Daten

Scientific Reports Band 13, Artikelnummer: 418 (2023) Diesen Artikel zitieren

2057 Zugriffe

2 Altmetrisch

Details zu den Metriken

Die Sektoren Gastgewerbe und Gastronomie (HaFS) sind bekannt dafür, dass sie zum Problem der Lebensmittelverschwendung beitragen. Daher ist es dringend erforderlich, Strategien zur Reduzierung der Lebensmittelverschwendung in den HaFS-Sektoren und zur Dekarbonisierung ihres Betriebs zu entwickeln, um den Hunger zu bekämpfen, Ernährungssicherheit zu erreichen, die Ernährung zu verbessern und den Klimawandel abzumildern. Diese Studie schlägt drei Maßnahmen zur Dekarbonisierung des Personalkantinenbetriebs in einem integrierten Resort in Macau vor. Dazu gehören eine vorgelagerte Optimierung zur Reduzierung unversehrter Lebensmittelabfälle, eine Zwischenschulung zur Sensibilisierung der Mitarbeiter für die Auswirkungen der Lebensmittelauswahl auf das Klima und die Gesundheit und schließlich eine nachgelagerte Anerkennung zur Reduzierung von essbaren Tellerabfällen mithilfe eines hochmodernen Computer-Vision-Systems . Technologie kann ein wirksames Mittel sein, um gewünschte Verhaltensänderungen durch Anstupsen zu ermöglichen, ähnlich wie Radarkameras Menschen dazu bringen können, langsamer zu fahren und so Leben retten. Der ganzheitliche und datengesteuerte Ansatz zeigte ein großes Potenzial für Organisationen oder Institutionen, die Catering-Dienste anbieten, ihre Lebensmittelverschwendung und den damit verbundenen CO2-Fußabdruck zu reduzieren und gleichzeitig Einzelpersonen über den komplexen Zusammenhang zwischen Ernährung, Klima und Wohlbefinden aufzuklären.

Lebensmittelverluste und -verschwendung (FLW) sind ein erhebliches globales Problem. Schätzungen der FAO1 zufolge wird jedes Jahr weltweit ein Drittel der für den menschlichen Verzehr produzierten essbaren Lebensmittel verschwendet. Im Kontext der nationalen Emissionen wäre FLW, wenn es ein Land wäre, nach China und den USA der drittgrößte Emittent von Treibhausgasen (THG) der Welt2. Eine Reduzierung der globalen FLW würde die Treibhausgasemissionen in der Atmosphäre erheblich reduzieren und eine wichtige Rolle bei der Bekämpfung des Klimawandels spielen. Das Problem wird noch wichtiger, wenn die Weltbevölkerung bis 2050 voraussichtlich 9,8 Milliarden Menschen erreichen wird3, während erschreckende 11,3 % der Menschen immer noch täglich hungern4. Dies stellt einen immer höheren Bedarf an das globale Nahrungsmittelsystem dar, um eine wachsende Bevölkerung zu ernähren.

Natürliche Ressourcen wie Süßwasser und fruchtbarer Boden, die für die Nahrungsmittelproduktion benötigt werden, könnten schneller erschöpft sein, als sie wieder aufgefüllt werden könnten. Ihre Erhaltung ist für die globale Ernährungssicherheit von entscheidender Bedeutung. Daher sind Null Hunger, sauberes Wasser und sanitäre Einrichtungen sowie verantwortungsvoller Konsum und Produktion Teil der 17 Ziele für nachhaltige Entwicklung (SDGs), die 2015 formuliert und von vielen Industrie- und Entwicklungsländern übernommen wurden5. Das SDG-Ziel 12.3 sieht vor, „die globale Lebensmittelverschwendung pro Kopf auf Einzelhandels- und Verbraucherebene zu halbieren und Lebensmittelverluste entlang der Produktions- und Lieferketten, einschließlich Nachernteverlusten, bis 2030 zu reduzieren“. Die International Food Waste Coalition (IFWC) meldete für das Jahr 2021 die jüngste durchschnittliche Lebensmittelverschwendung im Gastgewerbe und Gastronomiesektor (HaFS) von 115 g pro Speisedeckel und stellte fest, dass dieser Wert aus einer Überrepräsentation von Standorten in Frankreich abgeleitet wurde6. Im April 2021 verabschiedete China ein Gesetz zur Lebensmittelverschwendung, um Lebensmittelverschwendung zu verhindern, die nationale Ernährungssicherheit zu gewährleisten, Ressourcen zu schonen, die Umwelt zu schützen und eine nachhaltige wirtschaftliche und soziale Entwicklung zu fördern7.

Per Definition beziehen sich Lebensmittelverluste und -verschwendung (FLW) auf die Abnahme der Masse oder des Nährwerts essbarer Lebensmittelteile in der gesamten Lieferkette, die für den menschlichen Verzehr bestimmt waren8. Nach Angaben der FAO9 kommt es zu Lebensmittelverlusten von der Nachernte bis zum Einzelhandel, jedoch nicht davon. Dies geschieht oft unbeabsichtigt und ist größtenteils auf unzureichende Infrastruktur und Transportmittel zurückzuführen, um die Lebensmittelqualität vom Bauernhof bis zum Einzelhandel aufrechtzuerhalten. Andererseits kommt es auf der Einzelhandels- und Verbraucherstufe zu Lebensmittelabfällen, zu denen die HaFS-Sektoren erheblich beitragen. Die Ursache hierfür sind häufig hohe Anforderungen an die Lebensmittelstandards, abgelaufene Lebensmittel aufgrund von Überangebot oder Unternachfrage sowie verschwenderisches Verbraucherverhalten. Die HaFS-Sektoren spielen eine wichtige Rolle bei der Reduzierung von Lebensmittelabfällen, insbesondere Organisationen oder Bildungseinrichtungen mit einer hauseigenen Cafeteria, die täglich von Tausenden von Menschen besucht wird.

Bei der Lebensmittelverschwendung geht es nicht nur um den Abfall selbst, sondern auch um die negativen Umweltauswirkungen des CO2- und Wasser-Fußabdrucks10, den Verlust der biologischen Vielfalt11 und die Belastung der Wirtschaft12. Abbildung 1 zeigt, wie die positive Rückkopplungsschleife einer schlechten Land- und Wasserbewirtschaftung den Klimawandel, den Verlust der biologischen Vielfalt und die Landdegradation beschleunigt. Das Problem der Lebensmittelverschwendung ist untrennbar mit dem Klimawandel durch die Freisetzung von Treibhausgasen verbunden. Zu den Herausforderungen, die der Klimawandel mit sich bringt, gehören die Wasser- und Ernährungssicherheit13 sowie extreme Wetterbedingungen wie die zunehmende Häufigkeit und Intensität klimabedingter Katastrophen, die die öffentliche Gesundheit gefährden14 und massive wirtschaftliche Verluste verursachen15. Für Macau sind heftige Überschwemmungen und Taifune besonders schlimm, wie die verheerenden Auswirkungen des Taifuns Hato im Jahr 201716 zeigen. Zu den Quellen der Treibhausgasemissionen in unserem Nahrungsmittelsystem zählen Abholzung für die Landwirtschaft, Düngemittel für Pflanzen, Reisanbau, Viehweide, Viehmist und fossile Brennstoffe werden in der Lebensmittelproduktion und in Lieferketten verwendet17. Schätzungen zufolge ist die globale Nahrungsmittelproduktion für 26 % der globalen Treibhausgasemissionen verantwortlich. Ein Viertel davon stammt jedoch aus FLW, d. h. aus Lebensmittelverlusten in den Lieferketten und Verbraucherabfällen, ohne Lebensmittelverluste auf dem Bauernhof während der Produktion und Ernte18. Eine erhebliche Reduzierung der Treibhausgasemissionen könnte durch die Optimierung der Lebensmittelversorgungskette erreicht werden, was letztendlich dazu beitragen könnte, den globalen Temperaturanstieg auf unter 2 °C zu begrenzen, wie im Pariser Abkommen17 festgelegt.

Rückkopplungsschleifen zwischen Landdegradation, Klimawandel und Verlust der biologischen Vielfalt. Entnommen aus Abbildung 1.3 in The Global Land Outlook UNCCD (2022)19.

Die Lebensmittelabfalldaten des integrierten Resorts in dieser Studie zeigen zwei Hauptmuster. Erstens machen „unservierte Lebensmittel“ den größten Teil der Lebensmittelabfälle in der Küche aus, zu denen auch Abfälle aus Zutaten, Verderb, Beschädigungen und Kochfehlern gehören. Dies bedeutet, dass die Köche die Nachfrage in dem Zeitraum, in dem das Essen serviert wird, überschätzen. Dieses Problem könnte durch eine Optimierung des Angebots basierend auf der Nachfrage gelöst werden. Zweitens machte die Kategorie „Tellerabfälle“ den Großteil (über 90 %) der gesamten Lebensmittelabfälle in der Mitarbeiterkantine aus. Dies bedeutet, dass das Personal entweder seine Fähigkeit, alle aufgenommenen Lebensmittel zu verzehren, oder die Zeit, die ihm zum Essen zur Verfügung steht, überschätzt oder dass die Qualität der Lebensmittel nicht ihren Erwartungen entspricht. Dieses Problem könnte durch Verhaltensänderungen und/oder Änderungen an der Speisekarte angegangen werden.

Diese Studie zielt darauf ab, drei Hauptfragen zu beantworten, um die Grundursache der Lebensmittelverschwendung in der Mitarbeiterkantine zu bekämpfen: Wie viel Essen sollte der Koch jeden Tag kochen? Wie können Mitarbeiter dazu ermutigt werden, eine bessere Lebensmittelauswahl zu treffen und essbare Lebensmittelabfälle zu reduzieren? Wie kann man dem Koch Feedback zu möglicherweise schlecht zubereiteten Gerichten geben?

Der Plan des Papiers ist wie folgt: „Methode“ beschreibt die experimentellen Methoden, die zur Beantwortung der drei oben genannten Forschungsfragen verwendet werden, nämlich Upstream-Optimierung, Midstream-Ausbildung und Downstream-Anerkennung; „Ergebnisse: eine Fallstudie“ beschreibt die Ergebnisse der Experimente, die im integrierten Resort dieser Studie durchgeführt wurden; „Diskussion und Ausblick“ diskutiert die Auswirkungen der Interventionen sowie Herausforderungen und Verbesserungen für zukünftige Studien; Schließlich zieht „Schlussfolgerung“ die Schlussfolgerungen dieser Studie.

Abbildung 2 zeigt die drei in dieser Studie vorgeschlagenen Dekarbonisierungsströme zur Reduzierung von Lebenszyklus-THG aus Lebensmittelabfällen. Die drei Streams umfassen: (1) Upstream-Optimierung, (2) Midstream-Bildung und (3) Downstream-Anerkennung. Die drei Streams bilden einen datengesteuerten ganzheitlichen Ansatz zur Reduzierung der Lebensmittelverschwendung und des CO2-Fußabdrucks der integrierten Cafeteria des Resortpersonals. Wie das Sprichwort sagt: „Man kann nicht verwalten, was man nicht misst.“

Drei Dekarbonisierungsströme zur Reduzierung der Treibhausgasemissionen aus Lebensmittelabfällen im Lebenszyklus: Upstream-Optimierung, Midstream-Schulung, Downstream-Anerkennung.

