завязываемость плодов и повышать восприимчивость к вредителям (Gutierrez и др., 2021; Zhang и др., 2022) и болезням. Кроме того, вызванная климатом засуха создает двойную угрозу: она напрямую снижает урожайность за счет уменьшения количества плодовых кистей на дереве и косвенно влияет на необходимую активность опылителей, необходимую для производства плодов (Gupta и др., 2021).

Последствия этих климатических проблем глубоки, выходя за рамки сельскохозяйственного производства и затрагивая более широкие социально-экономические аспекты. В тропических регионах, где сельское хозяйство является основой экономики и сообществ, последствия вызванных климатом сбоев в производстве фруктов могут быть особенно серьезными, приводя к потерям урожая, экономической нестабильности и нехватке рабочей силы (Snyder, 2017; Eftekhari, 2022).

Учитывая этот сценарий, интеграция метеорологических моделей в процессы производства тропических фруктов является ключевой стратегией (Ramirez-Guerrero и др., 2023). Эти модели предоставляют прогностические сведения о погодных условиях, позволяя лучше подготовиться и принять адаптивные меры. В следующих разделах рассматриваются особенности этих метеорологических моделей, их интеграция с существующими методами ведения сельского хозяйства и потенциальные пути повышения устойчивости и продуктивности культивирования тропических фруктов в условиях меняющейся климатической динамики (Zscheischler и др., 2020).

5.1 Обзор метеорологических моделей в сельском хозяйстве

Применение метеорологических моделей в сельском хозяйстве имеет ключевое значение для понимания и управления последствиями изменчивости климата и экстремальных погодных явлений для производства тропических фруктов. Эти модели, начиная от эмпирического статистического анализа и заканчивая сложными динамическими симуляциями, улавливают сложные взаимодействия между климатическими факторами и сельскохозяйственными результатами.

Последние тенденции указывают на увеличение задержек начала сезона дождей и более частые засушливые периоды, в частности в таких регионах, как Западная и Центральная Африка (Sylla и др., 2016). Такая непредсказуемость погодных условий значительно влияет на производство богарного сельского хозяйства, включая культивирование тропических фруктов. Неопределенность, связанная со сроками первых дождей, привела к различным показателям производительности культур из-за задержки посадки (Anwar и др., 2020). Система поддержки принятия решений для передачи сельскохозяйственных технологий (DSSAT) и инструмент оценки почвы и воды (SWAT) являются известными моделями, используемыми в сельскохозяйственной метеорологии (Ara и др., 2021). DSSAT, с такими моделями, как CERES-Maize (Song и Jin, 2020), предоставляет ключевые данные для рекомендаций по датам посадки и оптимизации сортов культур в ответ на изменчивость погоды. Модель SWAT, известная своей эффективностью в гидрологических и экологических симуляциях, помогает в оценке водных ресурсов и прогнозировании последствий землепользования и методов управления на экологические факторы. В таких регионах, как Центральный Квинсленд, Австралия, очевидны последствия экстремальных погодных явлений, таких как волны тепла, циклоны и наводнения, для производства тропических фруктов, таких как ананасы, манго и личи (Wheeler и Lobley, 2021). Эти явления могут изменить периоды цветения и сбора урожая, влияя на качество и количество плодов. Усовершенствованные методы моделирования, такие как регрессионные модели и анализ исторических тенденций, сыграли важную роль в оценке взаимосвязи между климатическими факторами и сельскохозяйственной продукцией. Например, исследования с использованием регрессионных моделей в Центральном Квинсленде выявили умеренные корреляции между климатическими переменными и урожайностью культур (Jägermeyr и др., 2021).

Несмотря на эти достижения, метеорологические модели в сельском хозяйстве сталкиваются с такими проблемами, как пространственная и временная изменчивость погодных условий и сложность взаимодействий между множеством климатических факторов (Parra-Coronado и др., 2016). Эти проблемы могут приводить к неопределенности в прогнозах моделей и влиять на их точность (Tisné и др., 2020). Повышение точности и надежности этих моделей имеет важное значение, и оно может быть достигнуто за счет включения более детальных климатических данных, уточнения алгоритмов моделей и интеграции этих моделей с другими источниками сельскохозяйственных данных. Изучение использования машинного обучения и искусственного интеллекта в метеорологическом моделировании, влияющем на тропические фрукты, может предоставить новаторские идеи и решения (Chattopadhyay и др., 2020).

