ترکیب آزمایش‌های میدانی و مدل‌سازی تصمیم‌گیری چندمعیاره برای مکانیزاسیون پایدار: ارزیابی جامع فناوری‌های برداشت زیتون

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی انگلیسی

نویسندگان

ابوالفضل بزرگی ¹

نرگس بنائیان ¹

مرتضی زنگنه ¹

زهرا یوسفی ²

¹ گروه مهندسی بیوسیستم، دانشکده علوم کشاورزی، دانشگاه گیلان، گیلان، ایران

² مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان گیلان، گیلان، ایران

https://doi.org/10.22067/jam.2026.98934.1494

چکیده

برداشت زیتون پرزحمت‌ترین عملیات در تولید زیتون است، به‌ویژه در باغ‌های متراکم که انتخاب فناوری به شدت بر بهره‌وری و پایداری تأثیر می‌گذارد. این مطالعه آزمایش‌های کمی میدانی را با یک چارچوب تصمیم‌گیری چندمعیاره (MCDM) با محوریت پایداری ترکیب می‌کند تا سه روش برداشت شامل چنگک دستی، تکاننده شاخه (شیکر) و کمباین روی ردیف را برای ارقام آربیکن و کرونایکی در ایران ارزیابی کند. طرح بلوک‌های کامل تصادفی فاکتوریل برای اندازه‌گیری تلفات برداشت، راندمان برداشت، سرعت برداشت، میزان روغن و شاخص‌های کیفیت شیمیایی اجرا شد. چنگک دستی بالاترین درصد برداشت (100%) و همچنین بالاترین میزان ریزش میوه (3.33%) را به‌دست آورد. تکاننده شاخه کمترین میزان ریزش میوه (1.12%) را ثبت کرد، اما تنها 53.8% راندمان داشت. کمباین برداشت‌کننده بالاترین نرخ برداشت (4429–5158 کیلوگرم در ساعت) و بیشترین بازده اقتصادی را با نسبت سود به هزینه 1.297 برای آربیکن و 1.375 برای کرونایکی ارائه داد. برای ادغام شاخص‌های فنی، اقتصادی، اجتماعی و زیست‌محیطی، از AHP فازی برای محاسبه وزن معیارها استفاده شد و از تحلیل رابطه خاکستری (GRA) برای رتبه‌بندی گزینه‌ها استفاده شد. کمباین برداشت‌کننده بالاترین امتیاز GRA 0.812 را کسب کرد و پس از آن تکاننده شاخه (0.774) و چنگک دستی (0.682) قرار گرفتند. تحلیل حساسیت مبتنی بر سناریو با استفاده از GRA، TOPSIS، VIKORو ELECTRE نشان داد که کمباین برداشت‌کننده به‌طور مداوم در اولویت‌های اقتصادی و فنی رتبه اول را کسب می‌کند، در حالی‌که شیکر در سناریوهای پایداری‌محور با تأکید بر اشتغال و کاهش مصرف انرژی‌های تجدیدناپذیر، به گزینه ترجیحی تبدیل شد.

