《Journal of Food Composition and Analysis》：Artificial Intelligence and Machine Learning in Predicting Food Hunger and Severity: A Comprehensive Review
食物不安全已被认定为21世纪最大的人道主义和公共卫生紧急事件之一。截至2023年，全球估计有7.33亿人面临食物不安全。食物不安全的性质受到气候变化、武装冲突、经济冲击、结构性贫困等相互交织驱动因素的影响，历史上曾使传统预测模型措手不及。人工智能（AI）和机器学习（ML）已被证明是具有巨大潜力的方法学工具，能够结合高维、异构数据流，并提供食物不安全爆发的早期警报、食物不安全严重程度的空间映射以及可供人道主义响应采取行动的情报。本综述旨在总结AI和ML在全球食物不安全预测中的应用，包括监督方法如随机森林、梯度提升和深度神经网络；无监督的食物不安全脆弱性聚类；利用自然语言处理（NLP）从社交媒体和新闻语料库中提取危机信号；以及通过应用于卫星和无人机图像的计算机视觉技术评估作物健康。对运行平台进行了批判性审查，涉及其算法基础和预测质量，例如世界粮食计划署的饥饿地图实时系统（Hunger Map Live）、饥荒早期预警系统网络（FEWS NET）、联合国粮农组织的全球信息与早期预警系统（GIEWS）以及综合粮食安全阶段分类（IPC）。进一步探讨了持续存在的问题，如冲突影响地区数据可用性有限、模型缺乏可解释性、算法对边缘化社区的偏见以及低收入国家数字基础设施差距。综述还概述了一个研究议程，重点关注联邦学习架构、可解释AI框架以及将气候非平稳性纳入预测模型，旨在将算法进步转化为能够拯救生命并公平分配利益的政策行动。
1. 引言
食物饥饿是一个复杂现象，不仅涉及热量缺乏，还包括无法获得安全、营养且文化适宜的食物。传统监测方法如家庭膳食多样性评分（HDDS）和食物消费评分（FCS）依赖大量实地调查，在冲突地区和偏远人群中实施困难，且只能提供“时点”快照而非预测轨迹。AI和机器学习（ML）通过整合卫星图像、气象数据、市场价格、社交媒体、手机元数据等多源数据，可在危机出现前数周至数月发出预警。全球主要人道主义机构已开始采用这些工具。本文献综述基于Scopus、Web of Science等数据库及FAO、WFP等国际组织报告，总结了AI/ML在食物饥饿预测和严重程度分类中的应用。
1.1. 文献检索与研究选择
检索时间范围为2018年5月至2026年5月，使用布尔运算符组合“人工智能”“机器学习”“食物不安全”“早期预警系统”等术语。纳入标准包括：讨论食物安全或相关风险，应用或评估AI/ML、深度学习、遥感、自然语言处理等方法，并包含实证应用或操作实施。排除编辑评论、新闻及无实质方法学信息的记录。通过参考文献列表补充识别符合条件的相关研究。
2. 食物不安全的全球负担与多维驱动因素
2.1. 食物饥饿的流行病学
食物不安全分布不均，撒哈拉以南非洲、南亚和中东冲突地区负担最重。根据FAO《2023年世界粮食安全和营养状况》，非洲占全球营养不良人口的23.2%，东非和中非的患病率最高，部分国家超过30%。南亚的阿富汗、孟加拉国和印度部分地区因结构性脆弱性和气候冲击面临持续高比率。操作上采用IPC/统一框架（CH）五阶段分类系统，从第1阶段（最低）到第5阶段（灾难/饥荒），用于全球人道主义决策。
2.2. 主要驱动因素及其相互作用
食物不安全源于可用性、可及性、利用和稳定性四个维度的失灵。五个核心驱动因素簇包括：气候变异和极端天气、武装冲突和政治不稳定、宏观经济冲击、作物病害和虫害爆发、结构性贫困和系统性不平等。这些驱动因素深度交织且非线性，例如气候冲击导致农业减产，在政治不稳定背景下引发资源竞争和冲突，进而破坏供应链和市场经济。传统参数统计模型难以捕捉此类级联和反馈回路，而机器学习架构更适合预测食物安全。