Die Upstream-Optimierung zielt darauf ab, das Problem der unversorgten Lebensmittelverschwendung anzugehen. Die Ursache des Problems könnte in zu langem Garen, schlecht zubereiteten Gerichten oder minderwertigen Zutaten liegen, was zu einer mangelnden Nachfrage nach dem Gericht führt. Um ein besseres Verständnis des Angebots-Nachfrage-Verhältnisses in der Mitarbeiterkantine zu erhalten, wurden die Daten zum Gewicht der nicht bedienten Lebensmittelabfälle aus der Back-of-House-Küche für verschiedene Lebensmittelkategorien analysiert und mit der Anzahl der an verschiedenen Tagen in der Mitarbeiterkantine servierten Speisen korreliert Die Woche wird ein potenzielles Missverhältnis zwischen Angebot und Nachfrage offenbaren.

Zur Modellierung und Prognose des Bedarfs in der Mitarbeiterkantine wurden stündliche Speiseabdeckungsdaten herangezogen. Zwischen dem 1. April 2020 und dem 1. April 2022 lagen zwei Jahre historischer Daten vor. Die Abdeckungsdaten zeigten eine starke tägliche und wöchentliche Saisonalität aufgrund regelmäßiger Essenszeiten bzw. Wochenenden. Somit war das Prophet-Paket für diese Zeitreihenvorhersageaufgabe gut geeignet20. Das Verfahren basierte auf einem additiven Modell, bei dem ein Trend, Saisonalität und Feiertagseffekte an die zugrunde liegenden nichtlinearen Daten angepasst wurden. Es bot einen robusten Umgang mit fehlenden Daten und Trendverschiebungen. Zu den Unsicherheitsquellen in der Prognose gehörten: Unsicherheit im Trend, Saisonalitätsschätzungen und zusätzliches Beobachtungsrauschen. Das Prophet-Prognosemodell könnte durch die folgende Funktion zusammengefasst werden

Dabei ist y(t) die Ausgabe der Prognose, g(t) die Trendfunktion, die flach, ein stückweise linearer oder ein stückweise logistischer Trend sein kann, und s(t) die saisonale Funktion, die durch eine Fourier-Reihe angenähert wird die Intraday-, wöchentlichen und/oder jährlichen saisonalen Komponenten, h(t) ist die Feiertagsfunktion und \(\epsilon (t)\) ist der Fehlerterm, der als normalverteilt angenommen wird. Der Saisonalitätsmodus könnte additiv oder multiplikativ sein. Multiplikative Saisonkomponenten werden als Betrag proportional zum Trendwert g(t) zum Zeitpunkt t hinzugefügt, sodass saisonale Effekte proportional auf Anstiege oder Rückgänge im Trend reagieren.

Da wir über ein Modell zur Prognose der Anzahl der Gedecke in der Mitarbeiterkantine verfügten, bestand der nächste Schritt darin, zu modellieren, wie viel Essen angesichts der erwarteten Anzahl des Personals benötigt würde. Dies wurde erreicht, indem die menschliche Ernährung so modelliert wurde, dass sie sich aus den folgenden drei Makronährstoffen zusammensetzt: Kohlenhydrate, Fette und Proteine. Die durchschnittliche empfohlene Tagesdosis von 2000 kcal21 könnte zur Vorhersage der benötigten Nahrungsmenge herangezogen werden. Eine Studie von Zhang et al.22 zeigte den Unterschied in der Nährstoffaufnahme zwischen chinesischen Probanden und anderen ethnischen Gruppen. Sie fanden heraus, dass in der chinesischen Stichprobe die prozentuale Aufteilung der Makronährstoffe zwischen Kohlenhydraten, Fett und Protein etwa 50:35:15 betrug. Basierend auf einem Online-Makronährstoffrechner23 betrug die typische prozentuale Makronährstoffaufteilung für einen 35-jährigen, 1,70 m großen, 60 kg schweren Mann/Frau mit sitzender Tätigkeit, der sein Gewicht halten und moderate Mengen an Protein zu sich nehmen möchte, 50:30:20. Angesichts der üblichen Makronährstoff-Kaloriendichten von 4 kcal/g für Kohlenhydrate, 9 kcal/g für Fett und 4 kcal/g für Protein wären die entsprechenden Gramm pro Makro und Tag 250:67:100 für Kohlenhydrate, Fett und Protein. Dies wurde als Grundlage für die Befriedigung der grundlegenden Ernährungsbedürfnisse eines durchschnittlichen Personals angesehen.

Unter der Annahme, dass die täglichen 2000 kcal auf drei Mahlzeiten verteilt würden, sodass 20 % zum Frühstück, 40 % zum Mittagessen und 40 % zum Abendessen verzehrt würden24 und dass die prozentuale Makroaufteilung wie zuvor beschrieben gleich bliebe, wäre die Menge an Makros, die pro Mahlzeit benötigt wird

Frühstück – 50:13,4:20

Mittagessen – 100:26,8:40

Abendessen – 100:26,8:40

Dabei sind alle Verhältnisse jeweils in der Einheit Gramm für Kohlenhydrate, Fett und Protein angegeben.

Durch die Vorhersage der Anzahl der Bezüge einen Tag im Voraus konnte der Koch abschätzen, wie viel von jedem Gericht so zubereitet werden muss, dass es den Grundernährungsbedarf des Personals deckt und die Gefahr eines Überkochens minimiert. Das Prognosemodell könnte täglich aktualisiert werden, wenn am Ende des Tages neue Daten zu Speiseangeboten eingehen.

Bei der Midstream-Schulung werden alle Gerichte in der Mitarbeiterkantine mit Kohlenstoff- und Nährwertkennzeichnungen versehen, damit die Mitarbeiter verstehen, wie sich ihre Lebensmittelauswahl auf das Klima und ihre Gesundheit auswirkt. Dazu mussten die Rezepte für jedes in der Mitarbeiterkantine servierte Gericht sowie die zum Kochen der Gerichte verwendeten Küchengeräte erfasst werden, um die Treibhausgasemissionen abzuschätzen, die beim Verzehr des Gerichts entstehen.

Die Menüs in der Mitarbeiterkantine waren in die folgenden 13 Arten unterteilt: Rindfleisch, Reisbrei, Eier und Bohnen, Dessert, Obst, Schweinefleisch, Geflügel, Reis und Nudeln, Soße, Meeresfrüchte, Suppe, süße Suppe und Gemüse. Es gab insgesamt 404 Gerichte und 344 einzigartige Zutaten, aus denen die Nährwertdatenbank aufgebaut wurde.

Für die Nährwertkennzeichnung von Gerichten wurden Nährwertdaten von Cronometer und darin enthaltene Quellen verwendet. Da die meisten Zutatennamen auf Chinesisch waren, wurden diese ins Englische übersetzt, bevor eine benutzerdefinierte Nährwertdatenbank für die Gerichte der Personalkantine erstellt wurde (siehe ergänzende Informationen). Die Menge an Kalorien und Makronährstoffen wurde in den Einheiten kcal bzw. Gramm pro 100 g des Gerichts angegeben, eine Konvention in den meisten Nährwertkennzeichnungen.

Für Gerichte mit CO2-Kennzeichnung wurde eine Ökobilanz (LCA) verwendet, um die gesamten Umweltauswirkungen der Lebensmittelzutaten von der Produktion bis zur Entsorgung abzuschätzen. Durch die getrennte Betrachtung der in jeder Phase benötigten Energie und Ressourcen könnte es dabei helfen, Emissions-Hotspots zu identifizieren, sodass gezielte Dekarbonisierungsstrategien umgesetzt werden könnten.

Die Lebenszyklusbewertung einer Lebensmittelzutat umfasste fünf Phasen: (1) Landwirtschaft (für die Lebensmittelproduktion), (2) Verarbeitung (einschließlich Lagerung und Verpackung), (3) Vertrieb, (4) Verbrauch und (5) Abfallmanagement . Jede Phase des Lebenszyklus verursacht einen CO2-Fußabdruck und sollte bei der CO2-Kennzeichnung von Lebensmitteln berücksichtigt werden. In den meisten Fällen leistet die Landwirtschaft den größten Beitrag zu den gesamten Lebensmittelemissionen und trägt 80–86 % der Emissionen des Lebensmittelsystems bei, allerdings mit erheblichen Unterschieden je nach Region und Lebensmittel25. Auch die übrigen Phasen der Lieferkettenemissionen variieren drastisch, abhängig von den Lebensmittelkonsumgewohnheiten, die von Land zu Land unterschiedlich sind.

Alle Rohstoffe wurden in eine von 18 Arten eingeteilt: Alkohol, Wasser, Rindfleisch, Milchprodukte, Eier, Obst, Pilze, Lamm, Hülsenfrüchte, Mais, Nüsse, Öl, Schweinefleisch, Geflügel, Reis, Gewürze, Gemüse und Weizen. Dieser Ansatz wurde gewählt, um chinaspezifische Emissionsfaktoren für bestimmte Lebensmittelarten zu verwenden, die auf einer Studie zum CO2-Fußabdruck von Lebensmittelabfällen in Peking basieren26. Die Quellen anderer Emissionsfaktoren, Annahmen zur Energieintensität für die Lebensmittelverarbeitung, Transportarten und -entfernungen sowie für Macau spezifische Abfallentsorgungsemissionen wurden in den Emissionsdatendateien dokumentiert, die in den Zusatzinformationen verfügbar sind.

Für jedes Gericht wurde der CO2-Fußabdruck in kg CO2e/kg (also Kilogramm CO2-Äquivalent pro Kilogramm Gericht) basierend auf dem im Rezept angegebenen Gewicht der Zutaten angegeben. CO\(_2\)-Äquivalent (CO2e) ist eine Maßeinheit, die zur Standardisierung der Klimaeffekte verschiedener Treibhausgase (THG) aufgrund unterschiedlicher Treibhauspotenziale (GWP) verwendet wird. Das GWP ist ein Maß für die Erwärmungswirkung über 100 Jahre im Vergleich zu CO\(_2\). Beispielsweise ist Methan (CH\(_4\)) etwa 28-mal stärker als CO\(_2\) und Lachgas (N\(_2\)O) ist etwa 273-mal stärker als CO\(_2\)27 .

Um den CO2-Fußabdruck verschiedener Gerichte zu vergleichen, wurde das Ampelsystem des Swedish Meat Guide verwendet, wobei \(<4\) kgCO2e/kg, 4–14 kgCO2e/kg und \(>14\) kgCO2e/kg als grün markiert wurden , orange bzw. rot28. Der Schwellenwert für den CO2-Fußabdruck von Lebensmitteln für eine Einzelperson (oder „fairer täglicher Lebensmittelemissionswert“) wurde auf 2,7 kg CO2e/Tag festgelegt. Dieser Wert basierte auf der gesamten globalen CO2e-Emission im Jahr 2030, die erforderlich ist, um bis 2050 Netto-Null zu erreichen, unter der Annahme eines linear abnehmenden Trends, und kann wie folgt berechnet werden: 33,8 Gigatonnen CO2e/Jahr/8,5 Milliarden Menschen/365 Tage \(\times\) 25 % (für den Lebensmittelkonsum) \(\ungefähr\) 2,7 kgCO2e/Person/Tag29.

