STAG-CN: Spatio-Temporal Apiary Graph Convolutional Network for Disease Onset Prediction in Beehive Sensor Networks

Dit paper introduceert STAG-CN, een graf-neuraal netwerk dat inter-hive relaties en gedeelde klimaatpatronen benut om ziekte-uitbraken in bijenkorven nauwkeuriger te voorspellen dan traditionele methoden die elke korf als geïsoleerd behandelen.

De kern

🐝 De Bijen-Alarmklok: Hoe een slim computermodel ziektes voorspelt

Stel je voor dat je honderden bijenkasten hebt in een grote tuin. Elke kast is een klein appartement voor een bijenkolonie. Traditioneel kijken imkers naar elke kast alsof het een eiland is: "Hoe gaat het met kast A? En met kast B?" Ze kijken niet naar de connecties ertussen.

Maar ziektes bij bijen (zoals een soort 'griep' of 'bacteriële infectie') verspreiden zich niet zomaar. Ze reizen mee met bijen die van kast naar kast vliegen, of door de imker die dezelfde gereedschappen gebruikt. Het is alsof een virus in een school verspreidt: als één kind ziek is, is de kans groot dat de klasgenootjes ernaast ook ziek worden, vooral als ze in dezelfde ruimte zitten.

De onderzoekers van dit paper (uit Korea) hebben een slim computermodel bedacht, genaamd STAG-CN, dat precies dit patroon herkent.

🕸️ Het Grote Netwerk in plaats van losse kasten

In plaats van elke kast apart te bekijken, ziet dit model de hele bijentuin als één groot spinnenweb.

• De knopen: Elke bijenkast is een punt in het web.
• De draden: De draden verbinden kasten die met elkaar te maken hebben.

Het slimme aan dit model is dat het twee soorten draden gebruikt om kasten te verbinden:

1. De fysieke draad: "Zitten deze kasten dicht bij elkaar?" (Net als buren in een flatgebouw).
2. De klimaat-draad: "Reageren deze kasten op dezelfde manier op het weer?" (Net als mensen die allemaal kou krijgen als het regent, zelfs als ze in verschillende huizen wonen).

🥪 De "Smaakvolle" Architectuur (Het Sandwich-model)

Het model werkt als een slimme kok die een sandwich maakt om de smaak (de ziekte) te proeven:

1. Bovenste broodje (Tijd): Kijkt naar het verleden van elke kast apart. "Was het gisteren warm? Was de kast zwaar?"
2. De vulling (Ruimte): Kijkt naar de buren. "Zijn de buren ook ziek? Reageren ze op hetzelfde weer?"
3. Onderste broodje (Tijd weer): Kijkt opnieuw naar de tijd, maar nu met de informatie van de buren erbij.

Door deze lagen te combineren, kan het model zeggen: "Omdat kast A ziek is, en kast B (die ver weg staat maar wel op hetzelfde weer reageert) ook raar doet, is de kans groot dat kast C binnen 3 dagen ziek wordt."

🧪 De Grote Ontdekking: Het Weer is belangrijker dan de Buurman

Het meest verrassende resultaat van dit onderzoek is een ontdekking die de onderzoekers zelf niet verwachtten.

Ze dachten: "Natuurlijk verspreidt ziekte zich via fysieke nabijheid. Kast A en B zitten naast elkaar, dus als A ziek is, wordt B ziek."

Maar het model leerde iets anders:

• Als je alleen kijkt naar wie naast wie staat (fysieke nabijheid), werkt het model slecht.
• Als je alleen kijkt naar wie op hetzelfde weer reageert (klimaat-correlatie), werkt het model perfect.

De analogie:
Stel je voor dat er een griepgolf is.

• Fysieke nabijheid: Als je naast een zieke buurman woont, word je misschien ziek.
• Klimaat-correlatie: Maar als je merkt dat iedereen in de stad die op een koude, vochtige dag last krijgt van hoestbuien, dan is het weer de echte dader.

Het model ontdekte dat bijen in verschillende delen van de tuin, die ver uit elkaar staan, ziek worden op precies hetzelfde moment als het weer een bepaalde kant op gaat. Die gedeelde reactie op het weer is een sterker signaal voor een ziekte-uitbraak dan het feit dat ze gewoon dicht bij elkaar staan.