کلیدواژه‌ها

تحلیل حساسیت مبتنی بر سناریو

تصمیم‌گیری چندمعیاره

شاخص‌های عملکرد برداشت

مکانیزاسیون تولید زیتون

موضوعات

• پایداری، زیست‌اقتصاد چرخشی و تاب‌آوری محیطی

---

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Ahmad, R. L. (2018). Efficiency of mechanical tools for olive harvest and effect on fruit quality. Acta Horticulturae, 1199, 315-320. https://doi.org/10.17660/ActaHortic.2018.1199.49
2. Aiello, G., Vallone, M., & Catania, P. (2019). Optimising the efficiency of olive harvesting considering operator safety. Biosystems Engineering, 185, 15-24. https://doi.org/10.1016/j.biosystemseng.2019.02.016
3. Auguściak, I., Więckowski, J., & Sałabun, W. (2024). Personnel selection under Intuitionistic Fuzzy Multi-Criteria Decision Analysis evaluation. Procedia Computer Science, 246, 3840-3850. https://doi.org/10.1016/j.procs.2024.09.157
4. Banaeian, N., Mobli, H., Fahimnia, B., Nielsen, I. E., & Omid, M. (2018). Green supplier selection using fuzzy group decision making methods: A case study from the agri-food industry. Computers & Operations Research, 89, 337-347. https://doi.org/10.1016/j.cor.2016.02.015
5. Banaeian, N., & Pourhejazy, P. (2020). Integrating sustainability into the machinery selection decisions in the agriculture sector. IEEE Engineering Management Review, 48(4), 167-173. https://doi.org/10.1109/EMR.2020.3008560
6. Barranco, D., Fernández-Escobar, R., & Rallo, L. (Eds.). (2022). Olive growing (2nd English ed.). Madrid, Spain: CSIC & Mundi-Prensa.
7. Brunelli, M. (2015). Introduction to the Analytic Hierarchy Process. Cham, Switzerland: Springer. https://doi.org/10.1007/978-3-319-12502-2
8. Chakraborty, S., Raut, R., Rofin, T., & Chakraborty, S. (2023). A comprehensive and systematic review of multi-criteria decision-making methods and applications in healthcare. Healthcare Analytics, 4, 100232. https://doi.org/10.1016/j.health.2023.100232
9. Cicciù, B., Schramm, F., & Schramm, V. B. (2022). Multi-criteria decision making/aid methods for assessing agricultural sustainability: A literature review. Environmental Science & Policy, 138, 85-96. https://doi.org/10.1016/j.envsci.2022.09.020
10. Cicek, G., Sumer, S. K., & Kocabiyik, H. (2024). Optimizing olive harvest methods for maximum yield and efficiency. African Journal of Agricultural Marketing, 12(1), 1-5.
11. Cifarelli S.p.A. (2021). SC605 shaker [Product brochure]. Retrieved from https://www.cifarellispa.com/uploads/depliant/SC605_depliant_2021_en_web.pdf
12. Connor, D. J., Gómez-del-Campo, M., Rousseaux, M. C., & Searles, P. S. (2014). Structure, management and productivity of hedgerow olive orchards: A review. Scientia Horticulturae, 169, 71-93. https://doi.org/10.1016/j.scienta.2014.02.010
13. Daane, K. M., & Johnson, M. W. (2010). Olive fruit fly: Managing an ancient pest in modern times. Annual Review of Entomology, 55, 151-169. https://doi.org/10.1146/annurev.ento.54.110807.090553
14. Famiani, F., Farinelli, D., Rollo, S., Camposeo, S., Di Vaio, C., & Inglese, P. (2014). Evaluation of different mechanical fruit harvesting systems and oil quality in very large size olive trees. Spanish Journal of Agricultural Research, 12(4), 960-972. https://doi.org/10.5424/sjar/2014124-5794
15. Feng, Y., Dang, Y., Wang, J., Du, J., & Chiclana, F. (2025). A GRA-based heterogeneous multi-attribute group decision-making method with attribute interactions. Computers & Industrial Engineering, 201, 110920. https://doi.org/10.1016/j.cie.2025.110920
16. Ferreira, C. C., Vieira, E., Gosta, S. E. G., Loures, E. R., & Lima, E. P. (2019). Application of MCDM method for technologies selection to support energy management. Procedia Manufacturing, 39, 1289-1296. https://doi.org/10.1016/j.promfg.2020.01.340
17. Ghonimy, M., Alharbi, A., & Ibrahim, M. (2025). Comprehensive performance assessment of an over-the-row olive harvester. Heliyon, 11(10), e43438. https://doi.org/10.1016/j.heliyon.2025.e43438
18. Gomez-del-Campo, M., Pérez, A. G., & García, J. M. (2023). Olive Oil Quality of Cultivars Cultivated in Super-High-Density Orchard under Cold Weather Conditions. Horticulturae, 9(7), 824. https://doi.org/10.3390/horticulturae9070824
19. Govindan, K., Rajendran, S., Sarkis, J., & Murugesan, P. (2015). Multi criteria decision making approaches for green supplier evaluation and selection: A literature review. Journal of Cleaner Production, 98, 66-83. https://doi.org/10.1016/j.jclepro.2013.06.046
20. Gumus, A. T., Yayla, A. Y., Çelik, E., & Yildiz, A. (2013). A Combined Fuzzy-AHP and Fuzzy-GRA Methodology for Hydrogen Energy Storage Method Selection in Turkey. Energies, 6(6), 3017-3032. https://doi.org/10.3390/en6063017
21. Hafezalkotob, A., Hami-Dindar, A., Rabie, N., & Hafezalkotob, A. (2018). A decision support system for agricultural machines and equipment selection: A case study on olive harvester machines. Computers and Electronics in Agriculture, 148, 207-216. https://doi.org/10.1016/j.compag.2018.03.012
22. Hua, W., Zhang, Z., Zhang, W., Liu, X., & Hu, C. (2025). Key technologies in apple harvesting robot for standardized orchards: A comprehensive review of innovations, challenges, and future directions. Computers and Electronics in Agriculture, 235, 110343. https://doi.org/10.1016/j.compag.2025.110343