Zur nachgelagerten Erkennung gehört der Aufbau eines Systems zur Erkennung von Tellerabfällen mithilfe von Computer Vision, um besser zu verstehen und zu quantifizieren, was das Personal wegwirft. Es würde die Trennung von ungenießbaren (wie Knochen, Schalen, Schalen usw.) und essbaren (wie Gemüse, Fleisch, Reis usw.) Lebensmittelabfällen ermöglichen. Die Erkennung verschiedener Arten von Lebensmittelabfällen könnte den Koch auch über mögliche Änderungen an Rezepten wie Kochmethoden informieren und/oder die Zutaten entsprechend anpassen.

Es kann sich die Frage stellen, warum Plattenabfälle nicht manuell vom Personal selbst sortiert werden können. In einer idealen Welt wäre dies ein praktikabler Ansatz, um Plattenverschwendung genau zu erkennen und zu quantifizieren. Die Realität wirft jedoch mehrere Probleme auf. Beispielsweise kann es sein, dass das Personal es eilig hat und seinen gesamten Tellerabfall einfach in einen einzigen Behälter wirft. Der Tellerabfall kann oft unordentlich sein, sodass die Trennung von essbaren und ungenießbaren Speisen zeitaufwändig sein und in Spitzenzeiten möglicherweise zu langen Warteschlangen in der Cafeteria führen kann. Dafür müssten Tausende von Mitarbeitern darin geschult werden, ihre Plattenabfälle manuell zu trennen. Die Durchsetzung eines solchen Eingriffs kann eine Belastung für die Humanressourcen darstellen. In diesem Sinne würde ein automatisiertes System zur Erkennung von Plattenabfall die menschliche Disziplin außer Acht lassen und dazu beitragen, die oben beschriebenen Probleme zu lindern.

Der verwendete Computer-Vision-Algorithmus war ein hochmodernes Objekterkennungsmodell namens YOLOv530, das in der Lage ist, interessierende Objekte in Echtzeit zu erkennen. Aufgrund der großen Vielfalt an Lebensmittelabfällen waren Tausende von Bildern mit gekennzeichneten Lebensmittelabfällen erforderlich, um einen ausreichend großen Datensatz zum Trainieren des Modells bereitzustellen. Um ein Objekterkennungsmodell zu trainieren, waren zwei Eingaben erforderlich: (1) Bilder und (2) Beschriftungen, die aus Begrenzungsrahmen mit Klassennamen um alle interessierenden Objekte in den Bildern bestehen. Wie im Kurs „Machine Learning Engineering for Production“ (MLOps) von DeepLearning.ai31 betont, sollte man beim maschinellen Lernen einen datenzentrierten Ansatz verfolgen. Es kommt häufig vor, dass einfache Modelle, die mit konsistenten und genauen Beschriftungen trainiert werden, die fortschrittlichsten Algorithmen mit inkonsistenten und ungenauen Beschriftungen schlagen.

Um Daten mit Anmerkungen zu versehen, wurden das Modified OpenLabelling-Tool32 und die Roboflow-Plattform33 verwendet, um den Kennzeichnungsprozess zu optimieren und mit anderen Annotatoren zusammenzuarbeiten. Das Modified OpenLabelling-Tool ermöglichte eine schnelle Beschriftung von Bildern, die auf dem lokalen Computer gespeichert waren. Die Roboflow-Plattform ermöglichte eine Feinabstimmung der Begrenzungsrahmen und das Erhalten zusammenfassender Statistiken des Datensatzes, wie z. B. der Klassenverteilung, die Aufschluss darüber gab, welche Klassen über- oder unterrepräsentiert waren, sodass die Datenerfassung gezielt auf unterrepräsentierte Klassen ausgerichtet werden konnte, um das Problem zu lindern des Klassenungleichgewichts.

Mehrere Metriken wurden verwendet, um die Leistung eines Objekterkennungsmodells zu quantifizieren. Eine gängige Metrik namens „Intersection over Union“ (oder IoU) misst die Überlappung zwischen zwei Begrenzungsrahmen. Es ist definiert als:

Dabei ist „Schnittfläche“ die Überlappung zwischen zwei Begrenzungsrahmen und „Vereinigungsfläche“ die Gesamtfläche, die von beiden Begrenzungsrahmen umschlossen wird. Eine höhere IoU bedeutet einen größeren Anteil der Überlappung zwischen zwei Boxen, wobei ein Wert von 1 eine perfekte Überlappung bedeutet. Wenn die IoU einen vordefinierten Schwellenwert überschreitet (z. B. IoU = 0,5), dann wird die Überlappung zwischen einem vorhergesagten und einem Ground-Truth-Bounding-Box als positive Erkennung oder wahr positiv (TP) bezeichnet, andernfalls handelt es sich um falsch positiv (FP). ). Ein falsches Negativ (FN) liegt vor, wenn das Modell überhaupt keinen Begrenzungsrahmen in einem Bild mit interessierenden Objekten vorhersagen kann.

Während der Inferenz erhält das Modell ein unsichtbares Bild und sagt Begrenzungsrahmen voraus. Jeder vorhergesagte Begrenzungsrahmen hat eine Wahrscheinlichkeit (oder einen Konfidenzwert) mit einem Wert zwischen 0 und 1. Ein höherer Konfidenzwert bedeutet, dass das Modell sicherer ist, dass ein Objekt einer bestimmten Klasse am vorhergesagten Ort vorhanden ist. Es kann sein, dass das Modell zunächst viele Begrenzungsrahmen vorhersagt. Um nur den besten Begrenzungsrahmen um ein Objekt herum beizubehalten, verwendet YOLOv5 die nicht-maximale Unterdrückung (NMS), um die Anzahl der Begrenzungsrahmen zu reduzieren. Erstens behält NMS nur die Begrenzungsrahmen bei, deren Konfidenzwert (conf) größer als ein vordefinierter Schwellenwert (z. B. conf = 0,5) ist, und entfernt sie andernfalls. Zweitens werden alle vorhergesagten Begrenzungsrahmen entfernt, deren IoU-Wert größer als ein vordefinierter Schwellenwert (z. B. IoU = 0,5) in Bezug auf den besten Begrenzungsrahmen ist. Eine größere IoU zwischen zwei Vorhersagen weist wahrscheinlich darauf hin, dass sich zwei Begrenzungsrahmen auf dasselbe Objekt beziehen. Dieser Vorgang wird für jede vorhergesagte Klasse in einem Bild wiederholt. Die hier verwendeten Konfidenz- und IoU-Schwellenwerte werden als NMS-Schwellenwerte bezeichnet und können vom Benutzer vor der Inferenz festgelegt werden.

Um zu messen, wie gut das Modell eine bestimmte Klasse vorhersagt, werden die Präzisions- und Rückrufmetriken verwendet, um die Vorhersagen anhand der Grundwahrheit zu bewerten. Die Präzision, die misst, wie genau die Vorhersagen sind, wird durch angegeben

dh der Anteil positiver Vorhersagen (TP + FP), der tatsächlich wahr ist (TP). Der Recall, der misst, wie gut das Modell alle positiven Ergebnisse findet, wird durch gegeben

dh der Anteil positiver Instanzen (TP + FN), der korrekt vorhergesagt wird (TP). Dabei ist TP richtig positiv, FP falsch positiv und TN richtig negativ. Wenn der IoU-Schwellenwert von hoch auf niedrig sinkt, nimmt wahrscheinlich die Präzision ab und die Erinnerung steigt, da ein niedrigerer IoU-Schwellenwert leichter erfüllt wird und somit mehr positive Erkennungen (TP oder FP) erfolgen. Jeder IoU-Schwellenwert würde eine andere PR-Kurve (Precision-Recall) für den gekennzeichneten Datensatz erzeugen. Die durchschnittliche Präzision (AP) jeder Klasse ist die Fläche unter der PR-Kurve basierend auf einem einzelnen IoU-Schwellenwert. Es kann berechnet werden als

wobei n die Anzahl der Punkte in der PR-Kurve ist und \(\text {Recall}[0] = 0\). Die Punkte, aus denen eine PR-Kurve besteht, sind Modellvorhersagen, die von hoher bis niedriger Konfidenz bis hin zu einem Konfidenzschwellenwert (z. B. conf = 0,25) unter einem einzelnen IoU-Schwellenwert (z. B. IoU = 0,5) eingestuft werden. Interpolation wird oft verwendet, um gleichmäßig verteilte Punkte zu erhalten. Mit anderen Worten: Der AP einer Klasse ist eine gewichtete Summe der Präzision, wobei die Gewichtung der Anstieg der Erinnerung zwischen aufeinanderfolgenden Punkten ist. Nach der Berechnung des AP für jede Klasse kann die mittlere durchschnittliche Präzision (oder mAP) durch Mittelung über alle Klassen berechnet werden

Dabei ist \(AP_k\) die durchschnittliche Genauigkeit der Klasse k und n die Anzahl der Klassen. Beachten Sie, dass sich die Konfidenz- und IoU-Schwellenwerte, die zur Bewertung von AP und mAP verwendet werden, von den NMS-Schwellenwerten während der Inferenz unterscheiden.

Für die Objekterkennung werden die beiden gängigen Metriken zur Quantifizierung der Leistung des Modells verwendet: \(\mathrm {mAP@0,5}\), was mAP mit IoU = 0,5 über alle Klassen bedeutet, und \(\mathrm {mAP@0,5:0,95}\ ), was bedeutet, dass der mAP über 10 IoU-Schwellenwerte von 0,5 bis 0,95 mit einer Schrittgröße von 0,05 über alle Klassen gemittelt wurde.

Als Machbarkeitsnachweis wurde das kleine YOLOv5s-Modell für 1000 Epochen mit 250 Bildern von Tellerabfällen aus der Kantine des Personals trainiert, die manuell mithilfe einer Kamera mit beschrifteten Lebensmittelkategorien wie Gemüse, Fleisch und Knochen aufgenommen wurden. Das Training wurde auf einer Nvidia V100-GPU im Astrophysics-HPC-Cluster (High Performance Computing) der UCL durchgeführt. Das Modell passte deutlich besser zum Trainingssatz, war aber dennoch vielversprechend, da das Modell in der Lage war, die zugrunde liegende Zuordnung zwischen Bildern von Lebensmittelabfällen und darin enthaltenen Lebensmittelobjekten zu lernen.