📉 De Uitdaging: Weinig data, veel ruis

Het onderzoek had een klein probleem: ze hadden maar weinig data (ongeveer 79 dagen in één zomer) en slechts één groep bijen die daadwerkelijk ziek werd.

• Het is alsof je probeert te leren hoe een storm ontstaat, maar je hebt maar één foto van één storm.
• Desondanks slaagde het model erin om een F1-score van 0.607 te halen. In de wereld van datawetenschap is dit een heel goed resultaat voor zo'n klein, moeilijk probleem.

🚀 Wat betekent dit voor de toekomst?

Dit onderzoek is een bewijs van concept (een "proof-of-concept"). Het laat zien dat we bijen niet meer als losse eenheden moeten zien, maar als een netwerk.

1. Slimme waarschuwingen: Imkers kunnen straks een app krijgen die zegt: "Pas op! Kast 5 en 6 reageren raar op de regen, en omdat ze verbonden zijn met de rest van het netwerk, is de kans groot dat de hele tuin over 3 dagen ziek wordt."
2. Geen dure camera's nodig: Het model werkt puur met sensoren (temperatuur, gewicht, geluid) en hoeft geen dure foto's te maken.
3. De sleutel is het weer: Het model leert dat we beter kunnen kijken naar hoe de bijen op het weer reageren dan alleen naar hun locatie.

Kortom: Dit is een slim computermodel dat leert dat bijen in een groot netwerk met elkaar verbonden zijn. Het ontdekte dat de "sfeer" (het weer) die ze delen, een betere voorspeller is voor ziekte is dan het feit dat ze gewoon naast elkaar staan. Dit helpt imkers om ziektes te stoppen voordat de hele bijenkolonie instort.

Technische samenvatting

1. Probleemstelling

Honeybee-koloniën zijn essentieel voor de wereldwijde bestuiving, maar lijden onder onhoudbare verliezen door ziekten, parasieten en omgevingsfactoren. Bestaande monitoringssystemen behandelen bijenkorven vaak als geïsoleerde eenheden, waarbij ze de ruimtelijke en omgevingsrelaties tussen korven binnen een bijenstal (apiary) negeren.

• De kernproblematiek: Ziekten zoals Amerikaanse en Europese varkenspest (foulbrood) en Nosema-infecties verspreiden zich via zwevende en robbende bijen en gedeelde vooragebronnen.
• Het tekort: Huidige machinelearning-modellen leren per korf en missen de "ruimtelijke besmettingsdynamiek" (spatio-temporal contagion dynamics). Er is nog geen grafgebaseerde modellering toegepast om ziekte-uitbraken in bijenstallen te voorspellen.

2. Methodologie: STAG-CN

De auteurs stellen STAG-CN (Spatio-Temporal Apiary Graph Convolutional Network) voor, een grafneuraal netwerk (GNN) dat inter-korrelrelaties modelleert voor het voorspellen van ziekte-ontstaan.

A. Dataverwerking

• Dataset: Het Koreaanse AI Hub apiculture dataset (#71488) met IoT-sensordata (temperatuur, vochtigheid, gewicht, helling, gassen, geluid) en annotaties voor ziekte.
• Preprocessing: Data wordt geaggregeerd naar dagelijkse resolutie met 32 kenmerken per korf (8 sensoren x 4 statistieken: gemiddelde, SD, min, max).
• Labeling: Ziekte-labels zijn schaars en onregelmatig; een binair masker wordt gebruikt tijdens training om alleen gelabelde data te gebruiken.

B. Grafconstructie (Dual Adjacency)

In plaats van één graf, bouwt STAG-CN een dubbele burenmatrix (dual adjacency graph):

1. Fysieke burenmatrix ($A_{phys}$): Binair; 1 als korven in dezelfde bijenstalgroep zitten (ruimtelijke co-locatie).
2. Klimatische burenmatrix ($A_{clim}$): Gebaseerd op de Pearson-correlatie van sensortijdreeksen tussen groepen. Dit vangt gedeelde omgevingsrespons op.
3. Combinatie: De uiteindelijke matrix $A$ is een gewogen som: $A = \lambda A_{phys} + (1-\lambda) A_{clim}$.