5.2 Примеры интеграции моделей в производство тропических фруктов

Тематическое картирование (Рисунок 6), выполненное с использованием пакета Bibliometrix (Aria и Cuccurullo, 2017) в среде R, позволило выявить и визуализировать ключевые темы исследований за четыре различных периода: 2010-2014, 2015-2020, 2021-2022 и 2023. Этот анализ был основан на анализе совстречаемости слов, кластеризации ключевых слов с высокой совстречаемостью для представления распространенных тем исследований в течение каждого периода (Lozano и др., 2019). Такие метрики, как взвешенный индекс включения (WII) и индекс стабильности, были рассчитаны для количественной оценки значимости, непрерывности и связи между интервалами этих тем (Klarin, 2024). Диаграмма Санкея эффективно представляет поток и переход тем исследований в указанные периоды (Abdelalim и др., 2017), а ширина связи указывает на их влияние и преемственность в исследовательской среде.

Рисунок 6 Тематическая карта исследований в области производства тропических фруктов, подчеркивающая центральность и плотность ключевых тем.

Анализ ежегодного научного производства с 2010 по 2024 год выявляет растущий интерес к изучению производства тропических фруктов. Данные показывают начальную публикацию четырех статей в 2010 году, достигшую пика в шесть в 2014 году. Эта тенденция указывает на растущий академический интерес к влиянию климата и погоды на производство фруктов, применению системы моделирования DSSAT и более широкому использованию методов моделирования для улучшения понимания и результатов в области сельского хозяйства тропических фруктов.

Анализ тематической карты (Рисунок 6) подчеркивает значительную междисциплинарную интеграцию традиционных сельскохозяйственных методов с передовыми вычислительными моделями в исследовательской среде. Термин «культуры» становится центральной темой с 11 встречами и высоким показателем промежуточной центральности 7175,77, что подчеркивает его ключевую роль в соединении различных тем исследований. Эта центральность предполагает, что дискуссии вокруг «культур» служат фундаментальным элементом, эффективно связывая практические сельскохозяйственные проблемы с теоретическими подходами к моделированию.

Более того, термины «компьютерное моделирование» и «сельскохозяйственное моделирование» демонстрируют растущую зависимость от вычислительных инструментов по количеству встречаемости. Эти термины подчеркивают растущий акцент на моделировании сложных агроэкосистем и прогнозировании результатов в различных условиях. Кроме того, темы «орошение» и «численная модель» отражают целенаправленный интерес к оптимизации водопользования и повышению точности прогнозов урожайности с помощью математических моделей. Эти метрики количественно определяют вовлеченность исследовательского сообщества в эти темы, иллюстрируя их стратегическую важность для продвижения нашего понимания производства тропических фруктов. Взаимосвязанность и влияние этих тем дополнительно подчеркиваются их показателями близости и центральности PageRank, что предполагает целостный и интегрированный подход к решению проблем тропического плодоводства.

5.3 Проблемы и возможности интеграции моделей

Анализ тематической эволюции, как показано на Рисунке 7, иллюстрирует динамические сдвиги в фокусе исследований в области производства тропических фруктов с течением времени, охватывая период с 2010 по 2023 год. Начальный период 2010-2014 годов был в основном сосредоточен на таких темах, как «будущее» и «китай», с взвешенным индексом включения (WII) 0,20 для переходов, например «китай–2010-2014» в «климат–2015-2020». Этот сдвиг подчеркивает растущий акцент на проблемах, связанных с климатом, в китайском контексте. WII 0,20, хотя и умеренный, подчеркивает растущую важность климатических соображений в этот период.