3. AI驱动的食物安全分析的数据来源与数字基础设施
3.1. 遥感与卫星数据
地球观测数据是大规模食物安全建模的基础。MODIS和Copernicus Sentinel系列提供全球近每日覆盖的归一化差异植被指数（NDVI）、地表温度（LST）和土壤调整植被指数（SAVI）等。Sentinel-1合成孔径雷达（SAR）用于全天候作物面积测绘和洪水检测。Planet Labs商业CubeSat星座提供亚3米分辨率图像。CHIRPS和MSWEP降水产品提供高分辨率降水异常信息。FEWS NET和FAO GIEWS等平台利用这些数据生成季节性粮食生产预报。
3.2. 社会经济与调查数据
家庭粮食安全与脆弱性调查（HFSVS）和WFP的脆弱性分析与测绘（VAM）评估提供训练和验证ML模型所需的标记结果数据，包括食物消费评分、饮食多样性评分、应对策略评分和资产清单。但调查数据在时间和地理上稀疏，例如人口与健康调查（DHS）每五年进行一次。代理均值检验（PMT）和小区域估计（SAE）方法被用于弥补空白。WFP的市场经济分析单位（EMAU）和FAO全球粮食价格监测提供周度主食价格指数。
3.3. 非传统与新兴数据流
移动电话通话详单（CDRs）用于估计人口流离失所、流动限制和经济活动。社交媒体（Twitter、Facebook Marketplace）和Google Trends数据通过NLP分析检测危机相关语言模式和商品价格信号。VIIRS夜间灯光数据反映经济活动和电气化水平。无人机图像可在传统调查队无法进入的冲突后或受灾区域进行高分辨率作物田块评估。
3.4. 代理变量的机制验证
AI模型依赖代理变量时，必须明确其与家庭食物不安全四个支柱的机制联系。环境和生物物理代理（如NDVI、降水异常）直接反映区域食物可用性，但无法覆盖分配失败或市场准入障碍。市场价格、汇率和通胀指数是经济可及性的主要代理，价格急升导致低收入家庭购买力下降，与严重急性食物不安全（SAFI）直接关联。社交媒体情绪和移动网络流动性数据用于稳定性和利用行为代理，但需注意许多指标是滞后或领先指标，预测算法应组合多个代理而非依赖单一变量。
4. 食物安全预测中的机器学习与AI方法论
4.1. 监督学习方法
随机森林（RF）和梯度提升机（GBM）如XGBoost、LightGBM在家庭和地区尺度食物不安全分类中表现优异。RF在非洲之角IPC阶段转换预测中AUC-ROC达0.87，比逻辑回归高约12个百分点。XGBoost在撒哈拉以南非洲16国急性食物不安全预测中获得宏平均F1分数0.81。支持向量机（SVM）可用于高维特征但扩展性受限。人工神经网络（ANN）和多层感知机已用于建模浪费率、热量可用性等指标。不同研究的性能指标不可直接比较，因为地理粒度、结果定义、验证方法和类别不平衡差异显著。
4.2. 深度学习与时间模型
循环神经网络（RNN）和长短期记忆网络（LSTM）适用于食物危机的时间动态。Burke等人用多年NDVI、降水和价格时间序列训练LSTM，能在索马里和埃塞俄比亚地区提前6个月预测食物不安全严重程度。卷积神经网络（CNN）用于分析多光谱Sentinel-2图像，作物类型、生长阶段和胁迫指标分类准确率超过90%。ConvLSTM结合CNN空间特征提取和LSTM时间建模用于作物产量预测和干旱严重程度绘图。基于Transformer的架构如时间注意力编码器（TAE）在作物类型绘制中优于LSTM。大型语言模型（LLM）如BERT及其多语言变体已微调用于从冲突事件描述和新闻语料中检测食物安全相关事件。
4.3. 无监督与半监督学习
无监督学习在缺乏标记结果的数据贫乏环境中用于聚类脆弱性结果和结构风险类型。k均值和层次凝聚聚类在埃塞俄比亚、尼日尔和乍得定义了生计区和农业气候脆弱性类别。主成分分析（PCA）降低多维指标维度。半监督学习利用大量未标记地理空间信息和少量标记调查结果，外推至数据稀疏的行政单位。自监督基础模型如Prithvi-100M等仅需少量标记样本即可应用于食物安全绘图。