Um große Mengen an Bildern von Lebensmittelabfällen effizient zu erfassen und dabei den normalen Betrieb des Personals nicht zu beeinträchtigen, wurde im Stewarding-Raum der folgende Bilderfassungsmechanismus entwickelt. Über dem Rückfördersystem für verschmutzte Tabletts wurde eine mehr als 2 m hohe Montagehalterung aus Stahl installiert, um die Arbeit der Arbeiter nicht zu behindern. An der Halterung war eine kleine Clip-Kamera befestigt, die direkt nach unten blickte, wo die Arbeiter die verschmutzten Tabletts aus den mehrstufigen Förderregalen zur Abfallentsorgung entnehmen würden. Die Kamera wurde auf Videomodus eingestellt, um mehrere Stunden lang ununterbrochen aufzunehmen. Während der Nachanalyse wurden Frames mit einer Rate von einem Frame pro Sekunde aus den Videos extrahiert. Die Größe der Frames wurde auf 1280 \(\times\) 1280 Pixel geändert, um die Speichergröße zu reduzieren. Mithilfe eines aktiven Lernansatzes wurden die Bilder automatisch mit einer vorhandenen Version des Modells gekennzeichnet. Die Beschriftungen wurden manuell überprüft und bei Bedarf korrigiert, bevor sie zum vorhandenen Trainingsdatensatz auf Roboflow hinzugefügt wurden, um die Begrenzungsrahmen zu optimieren und schließlich das Modell von Grund auf neu zu trainieren.

Um das Gewicht des Plattenabfalls zu bestimmen, wurde eine Reihe von Wägezellen so programmiert, dass sie vor und nach dem Wegwerfen des Plattenabfalls (kurz bevor das Tablett entfernt wurde) zwei Gewichtsmessungen durchführten. Das Gewicht des Tellerabfalls konnte aus der Differenz der beiden Gewichte ermittelt werden, ohne das Gewicht von Tablett, Tellern, Schüsseln, Tassen und Utensilien.

Aufbauend auf den oben genannten Ideen wurde ein Prototyp eines Plattenabfall-Trackers konstruiert, der alle oben genannten Punkte berücksichtigt. Es bestand aus: einer Raspberry Pi (RPi) 3b+-Einheit zum Programmieren, zwei Wägezellen zum Wiegen, einem Kameramodul zum Aufnehmen von Bildern, einem hölzernen Montageständer zur Befestigung der beiden Wägezellen mit einer Acrylplattform oben und einem Überhanggehäuse zur Unterbringung die RPi-Einheit und die Kamera, die direkt über der darunter liegenden Wägeplattform positioniert war. Die beiden Wägezellen wurden über einen Lastsensorkombinator mit den GPIO-Pins (Allzweck-Eingang/Ausgang) des RPi verbunden. Das Kameramodul wurde direkt in den Kameramodulanschluss auf der RPi-Platine gesteckt. Die Python-Bibliotheken RPi.GPIO, hx711 und picamera wurden in einem Skript verwendet, um die GPIO-Kanäle des Raspberry Pi zu steuern und eine Schnittstelle zu den Wägezellen und dem Kameramodul herzustellen. Beim Einschalten des Plattenabfall-Trackers baut der Raspberry Pi automatisch eine WLAN-Verbindung auf und kann über SSH (ein Netzwerkkommunikationsprotokoll) von einem Laptop aus ferngesteuert werden. Dadurch konnten Software-Updates drahtlos auf den Raspberry Pi übertragen werden. Die endgültige Pipeline für den Lebensmittelabfall-Tracker ist in Abb. 3 dargestellt und im Folgenden zusammengefasst:

Ein Benutzer stellt ein Tablett auf die Tracker-Plattform, wodurch das Vorher-Gewicht und das Bild erfasst werden. Beides ist auf der SD-Karte des Raspberry Pi gespeichert.

Das Bild wird über eine HTTP-POST-Anfrage auf den Heroku-Server hochgeladen, der die Docker-App zur Erkennung von Containerplattenabfällen34 hostet. Das Bild wird von einem zwischengespeicherten YOLOv5-Modell zur Plattenabfallerkennung verarbeitet und die Ergebnisse werden automatisch zurück auf die Pi-SD-Karte heruntergeladen, die auf einem Bildschirm angezeigt werden kann. Beachten Sie, dass dieser Inferenzschritt asynchron (dh parallel) zum Rest des Programms ausgeführt wird.

Gleichzeitig entsorgt der Nutzer seinen Tellerabfall in einem Mülleimer.

Nach der Entsorgung wird das Gewicht des Tabletts „nachher“ automatisch erfasst, wenn der Benutzer das Tablett von der Plattform entfernt. Anschließend wird das Gewicht des Tellerabfalls aus der Differenz zwischen „vorher“ und „nachher“ berechnet.

Die Plattenabfalldaten dieses Benutzers werden zur Nachanalyse in einer CSV-Datei gespeichert.

Der Zyklus wiederholt sich ab Schritt 1.

Die Plattenabfall-Tracker-Pipeline.

Diese Studie schlug drei Wege zur Reduzierung von Lebensmittelabfällen und des CO2-Fußabdrucks in der Mitarbeiterkantine eines integrierten Resorts in Macau vor und ging dabei auf die in „Lebensmittelabfälle in HaFS-Sektoren und die damit verbundenen Auswirkungen“ aufgeworfenen Fragen ein. Um zu bestimmen, wie viel Essen gekocht werden sollte, wurden eine Bedarfsprognose für die Mitarbeiterkantine und ein Ernährungsmodell verwendet, um den grundlegenden Nährstoffbedarf des Personals an einem Tag abzuschätzen. Um die Mitarbeiter zu einer besseren Lebensmittelauswahl zu ermutigen, wurde für 404 in der Mitarbeiterkantine servierte Gerichte eine CO2- und Nährwertkennzeichnung eingeführt, um das Bewusstsein für die Auswirkungen verschiedener Lebensmittel auf das Klima und ihre Gesundheit zu schärfen. Um die Verschwendung essbarer Lebensmittel zu reduzieren, wurde ein mit Computer Vision ausgestatteter Tellerabfall-Tracker entwickelt, der verfolgt, was das Personal wegwirft, und anhand der Statistiken den Koch über potenziell schlecht zubereitete Gerichte informieren kann. Die Mitarbeiter, die die Kantine täglich nutzten, gehörten überwiegend der chinesischen Volksgruppe an, waren zwischen 30 und 50 Jahre alt, verfügten über einen Schul- oder Universitätsabschluss, eine ziemlich gleichmäßige Mischung aus Männern und Frauen, mit einem durchschnittlichen Einkommen von ca \(\Pfund\) 25.000 pro Jahr (basierend auf einem MOP/GBP-Wechselkurs von \(\Pfund\) 0,11 zum Zeitpunkt des Schreibens). Die detaillierten Ergebnisse jeder Strategie werden unten besprochen.

Abbildung 4 zeigt die Variation der Anzahl der Abdeckungen und des Gewichts der nicht entsorgten Lebensmittelabfälle an verschiedenen Wochentagen. Die Ergebnisse zeigen ein klares bimodales Verhalten bei der Anzahl der Vertretungen, wobei die Zahl der Vertretungen an Wochentagen hoch ist (typischerweise \(\sim\) 3100 Vertretungen) und die Wochenenden niedrig sind (typischerweise \(\sim\) 2850 Vertretungen), was darauf zurückzuführen ist, dass das Büropersonal am Wochenende frei hat. Im Allgemeinen betrug der durchschnittliche unversorgte Lebensmittelabfall pro Tag von Montag bis Sonntag \(\sim\) 30 kg. Obwohl die durchschnittliche Zahl der Zustellungen an Samstagen und Sonntagen etwa 8 % niedriger war als an Wochentagen, blieb die unversorgte Lebensmittelverschwendung gleich, wenn nicht sogar gelegentlich höher, wie aus dem größeren Interquartilbereich (IQR) hervorgeht. Dieses Ergebnis zeigt das Potenzial, die Menge der gekochten Lebensmittel auf der Grundlage der Prognose der Speiseabdeckung und des Makronährstoffmodells zu optimieren, um unversorgte Lebensmittelverschwendung zu reduzieren.

Ein Boxplot, das die Anzahl der Abdeckungen in der Kantine des Personals (oben) und das Gewicht der nicht ausgegebenen Lebensmittelabfälle (unten) für verschiedene Wochentage zeigt. Der untere Teil der Box ist das untere Quartil Q1 (25 % der Daten unter diesem Wert), der obere Teil der Box ist das obere Quartil Q3 (75 % der Daten unter diesem Wert), mit einer Linie beim Median Q2 (50 % von Daten unterhalb dieses Wertes). Die Whiskers unter und über der Box erstrecken sich nicht mehr als 1,5 \(\times\) IQR (IQR = Q3–Q1) von den Rändern der Box und enden am entferntesten Datenpunkt innerhalb dieses Intervalls. Ausreißer werden als Punkte dargestellt.

Abbildung 5 zeigt die Komponenten des Prognosemodells für die Anzahl der Gedecke in der Betriebskantine auf Stundenbasis. Der beste Parametersatz erwies sich als: Ein flacher Trend (d. h. kein Wachstum oder Rückgang der Mitarbeiterzahl), einschließlich gesetzlicher Feiertage in Macau, ein multiplikativer wöchentlicher Trend der Fourier-Ordnung 5 und ein multiplikativer täglicher Trend der Fourier-Ordnung 15 Es wurde festgestellt, dass diese Einstellungen mit einem mittleren absoluten Fehler von 18 Zählern die beste Prognoseleistung für die Testdaten liefern, was bedeutet, dass die Differenz zwischen den vorhergesagten und tatsächlichen Zählern für die Anzahl der Essensbezüge in einer bestimmten Stunde durchschnittlich etwa 18 Personen betrug 125 durchschnittliche Stundendeckungen (siehe Abb. 5a).

Komponenten des Prophet-Modells passten im Laufe der Zeit in die Essbezüge der Mitarbeiterkantine. Die Felder von oben nach unten sind: (a) der Trend (der in diesem Modell flach ist) gibt den Basiswert der Prognose an (in Einheiten von Deckungen pro Stunde), (b) Feiertagseffekte, die den Basiswert reduzieren der Prognose, (c) und (d) wöchentliche und tägliche Saisonalitäten, die den Prozentsatz des Basiswerts angeben, der zur endgültigen Schätzung der Prognose hinzugefügt werden muss.

Abbildung 6 zeigt das Modell, das auf ungesehene Testdaten im Monat April 2022 angewendet wurde (aus Gründen der Übersichtlichkeit wird nur ein halber Monat angezeigt). Die Prognose (blaue Linie) mit einem Unsicherheitsintervall von 90 % in Hellblau erfasste gut die wöchentlichen und täglichen Muster der Personalkantinenabdeckungen in diesem Testzeitraum. Andere Variationen des Modells, beispielsweise ohne Feiertage oder mit linearen stückweisen Trends, hatten einen höheren mittleren absoluten Fehler, obwohl sie visuell bessere Anpassungen an die höchsten Gipfel während der Mittagspause lieferten.

Prognose der Anzahl der Deckungen auf Stundenbasis für den Zeitraum zwischen dem 01. April und dem 17. April 2022 (einschließlich). Die blaue Linie stellt die prognostizierten Werte dar, der hellblaue Farbton stellt das 90 %-Unsicherheitsintervall für die Zählungen dar und die roten Punkte stellen die tatsächliche Anzahl der Essenseindeckungen in einer bestimmten Stunde dar.