Рисунок 7 Тематическая эволюция фокуса исследований ключевых тем в производстве тропических фруктов за четыре различных периода: 2010-2014, 2015-2020, 2021-2022 и 2023. Толщина связей представляет взвешенный индекс включения (WII), указывающий на относительную важность и преемственность каждой темы с течением времени.

С 2015 по 2020 год фокус исследований сместился в сторону более конкретных тем, включая «климат», «управление культурами» и «моделирование». Примечательно, что переход от «климат–2010-2014» к «климат–2015-2020» был отмечен WII 1,00 и индексом включения 0,50, что указывает на устойчивый и углубляющийся фокус на изменении климата в исследовательском сообществе. Индекс стабильности 0,14 для «климата» в различных периодах дополнительно подчеркивает непреходящую озабоченность по поводу влияния изменения климата на сельскохозяйственную производительность. Появление «моделей» с WII 1,00 в тот же период подчеркивает растущую центральную роль методов прогнозного моделирования в решении сельскохозяйственных проблем. К 2023 году тематический фокус сместился на «обзор» и «селекцию», указывая на движение в сторону консолидации знаний и развития методов селекции для решения проблем, связанных с климатом. Этот этап тематической эволюции отмечен WII 1,00 для «моделей» и отражает стремление исследовательского сообщества к разработке практических решений. В целом, анализ указывает на реакцию на глобальные проблемы и траекторию движения к более интегрированным, климатически осознанным и инновационно-ориентированным подходам в исследованиях производства тропических фруктов.

Стохастический граничный анализ и анализ среды функционирования являются наиболее применяемыми методами для оценки уровней эффективности сельскохозяйственной продукции, с акцентом на тропические фрукты. Этот обзор объединил набор рукописей с использованием статического и динамического параметрического и непараметрического анализа, включая информацию о теоретических и эмпирических моделях производства, ключевых детерминантах эффективности и уровней производства, размере выборки, зонах исследования и типах культур.

6.1 Модели эффективности

Существует большое количество исследований в области экономики производства, оценивающих уровни эффективности различных культур и продуктов животноводства. В некоторых исследованиях используются параметрические методы, в то время как другие не делают никаких предположений о распределении параметров и вычисляют индексы эффективности непараметрическим способом. В этом исследовании описываются эти альтернативные подходы и ключевые выводы относительно оцененных показателей эффективности в различных производственных системах.

6.1.1 Модель стохастической границы

Анализ стохастической границы (SFA) (Coelli и др., 2005; Cornwell и Schmidt, 2008) представляет собой стратегию экономического моделирования, которая состоит из двух процедур: оценки производственной функции и модели технической неэффективности. Математически первый этап выглядит следующим образом:

где qi представляет уровень выпуска, f(xi; β) — детерминированная часть модели с входными данными xi и коэффициентами β, а exp(εi) — экспоненциальная функция составной ошибки с ошибкой шума (vi) и ошибкой неэффективности (ui). Производственная граница задается как f(xi; β) exp(vi), а мера неэффективности — ui. Здесь исследователь должен предположить распределение для εi, например, полунормальное, экспоненциальное, усеченное нормальное, гамма и т.д. Стратегия максимального правдоподобия (ML) оценивает эту модель, используя ее асимптотические свойства, а оценки для показателей неэффективности получаются из условного распределения ui при заданном оцененном εi (Greene, 2008; Belotti и др., 2013).

SFA может оценивать производственную функцию, используя различные функциональные формы, такие как Кобба-Дугласа, Транслог или CES (Pascoe и др., 2003); в частности, в исследованиях производства тропических фруктов наиболее часто использовалась функция Кобба-Дугласа (Trujillo и Iglesias, 2013; Hossain и др., 2015; Melo-Becerra и Orozco-Gallo, 2017; Roco и др., 2017; Balogun и др., 2018; Kiet и др., 2020; Muhamad и др., 2023). Наконец, SFA предоставляет модель показателей технической неэффективности, объясняемую набором экзогенных переменных для выявления основных детерминант этой неэффективности в хозяйствах.