4.4. 自然语言处理与情感分析
NLP技术用于从新闻文章、人道主义形势报告、社交媒体和商品市场通讯中识别食物安全信号。ACAPS和联合研究中心使用命名实体识别（NER）和基于Transformer的流水线从ReliefWeb和GDACS形势报告中自动提取危机事件类型、受影响人口和地理范围。对Twitter和Facebook内容进行危机特定情感分析，以接近实时的频率估计人口对食物可获得性和市场价格的感知。潜在狄利克雷分配（LDA）和BERTopic用于发现大型人道主义文本语料中的潜在主题集群。联合国全球脉动倡议使用自动语音识别和NLP处理乌干达和坦桑尼亚的广播转录。
4.4. 计算机视觉与地球观测应用
计算机视觉在卫星和无人机图像上自动评估作物状况、蝗虫暴露和基础设施损坏。基于CNN的目标检测模型在非洲之角识别沙漠蝗虫侵染和繁殖地点的准确率超过85%。Google Flood Hub和Copernicus应急管理服务使用深度学习生成近实时洪水地图。WFP多个国家办公室基于玉米、高粱、小麦和水稻价格时间序列、汇率、冲突事件指数和季节农业日历进行粮食价格预测，每周向市场分析师提供预报。
4.5. 实践中的不确定性量化与可解释性流水线
现代方法使用概率机器学习产生置信区间。蒙特卡洛（MC）Dropout用于深度时间模型，量化回归森林（QRF）估计特定分位数的食物消费评分，保形预测框架提供分布无关的预测集。概率校准协议包括Platt缩放的参数sigmoid映射和等渗回归的非参数单调调整，确保风险评分与实际操作概率一致。食物不安全模型通常为多级流水线，上游模型输出作为下游输入，误差传播需显式传达为扩大的置信区间。操作可解释性框架使用SHAPley加法解释（SHAP）和局部可解释模型无关解释（LIME）使黑盒模型可信任，帮助实地操作员核对算法推理。
5. 食物安全早期预警的操作性AI平台
5.1. WFP饥饿地图实时系统
世界粮食计划署（WFP）的Hunger Map Live平台监测约94个国家的实时食物安全，利用mVAM移动电话调查、市场价格监测、降雨和NDVI异常以及小区域估计模型。基于LSTM的预测层每周更新短期食物不安全预测。验证显示82%的验证区域平均绝对偏差小于0.5个IPC阶段，优于专家启发基线。
5.2. FEWS NET
饥荒早期预警系统网络（FEWS NET）自1985年起运作，由USAID、USGS、NOAA和NASA联合运行，为约35个危机易发国家生成月度食物安全预测。它结合CHIRPS降雨数据、MODIS植被监测和专家判断。近期引入机器学习技术生成概率性食物安全展望，节省分析时间并提高评估者间一致性。
5.3. FAO GIEWS和农业市场信息系统（AMIS）
FAO的全球信息与早期预警系统（GIEWS）合成国家级作物生产估计、食物平衡表和进口依赖指标，每半年发布全球食物形势评估。基于NDVI和物候跟踪算法的产量估计模型在官方统计数据发布前提供早期季节生产估计。AMIS由FAO、OECD和G20农业部门共同管理，跟踪全球大宗商品库存和贸易流，通过ML检测异常并提前发出供应中断警报。
5.4. 综合食物安全阶段分类（IPC/CH）
IPC/CH分类系统以人类专家分类为主，但越来越多地纳入算法工具以标准化证据综合。IPC的证据和标准参考组（ESRG）试点了ML支持的证据加权工具，评估多源证据质量并识别不一致。萨赫勒地区的CH分类演练已使用FEWS NET和HungerMap的算法生成证据流与传统调查证据结合。
5.5. 新兴平台与学术倡议
斯坦福大学可持续发展目标AI实验室的机器学习饥荒早期预警项目（ML-FEW）使用梯度提升和深度学习预测埃塞俄比亚、尼日利亚和马拉维的家庭级食物不安全转变。IBM环境智能套件包含针对78个国家的食物不安全风险评分模型。Palantir Technologies在WFP合同下使用基于图的ML工具优化也门和刚果民主共和国的供应链和目标定位，援助分配准确性提高25-35%。
