Machine learning for detecting colony collapse disorder and colony losses in honeybees (Apis mellifera): a PRISMA 2020 systematic review
Cette revue systématique PRISMA 2020 de 58 études révèle que, bien que l'apprentissage automatique identifie efficacement les causes de proximité de l'effondrement des colonies d'abeilles, telles que les parasites et le statut de la reine, en utilisant des méthodes acoustiques et d'apprentissage profond, il manque actuellement de preuves robustes pour prédire directement le syndrome d'effondrement des colonies, nécessitant des recherches futures axées sur la validation indépendante, la fusion de données multimodales et des ensembles de données longitudinales ouverts.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète
Les abeilles domestiques sont les pollinisateurs les plus vitaux au monde, déplaçant le pollen entre les cultures et les plantes sauvages pour assurer la croissance des aliments et des fleurs. Depuis des décennies, les apiculteurs observent avec une inquiétude croissante des colonies entières disparaître ou s'étioler, un phénomène autrefois appelé trouble du collapse des colonies et aujourd'hui compris comme un mélange complexe de facteurs de stress incluant les parasites, les pesticides et les extrêmes climatiques. Comme inspecter une ruche à la main est difficile, perturbant et souvent trop tard pour sauver les abeilles, les scientifiques se sont tournés vers la technologie. Ils fixent des capteurs aux ruches pour écouter les abeilles, peser les boîtes et surveiller les changements de température ou de son. L'espoir est que les ordinateurs puissent apprendre à reconnaître les signes subtils d'une colonie mourante bien avant que les abeilles ne disparaissent, agissant ainsi comme un système d'alerte précoce.
Une récente revue systématique de Fredrick Michael Ogore, de l'Université Daystar à Nairobi, rassemble cinquante-huit études du monde entier pour voir si cette promesse est tenue. Le chercheur a rassemblé chaque article évalué par des pairs publié entre 2015 et 2025 qui utilisait l'apprentissage automatique pour détecter les pertes de colonies d'abeilles domestiques. L'objectif n'était pas seulement de compter les études, mais de comprendre ce qu'elles ont réellement trouvé, comment elles ont testé leurs idées, et si la technologie est prête à aider les vrais apiculteurs. La revue révèle un domaine qui progresse rapidement, avec un virage marqué vers l'apprentissage profond et l'informatique en périphérie (edge computing), mais elle souligne également un écart significatif entre les scores élevés rapportés en laboratoire et la réalité de la prédiction de la mort d'une colonie.
La découverte la plus frappante est que très peu d'études ont réellement tenté de prédire l'effondrement total d'une colonie. Au lieu de cela, la grande majorité des recherches se sont concentrées sur l'identification des causes immédiates menant à l'échec. Les cibles les plus courantes étaient les parasites, spécifiquement l'acarien Varroa, qui a fait l'objet de seize études. Les chercheurs ont utilisé des caméras et la vision par ordinateur pour compter les acariens sur les abeilles ou sur des planches collantes, certains systèmes atteignant une grande précision dans des environnements contrôlés. Treize autres études se sont concentrées sur la détection de la présence ou de l'absence d'une reine, tandis que huit ont examiné les sons spécifiques de l'essaimage. Ce sont tous des problèmes critiques, mais ce sont des précurseurs plutôt que l'événement final de la mort d'une colonie. Seules deux études ont explicitement modélisé l'effondrement lui-même, et même celles-ci reposaient sur des données limitées.
Les données utilisées pour entraîner ces modèles informatiques proviennent principalement d'Europe, avec des contributions significatives de la République tchèque, du Royaume-Uni et de l'Espagne. La méthode la plus populaire pour recueillir des informations est l'écoute de la ruche. Vingt-sept études ont utilisé des enregistrements audio, analysant le bourdonnement et le vrombissement des abeilles pour identifier des problèmes comme l'absence de reine ou un essaimage imminent. Dans beaucoup de ces études acoustiques, les ordinateurs ont rapporté des taux de précision approchant 95 % ou même 99 %. Cependant, la revue suggère que ces chiffres sont souvent trompeurs. La plupart des études ont testé leurs modèles sur des données provenant des quelques ruches mêmes utilisées pour l'entraînement ; c'est comme tester un étudiant uniquement sur les questions exactes qu'il a pratiquées ; cela ne prouve pas qu'il puisse répondre à de nouvelles questions. Lorsque les chercheurs ont testé leurs modèles sur des ruches entièrement différentes, la performance a chuté de manière significative, tombant souvent autour de 65 % à 75 % pour la prédiction de la perte réelle d'une colonie.
La qualité de la recherche variait considérablement. Le réviseur a évalué les études selon une liste de contrôle de huit points, trouvant que seules dix-huit étaient de haute qualité. De nombreuses études manquaient de détails cruciaux, tels que des tests sur des ruches indépendantes ou le partage de leurs données et de leur code pour permettre aux autres de vérifier. Bien que certains chercheurs aient réussi à construire de petits dispositifs à faible consommation capables d'écouter les abeilles et de prendre des décisions directement sur la ruche sans avoir besoin d'Internet, ces systèmes n'ont pas encore été testés lors d'essais de terrain à long terme avec de vrais apiculteurs. Il n'y a aucune preuve que ces alarmes réduisent le nombre de colonies mortes ou qu'elles fonctionnent à travers différents climats et sous-espèces d'abeilles.
En fin de compte, la revue conclut que, bien que l'apprentissage automatique soit excellent pour identifier les symptômes immédiats d'une ruche en difficulté, comme l'absence de reine ou une forte infestation d'acariens, il n'est pas encore une boule de cristal fiable pour prédire l'effondrement total d'une colonie. La technologie est passée de la théorie à des outils pratiques comme des applications pour smartphones pour compter les acariens et des dispositifs de périphérie pour écouter les abeilles, mais le saut vers un système d'alerte précoce robuste pour l'effondrement reste inachevé. Pour y parvenir, la communauté scientifique doit aller au-delà des expériences sur une seule ruche et construire de grands ensembles de données partagés qui suivent les colonies au fil du temps avec des résultats confirmés. Ce n'est qu'alors que ces outils numériques pourront être dignes de confiance pour sauver les abeilles avant qu'il ne soit trop tard.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.