Basierend auf einer relativ genauen Prognose der Anzahl der Bezüge wurde auch der Ernährungsbedarf des Personals zu einem bestimmten Zeitpunkt modelliert. Abbildung 7 zeigt das Ernährungsmodell basierend auf der Anzahl der Mitarbeiter zu einer bestimmten Stunde. Es gibt die empfohlene Menge an Makros an, die erforderlich ist, um den durchschnittlichen Ernährungsbedarf des Personals zu decken, wie in „Upstream-Optimierung: Prognose des Ernährungsbedarfs“ beschrieben. Der tägliche Bedarf an Makronährstoffen, basierend auf einer typischen 2000-kcal-Diät pro Person, für etwa 3000 Mitarbeiter an verschiedenen Wochentagen wurde prognostiziert und liegt zwischen:

Kohlenhydrate: 245-280 kg

Fett: 71–75 kg

Protein: 98–112 kg

Beim Vergleich dieser vorhergesagten Makronährstoffwerte mit der tatsächlich an einem typischen Tag servierten Menge wurde festgestellt, dass es Anzeichen einer Überversorgung gab. Die Menge an zugeführten Kohlenhydraten, Fett und Protein betrug 123 %, 207 % bzw. 233 % der durchschnittlichen vorhergesagten Werte. Beachten Sie, dass in diese Makronährstoffanalyse nur die Hauptgerichte einbezogen wurden. Gerichte wie Suppen, Saucen und frische Salate wurden aufgrund vernachlässigbarer Mengen an Makronährstoffen von der Berechnung ausgeschlossen. Für diese Art von Gerichten wurden jedoch sowohl die Nährwert- als auch die CO2-Fußabdruckwerte berechnet, wie in Abb. 8 dargestellt. Ihr Ausschluss erfolgte ausschließlich auf der Grundlage der Ermittlung einer Basislinie für die mindestens erforderlichen Makronährstoffe. Diese Ergebnisse deuten darauf hin, dass die durchschnittlichen 30 kg unverarbeiteter Lebensmittelabfälle pro Tag möglicherweise erheblich reduziert werden könnten, da an einem typischen Tag mehr als das Doppelte des durchschnittlichen Bedarfs an Fett und Protein anfällt.

Die Makronährstoffprognose auf Stundenbasis für den Zeitraum zwischen dem 1. April und dem 17. April 2022 (einschließlich) basierend auf der Anzahl der erfassten Essensbezüge. Jeder Punkt stellt die typische Menge (in kg) eines bestimmten Makronährstoffs dar, die benötigt wird, um den Grundernährungsbedarf der Mitarbeiter für die jeweilige Stunde zu decken.

Abbildung 8 zeigt ein Sunburst-Diagramm des CO2-Fußabdrucks von 404 Gerichten, gruppiert nach ihrem Gerichtstyp. Bei der Anzeige im Browser35 ist das Diagramm interaktiv und ermöglicht die Erweiterung verschiedener Gerichtarten, um jedes Gericht mit Nährwerten anzuzeigen. Die Größe des Sektors ist proportional zur Summe des CO2-Fußabdrucks in diesem Sektor. Die Farbe jedes Sektors wird durch den durchschnittlichen CO2-Fußabdruck in diesem Sektor bestimmt und das Schema folgt dem Ampelsystem des Swedish Meat Guide, wie in „Midstream-Bildung: Lebensmittelkohlenstoff- und Nährwertkennzeichnung“ beschrieben. Aus dem leuchtend roten Abschnitt ist sofort ersichtlich, dass Rindfleischgerichte den höchsten CO2-Fußabdruck haben, was vor allem auf ihren hohen Treibhausgasausstoß in der landwirtschaftlichen Phase des Lebenszyklus zurückzuführen ist, wie in Abb. 9 dargestellt.

Ein Sunburst-Diagramm, das den CO2-Fußabdruck (kg CO2eq/kg) von 404 Gerichten, gruppiert nach ihrem Gerichtstyp, zeigt. Es gibt 13 Gerichtarten, wobei die Anzahl der Gerichte in Klammern angegeben ist: Rindfleisch (28), Schweinefleisch (50), Geflügel (43), Meeresfrüchte (62), Suppe (62), Reis und Nudeln (34), Eier und Bohnen ( 26), Soße (14), Gemüse (31), Congee (25), süße Suppe (22), Dessert (4) und Obst (3). Aufgrund der sehr geringen Sektorgröße ist die Fruchttextbeschriftung nicht sichtbar. Die Farbe jedes Sektors spiegelt den durchschnittlichen CO2-Fußabdruck in kg CO2e pro kg eines Gerichts in diesem Sektor wider.

Vollständige Lebenszyklusbewertung der Treibhausgasemissionen für verschiedene Lebensmittelarten: Landwirtschaft, Nachverarbeitung (einschließlich Handhabung und Lagerung sowie Verarbeitung und Verpackung nach der Ernte), Verbrauch und Bestimmungsort (z. B. Abfallentsorgung).

Die Kohlenstoffkennzeichnung für jedes Gericht könnte weiter mit verschiedenen Makronährstoffwerten korreliert werden, um Umweltziele (THG) und persönliche Gesundheitsziele (Ernährung) zu verknüpfen. Ähnliche Studien wurden in Schulkantinen durchgeführt, um die Umweltauswirkungen von Mahlzeiten mit ihrer Ernährung in Verbindung zu bringen (z. B. Volanti et al.36). Das Ziel der Midstream-Bildung bestand darin, das Bewusstsein dafür zu schärfen, wie Lebensmittelauswahl und Lebensmittelkonsumverhalten zu erheblichen Auswirkungen auf das Klima und die Gesundheit führen können37,38.

Basierend auf der Kohlenstoff- und Nährwertkennzeichnungsarbeit wurde eine Spin-off-Website zur Kohlenstoff- und Nährwertverfolgung (mit dem Namen „ourfood39“) speziell für die in der Mitarbeiterkantine servierten Speisen entwickelt. Der Zweck dieser Website bestand darin, den Mitarbeitern die Möglichkeit zu geben, dies zu verfolgen Ihren eigenen CO2-Fußabdruck und Ihre eigene Ernährung im Laufe der Zeit auf der Grundlage ihrer Lebensmittelauswahl. Es würde auch die Interaktion der Mitarbeiter untereinander erleichtern, indem Trends untereinander verglichen werden, und eine gesunde Diskussion über Lebensmittel, Klima und Ernährung gefördert werden. Der Benutzer könnte seine eigenen CO2- und Ernährungsbudgets festlegen /targets entsprechend ihren Bedürfnissen mit Standardwerten, die auf die empfohlenen Werte basierend auf der Literatur festgelegt sind. Die Anzahl der Bäume, die erforderlich sind, um den jährlichen CO2-Fußabdruck der Mitarbeiter durch Lebensmittel auszugleichen, wird auch basierend auf der durchschnittlichen jährlichen CO2-Kompensationsrate eines Baums angezeigt40. Damit sind Sie gewappnet Informationen zufolge könnte das Unternehmen einen Teil seiner Spenden für die Finanzierung von Baumpflanzinitiativen verwenden, um die CO2-Emissionen im Lebenszyklus der das ganze Jahr über servierten Lebensmittel auszugleichen und so den CO2-Fußabdruck der Mitarbeiterkantine zu verringern.

Abbildung 10 zeigt den intern entwickelten Prototyp eines Plattenabfall-Trackers zur automatischen Erfassung einzelner Plattenabfallbilder und -gewichte. Es wurde so konzipiert, dass es sich nahtlos in die geplante Renovierung der Personalkantine integrieren lässt, bei der die Mitarbeiter ihre eigenen Tellerabfälle entsorgen müssen (wobei Daten vom Tracker erfasst werden), bevor sie sie auf das Rückfördersystem für verschmutzte Tabletts legen.

Ein Prototyp eines integrierten Plattenabfall-Trackers. Es besteht unten aus Wägezellen, um das Gewicht des Plattenabfalls zu messen, und einer Kamera oben, um ein Bild des Plattenabfalls vor der Entsorgung aufzunehmen. Beide werden von einem „Raspberry Pi“ gesteuert, auf dem ein Python-Programm läuft.

Für die Computer-Vision-Komponente des Plattenabfall-Trackers zeigt Tabelle 1 die endgültige Leistung der kleinen (s), mittleren (m) und großen (l) YOLOv5-Modelle zur Erkennung von Plattenabfall im Validierungsdatensatz über 32 Klassen hinweg, darunter: Apfel, Apfelkern, Apfelschale, Knochen, Knochenfisch, Brot, Brötchen, hartes Ei, Rührei, Eierschale, Eierdampf, Eigelb, Fisch, Fleisch, Muschel, Muschelschale, Nudel, Orange, Orangenschale, andere Abfälle, Pfannkuchen, Nudeln, Birne, Birnenkern, Birnenschale, Kartoffel, Reis, Garnelen, Garnelenschale, Tofu, Tomate und Gemüse. Wenig überraschend schnitt das große Modell mit mAP@0,5 von 0,681 und mAP@0,5:0,95 von 0,439 am besten ab. Allerdings war die Inferenzgeschwindigkeit des großen Modells etwa dreimal langsamer als die des kleinen Modells. Der gesamte Datensatz umfasste insgesamt 2716 Bilder (von denen 10 % zur Validierung verwendet wurden) mit 10.531 Objektinstanzen (d. h. beschrifteten Begrenzungsrahmen). Zum Vergleich: Die ursprünglichen YOLOv5-Modelle wurden auf dem Common Objects in Context (COCO)-Datensatz41 trainiert, der 80 Klassen mit 330.000 Bildern und über 1,5 Millionen Objektinstanzen enthielt. Das große Modell für diesen COCO-Datensatz erreichte mAP@0,5 von 0,711 und mAP@0,5:0,95 von 0,534.

Ein wahrscheinlicher Grund für die schlechtere Leistung im Vergleich zu COCO könnten 15 unterrepräsentierte Klassen mit weniger als 100 Instanzen sein. Diese Klassen trugen die höchste Menge an „Hintergrund-FN“ bei (dh geringerer Rückruf, siehe Gleichung (4)). Andererseits trugen überrepräsentierte Klassen wie Knochen, Gemüse, Eierschale, Orange, Orangenschale und Apfelschale den höchsten Anteil an „Hintergrund-FP“ bei (dh geringere Präzision, siehe Gleichung (3)).

Abbildung 11 zeigt ein Beispiel für die Vorhersagen des YOLOv5m-Modells an noch nie gesehenen Testbeispielen von Plattenabfallbildern, die vom Tracker erfasst wurden. Es ist ersichtlich, dass das Modell bei sperrigen Lebensmitteln die richtige Klasse und Position des Begrenzungsrahmens sehr gut erfasst. Der integrierte Cam-Weight-Systemalgorithmus ist in der Lage, das Abfallgewicht einzelner Tabletts unabhängig von den unterschiedlichen Arten der verwendeten Teller, Bestecke, Tassen und Schüsseln zu messen. Die Kernidee besteht darin, dass das System ein Anfangsgewicht der Wanne mit Behältern und Abfall ermittelt. Nach der Entleerung wird das Endgewicht der Wanne und der leeren Behälter ermittelt. Somit kann aus der Differenz zwischen Anfangs- und Endgewichtswert auf das Gewicht des Abfalls geschlossen werden.

Beispiel für die Erkennung von Plattenabfall durch das YOLOv5m-Modell auf nicht sichtbaren Testplattenabfallbildern, die mit dem Plattenabfall-Tracker in Abb. 10 aufgenommen wurden.