5.6. 操作现实：不确定性、误报和决策影响
仅用单一预测指标衡量这些平台过于简单。误报会产生政治和经济成本，导致机构疲劳和捐助者信任下降。在冲突地区，系统常无法区分认知不确定性（模型因数据缺失）和偶然不确定性（环境随机性），点预测可能被误解为确定结论。人道主义资金系统仍基于事后共识而非算法警报，官僚决策者更依赖人工主导的IPC面板验证而非快速机器生成警报。
5.7. 深度学习与传统基线：关键权衡框架
先进AI模型必须在四个操作向量上与简单基线比较。在数据丰富且非线性冲击复杂的环境中，深度时序网络和Transformer优于线性统计模型，但在稳定或季节性条件下，经典自回归模型达到相似精度。先进AI模型数据需求高，在“数据黑暗”地区可能过拟合，而传统统计和规则系统在稀疏低频数据下运行良好。深度神经网络的黑盒性质难以让政策制定者提取因果驱动因素，而规则系统和简单决策树完全透明。大型Transformer流水线需要昂贵的GPU集群和专家团队，传统基线在消费级硬件上即可运行，低收入国家部署先进AI可能造成技术依赖。
6. 食物安全预测中数据源与AI/ML应用的关联
AI整合多种数据模态：遥感数据（NDVI、EVI、LST、SMAP、Sentinel-1 SAR、Sentinel-2多光谱、MODIS）通过CNN、ViT、U-Net和ConvLSTM分析，用于作物胁迫、生物量、干旱和产量预测。气象观测数据（CHIRPS、ERA5等）通过RNN、LSTM、GRU、TCN和Transformer学习时间依赖。社会经济和家庭调查数据（FCS、HDDS、VAM）通过随机森林、XGBoost、LightGBM、SVM等建模。市场数据（商品价格、汇率、通胀）结合梯度提升和LSTM、时间融合Transformer预测价格波动。非结构化文本数据（ReliefWeb、ACLED、社交媒体）通过NER、主题建模、情感分析和BERT等语言模型提取事件。WFP HungerMap Live、FEWS NET、FAO GIEWS和IPC均整合多源数据实现实时或近实时评估。
7. 挑战、局限性与伦理考虑
7.1. 数据稀缺与质量
南苏丹、也门、叙利亚和中非共和国等冲突国家存在最大数据缺口，因为冲突阻碍家庭调查和管理数据收集。模型从相对稳定国家训练，可能无法泛化到冲突环境，导致在严重危机中低估严重程度。测量误差在不同文化背景的问卷中可能不同，市场监测价格数据通常局限于城市区域，低估农村和非正规市场。
7.2. 算法偏差与公平性
经验风险最小化（ERM）自动给多数或已知人群的损失项更高权重，降低少数边缘化群体（如游牧群体、原住民、流离失所者）的权重，导致算法偏差。代理变量选择会忽略地方非正式应对机制，某些区域风险被高估或低估。算法反馈循环使后续调查集中在算法选择的资源区域，形成恶性循环，系统性地忽略未观察区域的新危机。需要在优化阶段纳入公平感知机器学习框架，如均衡几率正则化或反事实公平约束。
7.3. 模型可解释性与政策采纳
特别是CNN和Transformer架构是“黑盒”模型，在人道主义组织中责任、数据透明和信任至关重要。决策者不仅需要预测分数，还需要理解预测条件，以便基于领域知识批判性评估。事后可解释方法如SHAP、LIME和注意力可视化已经在食物安全模型中应用，有助于分析师参与和校准信任。
7.4. 气候非平稳性
气候变化导致训练数据分布转移，基于1981-2010气候态的NDVI异常阈值不再代表当前基线。需要结合CMIP6气候情景输出的集合建模、概率不确定性量化和在线学习架构以持续更新模型。常见的朴素随机训练-测试划分会导致空间和时间数据泄漏，产生误导性的高准确率。应采用时间保留（如2010-2020训练，2021-2023测试）、空间块交叉验证和留一国家验证，并进行前瞻性验证以评估实时操作可靠性。