Хотя литература по экономике производства широко применяет SFA, существует мало исследований SFA, связанных с производством тропических фруктов в Латиноамериканском регионе. Немногие латиноамериканские исследования используют SFA для производства кофе, масличной пальмы, ананасов и винограда (Trujillo и Iglesias, 2013; Melo-Becerra и Orozco-Gallo, 2017; Roco и др., 2017; Lizarraga Hernández, 2020). Расширяя поиск ссылок на другие регионы, SFA предоставляет доказательства уровней эффективности бананов, манго, арбузов, баклажанов, арахиса и т.д. Граничные модели обычно оценивают производственную функцию, используя либо уровень выпуска на гектар, либо денежную стоимость на гектар в качестве зависимой переменной, где ковариатами являются земля, труд, капитал, удобрения/пестициды, семена, орошение и погодные переменные. Общий вывод в нашем обзоре заключается в том, что большинство ферм функционируют ниже границы производства для тропических фруктов, где мы вычисляем уровень эффективности около 70% в среднем (т.е. фирма может стать полностью эффективной, сократив ресурсы на 30%). Такой уровень эффективности согласуется с мета-анализом, который сообщает о среднем уровне эффективности 74,2% для сельскохозяйственных ферм, используя опубликованные рукописи между 1981 и 2014 годами (Bravo-Ureta и др., 2017).

6.1.2 Анализ среды функционирования

Различные исследования применили анализ среды функционирования (DEA) в сельском хозяйстве, банковском деле, образовании, энергетике, здравоохранении и т.д. (Cooper и др., 2011). Однако, как и в литературе по SFA, мы не находим много исследований DEA, связанных с производством тропических фруктов.

Как непараметрическая альтернатива SFA, DEA представляет собой линейное программирование, где принимающие решения единицы (DMU) либо минимизируют использование ресурсов при заданном уровне выпуска (т.е. ориентированный на ресурсы DEA), либо максимизируют уровень выпуска при заданном уровне ресурсов (т.е. ориентированный на выпуск DEA), с технологией производства, демонстрирующей постоянную отдачу от масштаба (модель CCR DEA, названная в честь работы Charnes, Cooper и Rhodes в 1970-х годах) или переменную отдачу от масштаба (модель BCC DEA, благодаря исследованию Banker, Charnes и Cooper) (Cooper и др., 2011). Математическая модель DEA обычно предоставляет показатель технической эффективности, максимально возможные уровни производства при заданном наборе ресурсов или минимальное использование ресурсов при заданном фиксированном уровне выпуска. При использовании модели BCC DEA или переменной отдачи от масштаба в математической модели эта техническая эффективность может быть разделена на чистую техническую эффективность (т.е. техническую эффективность при переменной отдаче от масштаба) и эффективность масштаба (т.е. достижение оптимального уровня производства за счет идеального размера масштаба) (Boakye и др., 2024). Альтернативно, если у нас есть точная информация о ценах, которую нелегко получить из-за несовершенства рынка, исследователь может установить модели DEA, которые минимизируют затраты или максимизируют доход или прибыль, так что могут быть вычислены экономическая эффективность (т.е. производство на оптимальном уровне за счет экономии производственных затрат), распределительная эффективность (т.е. использование оптимальных уровней ресурсов с учетом их цен) и эффективность прибыли (т.е. получение максимальной прибыли от уровней производства) (Fethi и Pasiouras, 2010; Cooper и др., 2011).