Ein großer Vorteil der individuellen Verfolgung des Plattenabfallgewichts anstelle einer kumulativen Gesamtmenge besteht darin, dass sie die Berechnung verschiedener deskriptiver Statistiken erleichtert, die weitaus aussagekräftiger sind als ein einzelner Gesamtabfallwert. Abbildung 12 zeigt die Epochenanalyse der Gewichtskurven von 36 Proben der Tellerabfallentsorgung in der Mitarbeiterkantine. Das allgemeine Spitzenmerkmal am Ende der Gewichtskurve stellt das Zurückstellen der Schüssel oder des Tellers auf das Tablett dar, bevor das gesamte Essenstablett von der Plattform entfernt wird. Tabelle 2 zeigt die zusammenfassende Statistik der Plattenabfallproben. Im Durchschnitt bestanden etwa 20 % des anfänglichen Gewichts der Essensschalen aus Tellerabfällen, obwohl zwischen den einzelnen Proben große Unterschiede zwischen 50 und 552 g auftraten, mit einem Durchschnittsgewicht von 253 g pro Essschale. Als Referenz meldete das IFWC eine durchschnittliche Lebensmittelverschwendung von 115 g pro Esstischabdeckung6. Ein wahrscheinlicher Grund für die große Diskrepanz könnten die sehr unterschiedlichen Arten von Tellerabfällen in der asiatischen und europäischen Küche sein. Da der Tellerabfall nicht getrennt bleibt, umfasst das Gewicht auch das Gewicht von Knochen, Schalen und anderen ungenießbaren Speiseresten. Die Computer-Vision-Komponente des Tellerabfall-Trackers versuchte, dieses Problem teilweise zu lösen, indem sie erkannte, ob essbare Lebensmittel weggeworfen wurden.

Überlagerte Epochenanalyse von 36 Gewichtskurven aus der Plattenabfallentsorgung. Die x-Achse stellt die normalisierte Zeit dar, wobei 0 das erstmalige Ablegen des Lebensmitteltabletts auf die Waage und 1 das Entfernen des Tabletts ist. Die y-Achse stellt das normalisierte Gewicht dar, wobei 1 der 90. Quantilwert der gesamten Gewichtskurve in einer bestimmten Stichprobe ist.

Eine Zusammenfassung der wichtigsten Ergebnisse für jeden der drei Dekarbonisierungsströme und drei in der Fallstudie untersuchten Interventionen ist in Tabelle 3 dargestellt.

In der vorgelagerten Optimierungsphase zeigte diese Studie das Potenzial für Köche auf, die Essenszubereitung basierend auf der prognostizierten Anzahl an Essenszubereitungen in Kombination mit einem Makro-Ernährungsmodell zu optimieren, das heißt, nur das zuzubereiten und zu kochen, was und wann benötigt wird (Just-in- Zeitkochmethode). Dennoch ist es aus logistischen Gründen und aufgrund von Fehlern im Prognosemodell manchmal unvermeidlich, sich übermäßig vorzubereiten. Wenn unversehrte Lebensmittel nicht für die Versorgung von Menschen innerhalb des Unternehmens verwendet werden können (z. B. aufgrund von Logistik- und Ressourcenproblemen), gibt es alternative Optionen wie die Spende an externe gemeinnützige Organisationen, die Weiterleitung an Tierfutter, die anaerobe Kompostierung zur Herstellung von Kompost für neue Anlagen usw Durch anaerobe Vergärung entsteht Biogas zur Energiegewinnung, und schließlich gelangt es in die Mülldeponie oder Verbrennungsanlage.

Eine Lebensmittelspende sollte der erste Schritt sein, den man in Betracht ziehen sollte, da nicht abgegebene Lebensmittel für andere Menschen durchaus zum Verzehr geeignet sind. Allerdings sind Köche oft sehr damit beschäftigt, Mahlzeiten für Tausende zuzubereiten. Die Eintrittsbarrieren sollten minimiert werden, um die Teilnahme an der gemeinsamen Anstrengung zur Reduzierung der Lebensmittelverschwendung zu fördern. Es muss eine Infrastruktur vorhanden sein, die das Spenden zu einer einfacheren Option macht, als nicht ausgelieferte Lebensmittel direkt in den Mülleimer zu werfen. Beispielsweise vereinfacht die gemeinnützige Stiftung „Chefs to End Hunger“42 die Rückgewinnung überschüssiger Lebensmittel, indem sie täglich Kartons mit überschüssigen Lebensmitteln bei regelmäßigen Produktlieferungen von Kunden abholt, um sie an verschiedene gemeinnützige Organisationen weiterzuverteilen.

In der mittleren Aufklärungsphase dieser Forschung wurde eine interaktive App zur Kohlenstoff- und Ernährungsverfolgung entwickelt, um Gästen dabei zu helfen, ihr Tablett besser zu füllen, indem sie sie besser über die Gesundheits- und Umweltauswirkungen von Lebensmitteln informiert.

Bei der Nährwertkennzeichnung wurde jeder Makronährstoff als separate Menge behandelt. Allerdings könnten verschiedene Makro- und Mikronährstoffe in einem einzigen Nährstoffdichteindex für die Gerichte kombiniert werden, der verschiedene Ernährungsfaktoren erfasst38. Dafür waren jedoch die Mikronährstoffmengen für jede Zutat erforderlich, was den Rahmen dieser Studie sprengen würde.

Für die CO2-Kennzeichnung war der CO2-Fußabdruck eines Gerichts nur ein Indikator für die Umweltauswirkungen von Lebensmitteln. Der Wasser-Fußabdruck (d. h. die Menge des verbrauchten Wassers) und der ökologische Fußabdruck (d. h. die Menge der genutzten biologisch produktiven Fläche) sind ebenfalls wichtige Umweltindikatoren, die die Auswirkungen von Lebensmitteln auf den Planeten messen. In entwickelten Ländern könnte eine Ernährung, die reich an verarbeiteten Lebensmitteln, Fleisch und Milchprodukten ist, größere Auswirkungen auf das Klima haben als in Entwicklungsländern, die eine eher lokale pflanzliche Ernährung zu sich nehmen. Eine aktuelle Studie hat gezeigt, dass die Umweltauswirkungen der brasilianischen Ernährung zunehmen (basierend auf den drei Umweltindikatoren), während gleichzeitig auch die Menge an hochverarbeiteten Lebensmitteln zugenommen hat43. Es ist notwendig, die Konsumgewohnheiten weg von einer Ernährung mit vielen treibhausgasintensiven Lebensmitteln zu ändern, ohne dabei die Nährwerte zu beeinträchtigen44. Dies unterstreicht die Tatsache, dass Ernährungsgewohnheiten schwerwiegende Auswirkungen auf die Umwelt haben. Durch Bildung wie Kohlenstoff- und Nährwertkennzeichnung sollen die Menschen darüber informiert werden, bessere Lebensmittelentscheidungen für ihre Gesundheit und die Umwelt zu treffen.

Bezüglich des Plattenabfall-Trackers könnten einige Verbesserungen für eine benutzerfreundlichere Erfahrung implementiert werden. Beispielsweise kann eine weiße LED anzeigen, wenn das Plattenabfallbild erfasst wird, bevor der Benutzer mit der Entsorgung des Abfalls beginnt. Einige visuelle Orientierungshilfen und Schilder können ebenfalls hilfreich sein. Eine Einschränkung des aktuellen Protokollierungsalgorithmus besteht darin, dass er Benutzer daran hindert, das Tablett von der Plattform zu entfernen, um Abfall zu entsorgen, da das Gewicht des Tabletts als Auslöser für den Algorithmus fungiert. Sobald das Fach entfernt wird, wird davon ausgegangen, dass der Benutzer mit der Entsorgung seines Abfalls fertig ist und der Protokollierungszyklus für diesen Benutzer endet. Eine mögliche Lösung könnte darin bestehen, ein weiteres Geschirrteil einzuführen, beispielsweise einen leicht zu reinigenden Silikonbehälter, der sich an die Seiten des Tabletts anpasst und speziell für ungenießbare Feststoffe zur späteren einfachen Entsorgung verwendet wird. Dies erleichtert möglicherweise auch die Erkennung essbarer Lebensmittel für das Computer-Vision-System, da diese nicht durch andere ungenießbare Teile verdeckt werden. Für die Computer-Vision-Fähigkeit könnten verschiedene Versionen der Modelle trainiert werden, indem die unterrepräsentierten Klassen entfernt werden. Es wird erwartet, dass dadurch die mAP-Werte aufgrund besserer Erinnerungswerte in allen Klassen mit ausreichend Instanzen steigen.

Darüber hinaus könnte aus psychologischer Sicht der Aspekt der Midstream-Bildung und der Downstream-Anerkennung dieser Studie als Nudging bezeichnet werden. Aus diesen Instrumenten könnten verschiedene Arten von Nudging-Elementen erstellt werden, um positive Verstärkung und indirekte Vorschläge bereitzustellen und so das Verhalten und die Entscheidungsfindung der Mitarbeiter zu beeinflussen. In der Psychologie schlägt ein bahnbrechendes Buch von Thaler vor, dass das menschliche Gehirn Entscheidungen auf zwei Arten trifft: zum einen intuitiv und automatisch, also schnell und fast mühelos, und zum anderen, das reflektierend und rational ist und daher hohe Konzentration und Anstrengung erfordert ausführen45. In jüngerer Zeit bezeichnete Kahneman diese beiden Denkweisen als System-1- bzw. System-2-Denken46. System 1 (automatischer) Anstoß wirkt sich direkt auf das Verhalten aus, während System 2 (reflexiver) Anstoß die Wahl direkt beeinflusst47.

Im Zusammenhang mit der CO2- und Nährwertkennzeichnung von Lebensmitteln liefert es die Informationen, die Mitarbeiter benötigen, um fundiertere Lebensmittelentscheidungen zu treffen, die ihrer Gesundheit und der Umwelt zugute kommen. Letztendlich kann dies Teil des Entscheidungsprozesses sein, wenn es darum geht, welche Lebensmittel sie essen möchten, und könnte ihr Kauf- und Lebensmittelkonsumverhalten auch außerhalb des Unternehmens beeinflussen. Im Zusammenhang mit dem Tellerabfall-Tracker könnte eine Reihe von LEDs und/oder Tönen basierend auf den Ergebnissen der Tellerabfallerkennung ausgelöst werden. Beispielsweise können rote LEDs schnell blinken (mit schnell wiederholten Pieptönen), wenn die Anzahl der erkannten essbaren Lebensmittel einen bestimmten Schwellenwert überschreitet. Ansonsten leuchten grüne LEDs konstant und haben einen einfachen Soundeffekt. Die blinkenden roten LEDs und der schnelle Piepton würden verschwenderisches Verhalten verhindern, da diese Reize unangenehm sind (eine negative Bestrafung). Andererseits führen die grünen LEDs und einfachen Soundeffekte nach einem sauberen Teller zu einer positiven Verstärkung und ermutigen das Personal, dieses Verhalten beizubehalten. Der Tellerabfall-Tracker könnte genutzt werden, um Gamification einzuführen, indem er automatisch eine Live-Zählung der Anzahl sauberer Teller in Verbindung mit Bilderkennungen bereitstellt, die in Echtzeit auf einem Monitor in der Mitarbeiterkantine angezeigt werden. Das Ziel könnte beispielsweise darin bestehen, bis zum Ende der Woche eine bestimmte Anzahl sauberer Teller zu erreichen, um einen bestimmten Preis und eine wöchentliche Verlosung freizuschalten. Der progressive Charakter einer Partitur schafft ein starkes Engagement der Mitarbeiter und vermittelt ihnen gleichzeitig ein Gefühl der Zusammenarbeit. Jeder hat seine Aufgabe und trägt dazu bei, dass die Teller sauber bleiben! Diese Idee wurde im Rahmen einer aktuellen Initiative des Unternehmens namens „Clean Plate Challenge“ umgesetzt, wie in Abb. 13 dargestellt. Sie fügte unterhaltsame und ansprechende Elemente hinzu, die die Mitarbeiter dazu motivierten, einem normalerweise vernachlässigten Problem der Lebensmittelverschwendung mehr Aufmerksamkeit zu schenken. Darüber hinaus stellte dieses System eine weitere Möglichkeit zur effizienten Erfassung von Bilddaten zu Lebensmittelabfällen dar, da bereits nach drei Stunden Einsatz über 700 Bilder entstanden. Gamification wurde auch in anderen Bereichen eingesetzt, beispielsweise zur Verbesserung der Teilnahme an körperlicher Aktivität48. Literaturrecherchen haben gezeigt, dass Gamification die Motivation und das Engagement der Benutzer steigern kann, jedoch stark vom Kontext des Problems sowie von den Benutzern, die es verwenden, abhängt49.

