基于ANFIS方法的气候变化对突尼斯初榨橄榄油品质预测

《European Journal of Lipid Science and Technology》：Quality Prediction of a Tunisian Virgin Olive Oil Based on the Effect of Climate Change Using ANFIS Method

　　

对气候因素（即温度、降水和湿度）对突尼斯Zalmati品种初榨橄榄油品质的年际影响进行了评估，研究使用了连续三个作物季（2018/2019–2020/2021）采集的样本，共28个样本代表不同成熟阶段。研究人员开发了一种自适应神经模糊推理系统（ANFIS）模型，基于气候数据预测关键橄榄油品质参数，包括油酸、叶绿素和总酚。ANFIS模型表现出良好的预测性能，训练阶段油酸、叶绿素和酚类的均方根误差（RMSE）分别为0.76、0.87和12.40，测试阶段分别为1.12、0.79和24.68。平均绝对百分比误差（MAPE）值保持在较低水平，证实了模型的稳健性。实验与预测结果之间观察到高度一致性。这些发现证明了ANFIS作为评估气候驱动的橄榄油成分变化的可靠预测工具的潜力，并可能支持橄榄生产中的气候适应策略。
实际应用：本研究为评估干旱地中海条件下气候变率对初榨橄榄油品质的影响提供了实用预测工具。所开发的ANFIS模型可帮助橄榄种植者和生产商根据气候数据预判油酸、叶绿素和酚类含量等关键品质参数的变化。该预测框架有助于优化采收时机、灌溉管理以及气候变化条件下的作物适应策略。此外，该模型可为政策制定者和农业利益相关者设计脆弱地区橄榄生产的可持续管理实践提供支持。

**基于ANFIS方法的突尼斯初榨橄榄油品质预测：气候变化效应研究解读**

**1. 研究背景与意义**

橄榄树（*Olea europaea* L.）是突尼斯最重要的农作物之一，其种植主要依赖传统雨养系统。然而，地中海干旱和半干旱地区正日益受到气候变化的影响，包括气温升高、降雨不规律以及气候变率增大，这些因素可能对橄榄产量和橄榄油品质产生负面影响。由于橄榄油成分对环境条件高度敏感，理解和预测气候变率的影响对于可持续橄榄生产和资源管理至关重要。

突尼斯因其显著的气候多样性而成为一个特别相关的研究案例，其气候从北部的温带地中海条件过渡到南部的干旱-撒哈拉环境。这些地区的橄榄生产以与不规则降水和交替结果行为相关的强烈年际波动为特征。这些条件使得橄榄油品质的预测特别具有挑战性。传统统计方法往往不足以描述气候变量与橄榄油成分之间复杂的非线性相互作用。在此背景下，软计算方法已成为在多变环境条件下模拟农业系统的有效工具。其中，自适应神经模糊推理系统（ANFIS）模型结合了人工神经网络（ANNs）的学习能力与模糊逻辑推理，能够从有限数据集中高效建模非线性关系。与先前应用于多年生作物的几种经典机器学习方法相比，ANFIS在高变率和有限实验数据条件下表现出更优的预测性能。

除气候因素外，橄榄油成分还受品种、农艺措施、收获季节和果实成熟阶段的影响。为最小化这些非气候因素的影响并分离气候变率的作用，本研究中分析的所有样本均来自同一品种（Zalmati），种植于同一果园，并采用统一的农艺和加工条件。研究在突尼斯东南部Zarzis的Chammakh实验站进行，该站位于干旱地中海生物气候区，特点是夏季炎热干燥、冬季温和、降雨稀少且不规律。气候数据（包括温度、降水和相对湿度）通过干旱区研究所（IRAs）的气象监测网络收集。

本研究应用ANFIS基于气候变量预测Zalmati初榨橄榄油的关键成分参数，即油酸、叶绿素和总酚。选择这些参数是因为它们对环境波动的敏感性及其对营养品质、氧化稳定性和感官特性的重要贡献。该工作的目标是开发一个预测模型，能够在受控实验条件下定量关联气候变率与橄榄油成分。

**2. 主要技术方法**

研究人员使用了以下关键技术方法：（1）气相色谱法测定脂肪酸谱；（2）分光光度法测定叶绿素含量；（3）Folin–Ciocalteu比色法测定总酚含量；（4）自适应神经模糊推理系统建模，使用Sugeno型模糊推理，三角隶属函数，27条模糊规则，混合学习策略（最小二乘法与反向传播算法结合）；（5）采用均方根误差（RMSE）和平均绝对百分比误差（MAPE）进行模型性能评估。样本采集自突尼斯南部Zarzis地区约30年树龄、传统雨养条件下种植的Zalmati品种橄榄树。