23. International Olive Council. (2020). Newsletter No. 159: December 2020. Retrieved from https://www.internationaloliveoil.org/wp-content/uploads/2020/12/NEWSLETTER_159-EN.pdf
24. Jiménez-Jiménez, F., Castro-García, S., Blanco-Roldán, G. L., Ferguson, L., Ureil, R., & Jesus, G. (2013). Table olive cultivar susceptibility to impact bruising. Postharvest Biology and Technology, 86, 100-106. https://doi.org/10.1016/j.postharvbio.2013.06.024
25. Jiménez, M. R., Casanova, L., Casanova, L., Paz Suarez, M., & Morales-Sillero, A. (2017). Internal fruit damage in table olive cultivars under super-high-density hedgerows. Postharvest Biology and Technology, 132, 130-137. https://doi.org/10.1016/j.postharvbio.2017.06.003
26. Kenarsari, H. Q., Banaeian, N., & Omid, M. (2024). Selecting a sustainable array of machinery by integrating analytic hierarchy process with gray relational analysis. Operations Research and Decisions, 34(2), 109-119. https://doi.org/10.37190/ord240207
27. Kermani, A. M. (2016). Comparison of four harvesting machines for harvesting of oil olive. Engineering Research in Agricultural Machinery and Systems, 16(65), 1-18. https://doi.org/10.22092/erams.2016.105950
28. Khan, A. A., Islam, M. A., Saad, A., Raza, S. M., Ali, I., Sheraz, K., Usman, M., Ali, M. M., & Ali, M. (2023). Prospects and scope of olive mechanization: A review. Zoo Botanica, 1(2), 79-93. https://doi.org/10.55627/zoobotanica.001.02.0613
29. Kizielewicz, B., Watrobski, J., & Sałabun, W. (2025). Multi-criteria decision support system for the evaluation of UAV intelligent agricultural sensors. Artificial Intelligence Review, 58(7), 194. https://doi.org/10.1007/s10462-025-11201-1
30. Li, G. D., Yamaguchi, D., & Masatake, N. (2007). A grey-based decision-making approach to the supplier selection problem. Mathematical and Computer Modelling, 46(3-4), 573-581. https://doi.org/10.1016/j.mcm.2006.11.021
31. Li, W., Wan, A., Li, J., Chen, K., Ma, Z., Li, Q., Jiang, R., Yang, J., & Li, T. (2025). A review of data-driven key technologies for intelligent citrus systems. Computers and Electronics in Agriculture, 239, 111121. https://doi.org/10.1016/j.compag.2025.111121
32. Messina, G., Sbaglia, M., & Bernardi, B. (2025). Mechanical harvesting of olive orchards: An overview on trunk shakers. AgriEngineering, 7(3), 52. https://doi.org/10.3390/agriengineering7030052
33. New Holland Agriculture. (2020). Braud 9090X Olive Harvester [Product brochure]. Retrieved from https://www.newholland.com/en-us/nar/products/grape-and-olive-harvesters/braud-9090x-olive-harvester
34. Oderanti, F., & Wilde, P. (2011). Automatic fuzzy decision making system with learning for competing and connected businesses. Expert Systems with Applications, 38(12), 14574-14584. https://doi.org/10.1016/j.eswa.2011.05.025
35. Parvaneh, F., & Hammad, A. (2024). Application of multi-criteria decision-making (MCDM) to select the most sustainable power-generating technology. Sustainability, 16, 83287. https://doi.org/10.3390/su16083287
36. Pavlidis, D. E., Kafentzi, M., Rekoumi, K., Koliadima, A., Papadelli, M., Papadimitriou, K., & Kapolos, J. (2024). Turn to the wild: A comprehensive review on the chemical composition of wild olive oil. Food Research International, 196, 115038. https://doi.org/10.1016/j.foodres.2024.115038
37. Rallo, L., Barranco, D., Castro-García, S., Connor, D. J., Gómez del Campo, M., & Rallo, P. (2013). High-Density Olive Plantations. PP 303-384 in J. Janick (Ed.). Horticultural Reviews, 41. https://doi.org/10.1002/9781118707418.ch07
38. Reid, J., & Wood, D. (2026). Supporting sustainable mangrove management in Rio de Janeiro, Brazil: An application of the Environment–Vulnerability–Decision–Technology systems engineering framework. Acta Astronautica, 238, 112-134. https://doi.org/10.1016/j.actaastro.2025.08.050
39. Solki Cheshmeh Soltani, F., & Jafari, A. (2019). Evaluation of olive waste in different harvesting methods. Proceedings of the 8th National Symposium on Losses of Agricultural Products. Tehran, Iran. Retrieved from https://conference.modares.ac.ir/files/site1/rds_journals/2661/article-2661-3804.pdf
40. Taherdoost, H. (2017). Decision making using the analytic hierarchy process (AHP); a step by step approach. International Journal of Economics and Management Systems, 2, 244-246. Retrieved from https://www.iaras.org/iaras/filedownloads/ijems/2017/007-0034%282017%29.pdf
41. Zhang, H., Fan, S., Chen, Z., Han, X., Sun, L., Sun, J., Wang, G., Fu, S., Zhang, C., Wang, J., & Liu, S. (2024). Targeting optimal power consumption: Optimizing operational parameters for orchard furrowing and fertilizing machine. Heliyon, 10(6), e28068. https://doi.org/10.1016/j.heliyon.2024.e28068
42. Zipori, I., Fishman, A., Ben-Barak Zelas, Z., Subbotin, Y., & Dag, A. (2021). Effect of postharvest treatments of mechanically harvested 'Manzanilla' table olives on product quality. Postharvest Biology and Technology, 174, 111462. https://doi.org/10.1016/j.postharvbio.2021.111462