Echtzeitanzeige der Clean-Teller-Challenge. Es zeigt eine Live-Zählung der Gesamtzahl der Teller, der Anzahl der sauberen Teller (mit Prozentsatz zum Ziel) und der Bilder von Tabletts mit eingezeichneten Begrenzungsrahmen.

Eine weitere Studie könnte die Wirksamkeit der drei Wege zur Dekarbonisierung der Personalkantinen in anderen integrierten Resorts in Macau bewerten. Die Gesamtbelegschaft der „Big Six“-Gaming-Konzessionäre beträgt im vierten Quartal 2021 rund 100.000 (geschätzt aus den Jahres- und Finanzberichten 2021 von Galaxy, Melco, MGM, Sands China, SJM und Wynn). Wichtige Statistiken, die über einen bestimmten Zeitraum gesammelt wurden, würden einen Vergleich der Menge an Lebensmittelabfällen und des damit verbundenen CO2-Fußabdrucks mit den Ausgangswerten vor der Einführung solcher Maßnahmen ermöglichen. Darüber hinaus könnten diese Strategien, wenn sie sich als wirksam erweisen, in allen Bildungseinrichtungen in Macau umgesetzt werden, wo es im akademischen Jahr 2020–2020 insgesamt über 133.000 Schüler von der Vorschule bis zur Hochschulbildung gibt150, von denen sich etwa 31 % in der Hochschulbildung befinden 69 % befinden sich in einer nicht-hochschulischen Ausbildung, von denen viele Catering-Dienstleistungen anbieten. Die Umsetzung von Dekarbonisierungsstrategien bei diesen großen Unternehmen und Institutionen würde die Messlatte für kleinere Unternehmen in Macau setzen. In diesem Prozess könnten weitere Dekarbonisierungsinnovationen entstehen, die ein Schritt in die richtige Richtung wären, um eine neue Welle umweltbewusster Unternehmen voranzutreiben.

Ein Großteil der Datenarbeit besteht darin, die Erzählung zu untermauern. Wenn man tausende Bilder von einwandfreiem Essen sieht, das in den Mülleimer geworfen wird, wird es ganz real. Schließlich handelt es sich hierbei um ein menschliches Problem, und wenn Daten dazu beitragen können, die Sichtweise der Menschen auf das Ausmaß des Problems der Lebensmittelverschwendung zu ändern, dann werden alle dazu inspiriert, zu handeln und ehrgeizigere Ziele zu erreichen. Dies kann als Nudges auf der Grundlage sozialer Normen (Norm-Nudges) angesehen werden und kann zwingende Verhaltensinterventionen sein. Modernste Technologie zur Verbesserung der Rückverfolgbarkeit unseres Lebensmittelsystems ist ein Ansatz zur Reduzierung der Lebensmittelverschwendung, aber die grundlegenden, auf den Menschen ausgerichteten Strategien sollten nicht vergessen werden. Ein ganzheitlicher Ansatz ist ein Ansatz, der alle Aspekte dieses komplexen Systems berücksichtigt, sodass kein einzelner Teil allein ausreicht, um das Problem der Lebensmittelverschwendung zu lösen.

Lebensmittelverschwendung hat ökologische, soziale und wirtschaftliche Auswirkungen. Lebensmittel, die im Abfallstrom landen, erfordern Ressourcen für die Umleitung und Entsorgung, ganz zu schweigen vom finanziellen Verlust, da essbare Lebensmittel auch einen monetären Wert haben. Daher führt die Reduzierung der Lebensmittelverschwendung direkt zu finanziellen Einsparungen. Die zur Reduzierung der Lebensmittelverschwendung erforderlichen Forschungs- und Interventionsmaßnahmen können zunächst einmal eine finanzielle Belastung darstellen. Langfristig würde eine erfolgreiche Reduzierung der Lebensmittelverschwendung jedoch wahrscheinlich zu einem finanziellen Gewinn für die Organisation führen. Noch wichtiger ist, dass die Reduzierung der Lebensmittelverschwendung als gesellschaftliche Verantwortung der Unternehmen betrachtet werden sollte. Als einer der sechs großen Glücksspielkonzessionäre in Macau wird es aufgrund der Erwartungen und Erwartungen immer wichtiger, dass das Unternehmen seine Rolle bei der Unterstützung von Chinas nationalen doppelten Dekarbonisierungszielen51 wahrnimmt und die Prinzipien von Umwelt, Soziales und Governance (ESG) ganzheitlich in den Geschäftsbetrieb integriert Druck von internen und externen Stakeholdern.

Diese Studie implementierte drei Dekarbonisierungspfade in der Personalkantine eines integrierten Resorts in Macau als reale Fallstudie zur Reduzierung der Treibhausgasemissionen aus Lebensmittelabfällen:

Die vorgelagerte Optimierung wurde verwendet, um das Lebensmittelangebot auf der Grundlage eines Nachfrageprognosemodells für die Anzahl der zu einem bestimmten Zeitpunkt erwarteten Essensmengen in Kombination mit einem Makronährstoffmodell zu optimieren. Diese Strategie soll dazu beitragen, ungenutzte Lebensmittelverschwendung zu reduzieren, indem ein reaktionsfähiges System geschaffen wird, in dem das Lebensmittelangebot der Nachfrage entspricht.

Durch die Bereitstellung von Kohlenstoff- und Makronährstoffetiketten auf allen in der Mitarbeiterkantine servierten Gerichten wurde die Midstream-Schulung genutzt, um das Bewusstsein für die Wahl der Lebensmittel und deren Auswirkungen auf das Klima und die Gesundheit zu schärfen. Diese Intervention ermöglichte den (reflexiven) Nudge des Systems 2, der darauf abzielt, Menschen zu einer kohlenstoffärmeren und gesünderen Ernährungsauswahl zu bewegen.

Die nachgeschaltete Erkennung wurde verwendet, um die Verschwendung von essbaren Lebensmitteln zu reduzieren, indem ein hochmodernes Computer-Vision-Modell verwendet wurde, um Tellerabfälle in Echtzeit zu erkennen und dem Benutzer über ein Display Feedback zu geben, um das Engagement zu erhöhen. Diese Intervention ermöglichte den (automatischen) Nudge des Systems 1, der darauf abzielt, Benutzer dazu zu ermutigen, essbare Lebensmittelabfälle zu reduzieren.

Alle Daten wurden mit Hilfe verschiedener Teams auf dem Grundstück Wynn Macau gesammelt. Die während der aktuellen Studie erstellten und analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

FAO. Fußabdruck der Lebensmittelverschwendung – Auswirkungen auf die natürlichen Ressourcen (2013). https://www.fao.org/3/i3347e/i3347e.pdf. Zugriff am 35. Mai 2022.

FAO. Lebensmittelverschwendungs-Fußabdruck und Klimawandel (2015). https://www.fao.org/3/bb144e/bb144e.pdf. Zugriff am 5. Mai 2022.

UN. Weltbevölkerung (2022). https://www.un.org/en/desa/world-population-projected-reach-98-billion-2050-and-112-billion-2100. Zugriff am 5. Mai 2022.

FAO. Der Stand der Ernährungsunsicherheit in der Welt (2014). https://www.fao.org/3/i4030e/i4030e.pdf. Zugriff am 31. Mai 2022.

UN-Entwicklungsprogramm. Nachhaltige Entwicklungsziele (2022). https://www.undp.org/sustainable-development-goals. Zugriff am 4. Mai 2022.

IFWC. Messung und Berichterstattung von Lebensmittelabfällen im Gastgewerbe und in der Gastronomie (2022). https://ec.europa.eu/food/safety/food_waste/eu-food-loss-waste-prevention-hub/resource/show/2076. Zugriff am 4. Mai 2022.

Nationaler Volkskongress. Gesetz der Volksrepublik China über Lebensmittelverschwendung (2021). http://www.npc.gov.cn/englishnpc/c23934/202112/f4b687aa91b0432baa4b6bdee8aa1418.shtml. Zugriff am 5. Mai 2022.

UN-Umweltprogramm. Definition von Lebensmittelverlust und -verschwendung (2021). https://www.unep.org/thinkeatsave/about/definition-food-loss-and-waste. Zugriff am 4. Mai 2022.

FAO. Lebensmittelverlust und Lebensmittelverschwendung (2020). https://www.fao.org/food-loss-and-food-waste/flw-data). Zugriff am 4. Mai 2022.

Chapagain, A. & James, K. Der Wasser- und CO2-Fußabdruck von Lebensmittel- und Getränkeabfällen aus Haushalten im Vereinigten Königreich (2011). https://wrap.org.uk/sites/default/files/2020-12/The-water-and-carbon-footprint-of-household-food-and-drink-waste-in-the-UK.pdf. Zugriff am 26. Mai 2022.

Read, QD, Hondula, KL & Muth, MK Biodiversitätseffekte von Nachhaltigkeitsmaßnahmen im Lebensmittelsystem vom Erzeuger bis zum Verbraucher. Proz. Natl. Acad. Sci.https://doi.org/10.1073/pnas.2113884119 (2022).

Artikel Google Scholar

Mukherjee, A. Die Ökonomie der Lebensmittelverschwendung auf Verbraucherseite. Adv. Lebensmitteltechnologie. Nutr. Wissenschaft. Öffnen Sie J. 2, 110–112. https://doi.org/10.17140/aftnsoj-2-137 (2016).

Artikel Google Scholar

Misra, AK Klimawandel und Herausforderungen der Wasser- und Ernährungssicherheit. Int. J. Sustain. Gebaute Umgebung. 3, 153–165. https://doi.org/10.1016/j.ijsbe.2014.04.006 (2014).