7.5. 数字基础设施与实施公平性
低收入国家部署AI工具受限于互联网连接、电力供应和数据科学专家短缺。最易受食物不安全影响的人群往往在物理和数字上都无法接入监测系统。解决途径包括边缘AI架构、移动优先的数据收集平台（如mVAM）以及在国家统计局和农业部进行能力建设。
8. 未来方向与研究议程
8.1. 联邦学习与隐私保护分析
联邦学习（FL）使模型在分布式数据节点上本地训练，无需集中数据，从而满足数据主权和隐私要求。这为国家政府、人道主义机构和商业数据提供者合作训练ML模型提供了途径，同时保持个体数据机密性。健康监测领域的试点应用表明FL可达到与集中学习相似的性能并减少“数据共享摩擦”。
8.2. 基础模型与迁移学习
遥感基础模型如Prithvi-100M（IBM-NASA）、SatMAE和Scale-MAE通过自监督在千万亿字节卫星图像上训练，学习地球表面状态的通用表示，可少量标记数据适配到作物类型映射、干旱监测和洪水检测。这些模型将地理空间特征提取所需标记数据从数千降至数十个示例，从而扩大可靠ML评估的地理覆盖范围。
8.3. 多灾害与复合危机建模
当代食物危机通常同时发生气候冲击、冲突、疾病爆发和宏观经济扰动。当前模型多为单驱动因素，忽略了危机重叠时的放大效应。未来AI架构需通过因果推断框架、贝叶斯网络和多任务学习显式建模驱动因素交互效应，例如气候与冲突耦合、流行病与食物供应链级联。
8.4. AI促进食物系统转型
除危机预测外，AI/ML有助于结构性食物系统变革。精准农业技术如土壤健康管理、作物品种选择和虫害优化可直接提高小农户生产力。在肯尼亚、印度和尼日利亚，通过对话式AI和移动设备提供的个性化农艺建议已使产量提高15-30%。卫星农业生产力测量被用于增加小农户的金融包容性。
8.5. 伦理、治理与负责任AI
AI在人道主义决策中的作用日益增强，需要健全的伦理治理框架。联合国人道主义事务协调厅（OCHA）制定了“人道主义行动中的负责任AI”框架，包括透明度、问责、人工监督、数据保护和无害原则。未来需要研究这些原则在具体食物安全AI应用中的实施，包括参与式设计、算法审计和反馈回路。
8.5.1. 稿件主要发现
本综述提出五个主要发现：非线性集成模型（随机森林、XGBoost）和深度神经网络相比经典线性或逻辑回归基线，在IPC阶段转换预测中AUC-ROC指标提高多达12个百分点；深度时间建模（LSTM、时间Transformer）利用多年植被指数和价格历史可提前6个月预测局部食物不安全轨迹；WFP HungerMap Live、FEWS NET和FAO GIEWS等平台已成功转向实时多模态流水线，将缓慢的地面调查与近实时遥感异常、自动NLP市场跟踪和移动mVAM调查相结合；当前AI平台存在结构性算法放大问题，经验风险最小化天然低估数据稀疏的边缘化人群，通过算法反馈循环进一步排斥资源；自监督预训练遥感基础模型成为下一个前沿，仅需几个标记样本即可在数据有限的冲突偏远地区实现高精度空间映射。
9. 结论
过去十年，人工智能和机器学习显著提高了食物不安全预测和严重程度评估的科学与实践，相比于传统统计方法在警报时间、空间分辨率和机制理解深度方面均有改进。卫星数据、家庭调查、市场价格监测、冲突事件和新数字数据流整合到ML系统，使系统能够在危机出现于人道主义评估之前数周检测到信号。但数据可用性与危机严重程度之间的空间分辨率错配仍然存在。算法对边缘化人群的偏差、模型不可解释性和气候非平稳性是可靠应用的主要挑战。从集成树模型到深度学习再到当前自监督基础模型的方法学进展表明，食物安全AI的预测能力将迅速扩展。但需要投资于机构基础设施、数据治理结构和伦理监测系统，以确保算法进步转化为公平、负责和拯救生命的政策干预。最终，AI/ML应增强而非取代变革行动的证据基础，关键是政治意愿以及经济和社会公平。