C. Netwerkarchitectuur

Het model gebruikt een "sandwich"-architectuur (Tijd-Ruimte-Tijd):

1. Temporale Convolutie (TCN): Gebruikt causale, gedilateerde convoluties om tijdsafhankelijkheden binnen de sensordata van elke korf te vangen.
2. Ruimtelijke Convolutie (GCN): Gebruikt Chebyshev-spectrale grafconvoluties om informatie tussen korven te verspreiden via de burenmatrix. Dit vervangt de zware recurrente lagen (zoals in RNN's) door efficiënte spectrale methoden.
3. Structuur: De input passeert door twee gestapelde ST-Blocks (TCN $\to$ GCN $\to$ TCN), gevolgd door een classifier.
4. Verliesfunctie: Gebruikt Focal Loss om het probleem van class-imbalance (weinig ziektegevallen) aan te pakken.

3. Belangrijkste Bijdragen

1. Eerste grafgebaseerde ziektemodel: Formulering van bijenstalziektes als een knoop-niveau classificatieprobleem op een spatio-temporele graf.
2. Dubbele burenconstructie: Combinatie van fysieke nabijheid en klimatische correlatie om zowel expliciete ruimtelijke als impliciete omgevingsgelijkheid te vangen.
3. Inzicht in signaalsterkte: Het bewijs dat klimatische correlatie een sterkere voorspellende kracht heeft dan fysieke afstand.
4. Eerlijke evaluatie: Toepassing van "expanding-window" tijdscrossvalidatie en "leave-one-group-out" protocollen op een klein, real-world dataset.

4. Resultaten en Analyse

Het model werd geëvalueerd op een dataset van 49 korven over 79 dagen (met slechts 27 positieve ziekte-labels).

• Prestatie: STAG-CN bereikte een F1-score van 0.607 bij een voorspellingshorizon van 3 dagen.
• Vergelijking met Baselines:
  • STAG-CN presteerde aanzienlijk beter dan geavanceerde modellen zoals Graph WaveNet en DCRNN (F1 = 0.274), die blijkbaar overfitten op de kleine dataset.
  • Een simpele LSTM (zonder grafstructuur) faalde volledig (F1 = 0.00).
  • Een GCN-only model (zonder tijdscomponent) behaalde dezelfde score als het volledige model, wat suggereert dat de ruimtelijke structuur de dominante factor is in deze specifieke dataset.
• Ablatie-studie (Cruciaal Inzicht):
  • Alleen klimatische buren ($A_{clim}$): F1 = 0.607.
  • Alleen fysieke buren ($A_{phys}$): F1 = 0.274.
  • Conclusie: Gedeelde omgevingsresponspatronen (hoe korven reageren op dezelfde weersomstandigheden) bevatten een sterkere signaal voor ziekte-voorspelling dan de fysieke afstand tussen korven.
• Leave-One-Group-Out (LOGO): Bij het voorspellen van een volledig nieuwe bijenstalgroep, behaalde het model een hoge AUROC (0.846), wat aantoont dat het de onderliggende ziektepatronen heeft geleerd, maar de drempelwaarde (threshold) voor classificatie moet worden gekalibreerd voor nieuwe locaties.

5. Betekenis en Toekomstperspectief

• Proof-of-Concept: Het paper bewijst dat grafgebaseerde bioveiligheidsmonitoring in precisie-apicultuur mogelijk is. Het toont aan dat sensordata van verschillende korven gecombineerd meerwaarde biedt ten opzichte van geïsoleerde analyses.
• Praktische Implicatie: Voor de implementatie is het cruciaal om de voorspellingsdrempel lokaal te kalibreren, aangezien het model goed kan rangschikken (discriminatie) maar niet direct de juiste binaire drempel heeft voor nieuwe locaties.
• Beperkingen: De dataset is klein (44 geldige steekproeven) en beperkt tot één seizoen, wat de statistische power beperkt. De integratie van beelddata (via JSON-annotaties) verbeterde de prestaties niet, waarschijnlijk door overfitting op de kleine dataset.
• Toekomst: Verdere validatie op grotere, multi-seizoen datasets en het gebruik van geleerde visuele representaties (CNN's) in plaats van handmatige statistieken worden aanbevolen.

Samenvattend: STAG-CN demonstreert dat het modelleren van bijenstallen als een netwerk, waarbij omgevingscorrelaties zwaarder wegen dan fysieke afstand, een effectieve aanpak is om ziekte-uitbraken vroegtijdig te detecteren, zelfs met beperkte data.