Artikel Google Scholar

Watts, N. et al. Gesundheit und Klimawandel: Politische Reaktionen zum Schutz der öffentlichen Gesundheit. Lancet 386, 1861–1914. https://doi.org/10.1016/s0140-6736(15)60854-6 (2015).

Artikel MathSciNet Google Scholar

AON. Einblicke in Wetter, Klima und Katastrophen (2020). http://thoughtleadership.aon.com/Documents/20210125-if-annual-cat-report.pdf. Zugriff am 30. Mai 2022.

Yang, J. et al. Eine vergleichende Studie des Taifuns Hato (2017) und des Taifuns Mangkhut (2018) – ihre Auswirkungen auf die Küstenüberschwemmung in Macau. J. Geophys. Res. Ozeane 124, 9590–9619. https://doi.org/10.1029/2019jc015249 (2019).

Artikel ADS Google Scholar

Clark, MA et al. Die Emissionen des globalen Nahrungsmittelsystems könnten das Erreichen der Klimaschutzziele \(1,5^{\circ }\) und \(2^{\circ }\text{ c }\) verhindern. Wissenschaft 370, 705–708. https://doi.org/10.1126/science.aba7357 (2020).

Artikel ADS CAS Google Scholar

Poore, J. & Nemecek, T. Reduzierung der Umweltauswirkungen von Lebensmitteln durch Produzenten und Verbraucher. Wissenschaft 360, 987–992. https://doi.org/10.1126/science.aaq0216 (2018).

Artikel ADS CAS Google Scholar

Übereinkommen der Vereinten Nationen zur Bekämpfung der Wüstenbildung. The Global Land Outlook (UNCCD, Bonn, 2022), 2. Aufl. Zugriff am 26. Mai 2022.

Facebook. Prognosen im Maßstab. (2017). https://facebook.github.io/prophet/. Zugriff am 1. Mai 2022.

FDA. Wie man die Nährwertkennzeichnung versteht und verwendet (2022). https://www.fda.gov/food/new-nutrition-facts-label/how-understand-and-use-nutrition-facts-label. Zugriff am 26. Mai 2022.

Zhang, R. et al. Der Unterschied in der Nährstoffaufnahme zwischen chinesischer und mediterraner, japanischer und amerikanischer Ernährung. Nährstoffe 7, 4661–4688. https://doi.org/10.3390/nu7064661 (2015).

Artikel CAS Google Scholar

Kallmyer, T. Makrorechner (2022). https://healthyeater.com/flexible-dieting-calculator. Zugriff am 30. Mai 2022.

Globale Nachrichten. So sehen Ihre Kalorien zum Frühstück, Mittag- und Abendessen tatsächlich aus (2017). https://globalnews.ca/news/3615212/this-is-what-your-breakfast-lunch-and-dinner-calories-actually-look-like/. Zugriff am 5. Mai 2022.

Vermeulen, SJ, Campbell, BM & Ingram, JS Klimawandel und Nahrungsmittelsysteme. Annu. Rev. Environ. Ressource. 37, 195–222. https://doi.org/10.1146/annurev-environ-020411-130608 (2012).

Artikel Google Scholar

Zhang, D. et al. Der CO2-Fußabdruck von Lebensmittelabfällen in der Gastronomie: Eine Fallstudie aus Peking. Acta Ecol. Sünde. 36, 25. https://doi.org/10.5846/stxb201504150769 (2016).

Artikel Google Scholar

IPCC. AR6 Klimawandel 2021: Die physikalisch-wissenschaftlichen Grundlagen – Kapitel 7: Der 2. Energiehaushalt der Erde, Klimarückkopplungen und Klimasensitivität – Ergänzungsmaterial (2021). https://lib.icimod.org/record/35293. Zugriff am 5. Mai 2022.

Röös, E., Ekelund, L. & Tjärnemo, H. Kommunikation der Umweltauswirkungen der Fleischproduktion: Herausforderungen bei der Entwicklung eines schwedischen Fleischführers. J. Sauber. Prod. 73, 154–164. https://doi.org/10.1016/j.jclepro.2013.10.037 (2014).

Artikel Google Scholar

The, M. Ihr persönliches CO2e-Budget soll unter \(2^\circ \text{ C }\) bleiben (2021). https://livelca.com/blogs/75a697d4-fe34-4977-ae2f-b472f1ee02da. Zugriff am 4. Mai 2022.

Jocher, G. et al. ultralytics/yolov5: v6.0 – yolov5n „Nano“-Modelle, Roboflow-Integration, Tensorflow-Export, OpenCV-DNN-Unterstützung. https://doi.org/10.5281/ZENODO.5563715 (2021).

Deeplearning.ai. Spezialisierung auf Maschinenlerntechnik für die Produktion (mlops) (2021). https://www.deeplearning.ai/program/machine-learning-engineering-for-produktion-mlops/. Zugriff am 1. Mai 2022.

Goncharov, I. Modifiziertes Openlabelling. https://github.com/ivangrov/ModifiedOpenLabelling (2021).

Roboflow. Geben Sie Ihrer Software die Möglichkeit, Objekte in Bildern und Videos zu sehen (2020). https://roboflow.com/. Zugriff am 1. Mai 2022.

Cheng, ich Kit. Erkennung von Plattenabfall (2022). https://foodwasteYOLOv5.herokuapp.com. Zugriff am 31. Juni 2022.

Cheng, ich Kit. Sunburst-Plot von Gerichten mit Kohlenstoff- und Nährwertkennzeichnung (2022). https://ikitcheng.github.io/visualizations/. Zugriff am 21. Juni 2022.

Volanti, M. et al. Umweltauswirkungen von Mahlzeiten: Wie groß ist der CO2-Fußabdruck in den Schulkantinen? Lebensmittelhttps://doi.org/10.3390/foods11020193 (2022).

Artikel Google Scholar

Clark, MA, Springmann, M., Hill, J. & Tilman, D. Vielfältige Gesundheits- und Umweltauswirkungen von Lebensmitteln. Proz. Natl. Acad. Wissenschaft. 116, 23357–23362. https://doi.org/10.1073/pnas.1906908116 (2019).

Artikel ADS CAS Google Scholar

Strid, A. et al. Nachhaltigkeitsindikatoren für klima- und gesundheitsfördernde Lebensmittel. Nachhaltigkeit 13, 3621. https://doi.org/10.3390/su13073621 (2021).

Artikel CAS Google Scholar

Cheng, ich Kit. Unser Essen, unser Klima, unsere Gesundheit (2022). https://share.streamlit.io/ikitcheng/ourfood/app.py. Zugriff am 21. Juni 2022.

Encon. Berechnung des CO2-Ausgleichs durch Bäume (2021). https://www.encon.be/en/calculation-co2-offsetting-trees. Zugriff am 4. Mai 2022.

Lin, T.-Y. et al. Microsoft Coco: Gemeinsame Objekte im Kontext. https://doi.org/10.48550/ARXIV.1405.0312 (2014).

Köche beenden den Hunger. Unsere Mission (2021). https://www.chefsendhunger.org/our-mission. Zugriff am 21. Juni 2022.

da Silva, JT et al. Treibhausgasemissionen, Wasser-Fußabdruck und ökologischer Fußabdruck von Lebensmitteleinkäufen entsprechend ihrem Verarbeitungsgrad in brasilianischen Metropolregionen: Eine Zeitreihenstudie von 1987 bis 2018. Lancet Planetary Health 5, E775–E785. https://doi.org/10.1016/s2542-5196(21)00254-0 (2021).

Artikel Google Scholar

Garnett, T. Wo liegen die besten Möglichkeiten zur Reduzierung der Treibhausgasemissionen im Lebensmittelsystem (einschließlich der Lebensmittelkette)? Lebensmittelpolitik 36, S23–S32. https://doi.org/10.1016/j.foodpol.2010.10.010 (2011).

Artikel Google Scholar

Thaler, RH & Sunstein, CR Nudge (Yale University Press, 2008).

Google Scholar

Kahneman, D. Denken, schnell und langsam (Farrar (Straus & Giroux, 2013).

Google Scholar

Klieber, K., Luger-Bazinger, C. & Hornung-Prähauser, V. Nudging für nachhaltiges Verhalten: Datenbasierte Nudges für Smart-City-Innovationen. In der ISPIM Innovation Conference (ISBN 978-952-335-466-1, 2020).

Xu, L. et al. Die Auswirkungen von mHealth-basierten Gamification-Interventionen auf die Teilnahme an körperlicher Aktivität: Systematische Überprüfung. JMIR Mhealth Uhealth 10, e27794. https://doi.org/10.2196/27794 (2022).

Artikel Google Scholar

Hamari, J., Koivisto, J. & Sarsa, H. Funktioniert Gamification? – Eine Literaturübersicht empirischer Studien zur Gamification. 2014 47. Hawaii International Conference on System Sciences. https://doi.org/10.1109/hicss.2014.377 (IEEE, 2014).

Regierungsinformationsbüro der Sonderverwaltungszone Macau. Bildungsjahrbuch 2020-2021 (2020). https://yearbook.gcs.gov.mo/uploads/yearbook_pdf/2021/myb2021cPA01CH15.pdf. Zugriff am 14. Juni 2022.

Vereinte Nationen. China ist bis 2060 auf dem Weg zur CO2-Neutralität; Präsident Xi Jinping verspricht, neue Kohlekraftwerke im Ausland zu stoppen (2021). https://news.un.org/en/story/2021/09/1100642. Zugriff am 27. Mai 2022.

Referenzen herunterladen

IK.C. wird vom STFC UCL Center for Doctoral Training in Data Intensive Science (Grant-Nummer ST/P006736/1) und vom Wynn Macau-Praktikumsprogramm unterstützt. Die Autoren möchten den Kollegen aus den Teams „Einrichtungen“, „Lebensmittel und Getränke“ und „Nachhaltigkeit“ danken, die die Forschung mit ihrer Unterstützung, ihren Erkenntnissen und ihrem Fachwissen maßgeblich unterstützt haben. PyTorch, das PyTorch-Logo und alle damit verbundenen Marken sind Marken der Linux Foundation. Das FastAPI-Framework finden Sie unter https://github.com/tiangolo/fastapi.

Abteilung für Physik und Astronomie, University College London, London, Großbritannien

Ich Kit Cheng

Institut für Umweltmanagement und -bewertung (IEMA), March, Cambridgeshire, Großbritannien

Kin K. Leong

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

IK.C. schrieb den Code, analysierte die Ergebnisse und schrieb das Hauptmanuskript. KKL schrieb das Hauptmanuskript und leitete die verschiedenen Experimente. Alle Autoren haben das Manuskript überprüft.

Korrespondenz mit I Kit Cheng.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative-Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Cheng, IK, Leong, KK Datengesteuerte Dekarbonisierungspfade zur Reduzierung der Lebenszyklus-Treibhausgasemissionen aus Lebensmittelabfällen im Gastgewerbe und in der Gastronomie. Sci Rep 13, 418 (2023). https://doi.org/10.1038/s41598-022-27053-6

Zitat herunterladen

Eingegangen: 17. Juni 2022

Angenommen: 23. Dezember 2022

Veröffentlicht: 09. Januar 2023

DOI: https://doi.org/10.1038/s41598-022-27053-6

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.