Хотя показатели эффективности несколько различаются, исследователь может использовать DEA, ориентированный на ресурсы или на выпуск, в зависимости от того, над чем DMU имеют больше контроля — над ресурсами или выпуском. Большинство исследований в нашем литературном поиске использовали модели DEA, ориентированные на ресурсы, и показали показатели технической и масштабной эффективности. Исследования из Аргентины, Бразилии, Колумбии, Эквадора, Гватемалы и Мексики анализируют эффективность различных культур, таких как авокадо, банан, какао, кофе, грейпфрут, лимон, апельсин, мандарин, маракуйя и плантан (Barreno и Marroquin, 2012; Novo и др., 2013; Guidek и др., 2017; Valencia и Duana, 2019; Barajas и Pabuena, 2023; Varela, 2023). В этих работах используются размер земли, труд, удобрения, тягловая сила животных и потребленное топливо в качестве входных переменных, а уровень производства в тоннах (на гектар) или экономическая (экспортная) стоимость продукции — в качестве выходных переменных. Опять же, существует возможность повышения уровней эффективности в различных культурах, где средняя техническая эффективность составляет 71,79%, что означает, что фермы могут сократить около 29% уровней ресурсов и по-прежнему производить те же уровни выпуска. Barajas и Pabuena (2023) показывают самый низкий показатель технической эффективности для мандарина — 17%. Между тем, наиболее эффективными культурами являются авокадо, кофе, какао, лимон и апельсин с показателем 100% в нашем литературном поиске (Valencia и Duana, 2019; Barajas и Pabuena, 2023). Наконец, некоторые исследования DEA также используют преимущества эконометрических моделей (модели Тобита) для изучения того, как погодные переменные (осадки), характеристики ферм и фермеров (например, возраст, образование, электрические машины) и другие факторы объясняют эти оцененные уровни эффективности DEA (Barajas и Pabuena, 2023; Varela, 2023).

6.2 Модели временных рядов для производства тропических фруктов

В дополнение к экономическим моделям, которые оценивают уровни эффективности, исследования часто используют данные временных рядов для моделирования динамических взаимосвязей между производством культур и ключевыми детерминантами или для прогнозирования уровней урожайности и цен на урожай. Для производства фруктов различные рукописи оценивали многомерные модели для измерения влияния социально-экономических переменных — таких как цены, обменные курсы, доступность рабочей силы и производственные затраты — а также погодных и экологических переменных, включая температуру, осадки и выбросы CO2, среди прочего (Gay и др., 2006; Rickard и Pierre, 2008; Howai и др., 2013). Другие исследования были направлены на прогнозирование уровней производства и цен, используя для этого одномерные модели (Luis-Rojas и др., 2020; Cancino и др., 2022; Pacheco-Sánchez и др., 2023). Кроме того, некоторые авторы объединяют модели временных рядов с методами машинного обучения (Abdul и др., 2018; Rathod и Mishra, 2018; Khan и др., 2021; Kumari и др., 2023).

Литература по временным рядам и производству фруктов в тропиках имеет более широкий охват, чем литература по оценке эффективности. Мы находим ссылки с использованием данных из Колумбии, Эквадора, Мексики, Тринидада и Тобаго, среди других стран (Cancino и др., 2021, 2022; Gay и др., 2006; Orozco-Abarca, 2007; Rickard и Pierre, 2008; Kleemann и Effenberger, 2010; Howai и др., 2013; Luis-Rojas и др., 2020; Paniagua-Molina и Solís-Rivera, 2020; Paniagua-Molina и Solórzano-Thompson, 2020; Pacheco-Sánchez и др., 2023). Эти работы с временными рядами исследовали производство бананов, маракуйи, ежевики, какао, кофе, лаймов, масличной пальмы и ванили. Некоторые исследования применяют многомерные подходы к временным рядам для понимания влияния ключевых независимых переменных, используя логи-линейные регрессии, линейные и квадратичные функции или более сложные методы, такие как векторные авторегрессионные модели (VAR).

Когда целью является прогнозирование урожайности или цен, исследования реализуют метод Бокса-Дженкинса или авторегрессионное интегрированное скользящее среднее (ARIMA). Эти эконометрические стратегии позволили исследователям количественно оценить влияние экономических и погодных переменных на уровни выпуска. Например, температурный режим и характер выпадения осадков являются ключевыми факторами для уровней выпуска кофе и какао (см. Gay и др., 2006; Rickard и Pierre, 2008; Howai и др., 2013). Между тем, экономические детерминанты, такие как доход, цены на выпуск и ресурсы, уровень задолженности и доступность рабочей силы, среди прочего, объясняют значительное производство или рентабельность какао, кофе, банановой маракуйи и масличной пальмы (Rickard и Pierre, 2008; Howai и др., 2013; Paniagua-Molina и Solórzano-Thompson, 2020; Cancino и др., 2021). Наконец, модели ARIMA прогнозируют уровни производства ежевики и ванили (Luis-Rojas и др., 2020; Cancino и др., 2022) и даже влияние заражения долгоносиком на масличную пальму (Pacheco-Sánchez и др., 2023).

