Machine learning for detecting colony collapse disorder and colony losses in honeybees (Apis mellifera): a PRISMA 2020 systematic review
Diese PRISMA-2020-Systematik-Review von 58 Studien zeigt, dass maschinelles Lernen zwar unter Verwendung von akustischen und Deep-Learning-Methoden effektiv unmittelbare Ursachen für das Scheitern von Honigbienenkolonien wie Parasiten und den Status der Königin identifiziert, derzeit jedoch robuste Belege für die direkte Vorhersage des Zusammenbruchs der Bienenvölker (Colony Collapse Disorder) vermissen lässt, was zukünftige Forschung erfordert, die auf unabhängiger Validierung, multimodaler Datenfusion und offenen Längsschnittdatensätzen basiert.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Honigbienen sind die weltweit wichtigsten Bestäuber, die Pollen zwischen Nutzpflanzen und Wildpflanzen bewegen, um das Wachstum von Nahrung und Blumen zu sichern. Seit Jahrzehnten beobachten Imker mit wachsender Besorgnis, wie ganze Kolonien verschwinden oder schrumpfen – ein Phänomen, das einst als Colony Collapse Disorder (Bienensterben) bezeichnet wurde und heute als ein komplexes Geflecht aus Stressfaktoren wie Parasiten, Pestiziden und extremen Klimabedingungen verstanden wird. Da die manuelle Kontrolle eines Bienenstocks schwierig, störend und oft zu spät ist, um die Bienen zu retten, hat die Wissenschaft auf Technologie gesetzt. Sie bringen Sensoren an den Bienenstöcken an, um den Bienen zuzuhören, die Kästen zu wiegen und auf Veränderungen der Temperatur oder des Klangs zu achten. Die Hoffnung ist, dass Computer lernen können, die subtilen Anzeichen einer sterbenden Kolonie zu erkennen, lange bevor die Bienen verschwinden, und so als Frühwarnsystem fungieren.
Eine aktuelle systematische Übersichtsarbeit von Fredrick Michael Ogore von der Daystar University in Nairobi führt achtundfünfzig Studien aus der ganzen Welt zusammen, um zu prüfen, inwieweit dieses Versprechen eingelöst wird. Der Forscher sammelte alle zwischen 2015 und 2025 veröffentlichten Peer-Review-Publikationen, die maschinelles Lernen zur Erkennung von Verlusten bei Honigbienenkolonien verwendeten. Das Ziel war nicht nur, die Studien zu zählen, sondern zu verstehen, was sie tatsächlich fanden, wie sie ihre Ideen testeten und ob die Technologie bereit ist, echten Imkern zu helfen. Die Übersicht zeigt ein Feld, das sich schnell bewegt, mit einer starken Tendenz hin zu Deep Learning und Edge Computing, hebt jedoch auch eine signifikante Lücke zwischen den in Laboren berichteten hohen Werten und der Realität der Vorhersage eines Koloniewechsels hervor.
Die auffälligste Erkenntnis ist, dass sehr wenige Studien tatsächlich versucht haben, den totalen Zusammenbruch einer Kolonie vorherzusagen. Stattdessen konzentrierte sich die überwiegende Mehrheit der Forschung darauf, die unmittelbaren Ursachen für ein Scheitern aufzuspüren. Die häufigsten Ziele waren Parasiten, insbesondere die Varroa-Milbe, welche Gegenstand von sechzehn Studien war. Forscher nutzten Kameras und Computer Vision, um Milben auf Bienen oder auf Leimtafeln zu zählen, wobei einige Systeme unter kontrollierten Bedingungen eine hohe Genauigkeit erreichten. Weitere dreizehn Studien konzentrierten sich darauf, festzustellen, ob eine Königin vorhanden war, während acht nach den spezifischen Geräuschen des Schwarmens suchten. Dies sind allesamt kritische Probleme, aber sie sind Vorläufer und nicht das Ereignis des endgültigen Sterbens einer Kolonie. Nur zwei Studien modellierten explizit den Zusammenbruch selbst, und selbst diese stützten sich auf begrenzte Daten.
Die Daten, die zum Trainieren dieser Computermodelle verwendet werden, stammen größtenteils aus Europa, mit bedeutenden Beiträgen aus der Tschechischen Republik, dem Vereinigten Königreich und Spanien. Die populärste Methode zur Informationsgewinnung ist das Lauschen des Bienenstocks. Fünfundzwanzig Studien verwendeten Audioaufnahmen und analysierten das Summen und Brummen der Bienen, um Probleme wie eine fehlende Königin oder ein bevorstehendes Schwärmen zu identieren. In vielen dieser akustischen Studien meldeten die Computer Genauigkeitsraten von nahezu 95 % oder gar 99 %. Diese Zahlen sind jedoch oft irreführend. Die meisten Studien testeten ihre Modelle mit Daten aus denselben wenigen Bienenstöcken, die auch zum Training verwendet wurden. Das ist so, als würde man einen Schüler nur zu genau den Fragen testen, die er geübt hat; es beweist nicht, dass er auch neue Fragen beantworten kann. Wenn Forscher ihre Modelle an völlig anderen Bienenstöcken testeten, sank die Leistung signifikant, oft auf etwa 65 % bis 75 % bei der Vorhersage eines tatsächlichen Kolonieverlusts.
Die Qualität der Forschung variierte stark. Der Rezensent bewertete die Studien anhand einer Acht-Punkte-Checkliste und stellte fest, dass nur achtzehn von hoher Qualität waren. Viele Studien ließen entscheidende Details vermissen, wie etwa Tests an unabhängigen Bienenstöcken oder die Bereitstellung ihrer Daten und Codes zur Verifizierung durch Dritte. Während einige Forscher erfolgreich kleine, leistungsschwache Geräte gebaut haben, die Bienen zuhören und Entscheidungen direkt am Bienenstock treffen können, ohne auf das Internet angewiesen zu sein, wurden diese Systeme noch nicht in langfristigen Feldversuchen mit echten Imkern getestet. Es gibt noch keinen Beweis dafür, dass diese Alarme die Anzahl der toten Kolonien reduzieren oder dass sie über verschiedene Klimate und Bienenunterarten hinweg funktionieren.
Letztlich kommt die Übersicht zu dem Schluss, dass maschinelles Lernen zwar exzellent darin ist, die unmittelbaren Symptome eines kämpfenden Bienenstocks zu identifizieren – wie eine fehlende Königin oder einen starken Milbenbefall –, es aber noch kein zuverlässiges Kristallornament für die Vorhersage eines totalen Zusammenbruchs der Kolonie ist. Die Technologie hat sich von der Theorie zu praktischen Werkzeugen wie Smartphone-Apps zum Zählen von Milben und Edge-Geräten zum Lauschen der Bienen entwickelt, doch der Sprung zu einem robusten Frühwarnsystem für den Zusammenbruch bleibt unvollendet. Um dorthin zu gelangen, muss die wissenschaftliche Gemeinschaft über Einzelstock-Experimente hinausgehen und große, gemeinsame Datensätze aufbauen, die Kolonien über die Zeit mit bestätigten Ergebnissen verfolgen. Erst dann können diese digitalen Werkzeuge darauf vertraut werden, die Bienen zu retten, bevor es zu spät ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.