**3. 研究结果**

**3.1 模型训练与测试性能**

数据集按85%和15%的比例分为训练集和测试集。ANFIS模型在训练阶段油酸、叶绿素和酚类的RMSE值分别为0.76、0.87和12.40，测试阶段分别为1.12、0.79和24.68。MAPE值在训练阶段分别为1.009%、10.26%和3.32%，测试阶段分别为1.48%、11.09%和10.91%。较低的误差指标反映了模型在不同阶段具有较强的预测准确性。

**3.2 预测值与实验值的一致性**

油酸的R²值为0.23，叶绿素为0.81，酚类为0.82。油酸较低的R²值并非表示模型性能不佳，而是因为数据集中油酸值的变异范围较窄（54%–58%），R²对数据离散度高度敏感，低变异性会人为降低相关系数，即使预测误差仍然很小。叶绿素表现出强烈的线性一致性，酚类也表现出较高的R²。

**3.3 酚类预测误差分析**

酚类预测误差较高主要归因于酚类化合物的内在生化特性。酚类表现出高自然变异性和对环境胁迫的强烈敏感性，特别是温度波动、干旱条件和降雨不规律。在水分亏缺和温度胁迫下酚类积累显著增加，而湿润年份导致酚类水平显著降低。此外，酚类合成涉及多条胁迫响应代谢途径，增加了ANFIS捕获的输入-输出关系的非线性。在干旱地中海条件下种植的橄榄中，总酚含量的高变异性与这些结果一致。

**3.4 模型对比与优势**

与现有文献比较，先前应用ANN、支持向量机和随机森林等机器学习技术的研究通常报告中等预测性能，R²值往往小于0.65，特别是在数据集有限或受高年际变率影响时。相比之下，本研究开发的ANFIS模型对叶绿素和酚类实现了更高的预测精度（R² ≈ 0.8），证明了其在有限但高质量实验数据下捕捉非线性和复杂关系的有效性。此外，与ANN等传统黑盒模型不同，ANFIS提供可解释的模糊规则，有助于更好地理解气候变量对橄榄油成分的影响。

**3.5 气候因子对品质参数的响应曲面分析**

温度升高和降水减少时，总酚含量达到最大值，证实了温度胁迫现象。油酸含量在温度降低和降水增加时达到最大值，这是因为脂质生成在介质温度过高时受到抑制，仅在相对较低的温度下进行。叶绿素含量在气候因素（如温度和降水）影响下表现出与油酸相似的趋势。

**3.6 讨论与结论**

该研究在受控实验条件下设计，确保观察到的橄榄油成分变化主要由气候因素驱动。所选气候变量（温度、降水和湿度）足以捕捉关键橄榄油品质参数演变的主要趋势。与之前研究一致，2019年极低降雨年份产出的橄榄油（成熟指数MI=0.89）表现出较高的总酚含量（246.97 mg/kg），而2020/2021收获季降雨量约73 mm时，MI=5.56的橄榄油酚类含量最低。油酸方面，2019/2020作物季的油酸水平高于其他两个季节，最高达62.30%（MI=0.89），而2018/2019季为53.15%–55.13%，与当年记录的高温相关。2020/2021季7月最高温度达到47.14°C，而2019/2020季为39.55°C，高温下油酸减少伴随棕榈酸（C16:0）和亚油酸（C18:2）水平的相应增加。

研究结论表明，气候变率和天气变化对突尼斯的粮食生产构成重大威胁。研究人员估计，过去三十年中，气温升高和降雨减少对橄榄产量产生了显著的负面影响，其中干旱地区受影响最严重。实施有针对性的公共政策，如对脆弱地区农民的补贴，可以减轻这些不利影响并促进可持续橄榄生产。ANFIS模型成功基于气候因素优化了橄榄油的化学成分，证明了其在多变气候条件下预测初榨橄榄油品质的能力。总之，ANFIS为评估气候变化情景下初榨橄榄油的品质提供了一个稳健且现实的框架，使其成为农业部门政策制定者和利益相关者的宝贵工具。该方法可作为设计适应性策略的基石，以减轻气候变化对突尼斯橄榄产业的影响。该研究发表于《European Journal of Lipid Science and Technology》。