Поиск литературы в других регионах описал внедрение временных рядов с методами машинного обучения. Эти исследования прогнозировали производство яблок, бананов, цитрусовых, винограда, манго и груш, используя методы временных рядов, такие как ARIMA и сезонное ARIMA (SARIMA), авторегрессионное тестирование с распределенным лагом (ARDL), авторегрессионную условную гетероскедастичность (ARCH), обобщенную авторегрессионную условную гетероскедастичность (GARCH). В то же время они включали методы машинного обучения, такие как машины опорных векторов (SVM), логистическую регрессию, классификатор K-ближайших соседей, классификатор дерева решений и классификатор случайного леса, искусственную нейронную сеть (ANN) и рекуррентную нейронную сеть (RNN) (Abdul и др., 2018; Rathod и Mishra, 2018; Khan и др., 2021; Kumari и др., 2023). Эти исследования утверждают, что комбинация методов временных рядов и машинного обучения превосходит прогностическую способность отдельных оценок временных рядов.

Моделирование и искусственный интеллект (ИИ) революционизируют управление фруктовыми садами и их оптимизацию для производителей фруктов. Эта трансформация включает переход от специализированных моделей, которые решают вопросы функций растений, взаимодействия с окружающей средой и динамики вредителей и болезней, к междисциплинарным исследованиям и платформам, которые применяют более целостный подход. Эти комплексные инструменты выходят за рамки базового мониторинга, признавая жизненно важное влияние здоровья почвы и погодных условий на урожайность тропических фруктов; включение всесторонних оценок почвы и точных метеорологических данных в эти продвинутые модели повышает точность прогнозов и поддерживает устойчивые методы управления садами. Моделирование «Прогнозирования тропических фруктов» требует сложных алгоритмов для изучения прошлых данных, текущих погодных условий и почвенных характеристик, предоставляя комплексные прогнозы роста и урожайности плодовых культур (Gómez-Lagos и др., 2023). Будущие исследования рассматривают крупномасштабные и многомасштабные модели, улучшая представление физиологических процессов, архитектуры деревьев, физиологических реакций на изменение климата и методы управления, а также обеспечивая выявление аномалий дерева и плодов с помощью анализа изображений, спутниковых данных, недорогих датчиков и автоматизированных рекомендаций (Grisafi и др., 2022). Более того, прогнозирование данных об урожайности чрезвычайно ценно, поскольку оно напрямую влияет на экономические модели для оценки продаж, которые полезны для рыночного ценообразования (Tanimoto и Yoshida, 2024). Экономические модели показывают возможность повышения эффективности в различных плодовых культурах. Сельскохозяйственные науки в настоящее время продвинулись к созданию детальных данных для более точного анализа систем ведения сельского хозяйства и моделей эффективности. К сожалению, такие ресурсы доступны не везде в мире одинаково, особенно для фермеров в тропиках (Wolfert и др., 2017; Jones и др., 2017a). Усилия по доступу к специализированному человеческому капиталу, цифровой инфраструктуре, а также данным в реальном времени и на уровне полей необходимы для повышения эффективности в тропических регионах.

Mancero-Castillo D, Garcia Y, Aguirre-Munizaga M, Ponce de Leon D, Portalanza D and Avila-Santamaria J (2024) Dynamic perspectives into tropical fruit production: a review of modeling techniques. Front. Agron. 6:1482893. doi: 10.3389/fagro.2024.1482893

Перевод статьи «Dynamic perspectives into tropical fruit production: a review of modeling techniques» авторов Mancero-Castillo D, Garcia Y, Aguirre-Munizaga M, Ponce de Leon D, Portalanza D and Avila-Santamaria J., оригинал доступен по ссылке. Лицензия: CC BY. Изменения: переведено на русский язык