Machine learning for detecting colony collapse disorder and colony losses in honeybees (Apis mellifera): a PRISMA 2020 systematic review
Deze PRISMA 2020 systematische review van 58 studies onthult dat hoewel machine learning effectief nabije oorzaken van het falen van honingbijenkolonies, zoals parasieten en de status van de koningin, identificeert met behulp van akoestische en deep learning-methoden, het momenteel een gebrek heeft aan robuust bewijs voor het direct voorspellen van colony collapse disorder, wat toekomstig onderzoek vereist dat gericht is op onafhankelijke validatie, multimodale datafusie en open longitudinale datasets.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Honingbijen zijn de meest vitale bestuivers ter wereld; ze verplaatsen stuifmeel tussen gewassen en wilde planten om de groei van voedsel en bloemen te waarborgen. Al decennia lang kijken imkers met toenemende bezorgdheid toe hoe hele kolonies verdwijnen of krimpen, een fenomeen dat ooit werd aangeduid als colony collapse disorder (verstoorde bijenvolkverlies) en nu wordt begrepen als een complexe mix van stressfactoren, waaronder parasieten, pesticiden en extreme klimaatomstandigheden. Omdat het handmatig controleren van een bijenkorf moeilijk, verstorend en vaak te laat is om de bijen te redden, hebben wetenschappers zich tot technologie gewend. Ze bevestigen sensoren aan de korven om naar de bijen te luisteren, de dozen te wegen en veranderingen in temperatuur of geluid waar te nemen. De hoop is dat computers de subtiele tekenen van een stervende kolonie kunnen herkennen lang voordat de bijen verdwijnen, als een vroeg waarschuwingssysteem.
Een recente systematische review door Fredrick Michael Ogore van Daystar University in Nairobi brengt vijftig acht studies van over de hele wereld samen om te zien of dit beloftevolle uitzicht wordt waargemaakt. De onderzoeker verzamelde elk peer-reviewed artikel dat tussen 2015 en 2025 is gepubliceerd en gebruik maakte van machine learning om het verlies van honingbijenkolonies te detecteren. Het doel was niet alleen om de studies te tellen, maar om te begrijpen wat ze daadwerkelijk vonden, hoe ze hun ideeën testten en of de technologie klaar is om echte imkers te helpen. De review onthult een veld dat snel beweegt, met een zware verschuiving naar deep learning en edge computing, maar het benadrukt ook een aanzienlijke kloof tussen de hoge scores die in laboratoria worden gerapporteerd en de realiteit van het voorspellen van de dood van een kolonie.
De meest opvallende bevinding is dat zeer weinig studies daadwerkelijk probeerden de totale ineenstorting van een kolonie te voorspellen. In plaats daarvan richtte de overgrote meerderheid van het onderzoek zich op het opsporen van de onmiddellijke oorzaken die leiden tot falen. De meest voorkomende doelwitten waren parasieten, specifiek de Varroa-mijt, die het onderwerp waren van zestien studies. Onderzoekers gebruikten camera's en computer vision om mijten op bijen of op plakplaten te tellen, waarbij sommige systemen in gecontroleerde omgevingen een hoge nauwkeurigheid bereikten. Een ander dertien studies richtten zich op het detecteren van de aanwezigheid van een koninginbij, terwijl acht studies keken naar de specifieke geluiden van zwermgedrag. Dit zijn allemaal kritieke problemen, maar het zijn voorlopers in plaats van de uiteindelijke gebeurtenis van een stervende kolonie. Slechts twee studies modelleerden expliciet de ineenstorting zelf, en zelfs die vertrouwden op beperkte gegevens.
De gegevens die gebruikt worden om deze computermodellen te trainen, komen voornamelijk uit Europa, met significante bijdragen uit de Tsjechische Republiek, het Verenigd Koninkrijk en Spanje. De populairste methode voor het verzamelen van informatie is het luisteren naar de korf. Tweeentwintig studies gebruikten audio-opnames en analyseerden het gezoem en gebrom van de bijen om problemen zoals een ontbrekende koningin of een naderend zwermgedrag te identificeren. In veel van deze akoestische studies rapporteerden de computers nauwkeurigheidspercentages die de 95% of zelfs 99% benaderden. Deze cijfers zijn echter vaak misleidend, aldus de review. De meeste studies testten hun modellen op gegevens van dezelfde enkele korven die gebruikt waren voor de training. Dit is vergelijkbaar met het testen van een student enkel op de exacte vragen die hij heeft geoefend; het bewijst niet dat hij nieuwe vragen kan beantwoorden. Wanneer onderzoekers hun modellen testten op geheel andere korven, daalde de prestatie aanzienlijk, vaak naar ongeveer 65% tot 75% voor het voorspellen van daadwerkelijk kolonieverlies.
De kwaliteit van het onderzoek varieerde sterk. De reviewer beoordeelde de studies op basis van een checklist met acht punten en stelde vast dat er slechts achttien van hoge kwaliteit waren. Veel studies misten cruciale details, zoals testen op onafhankelijke korven of het delen van hun gegevens en code zodat anderen dit konden verifiëren. Hoewel sommige onderzoekers erin zijn geslaagd kleine, energiezuinige apparaten te bouwen die naar bijen kunnen luisteren en beslissingen kunnen nemen direct bij de korf zonder internet nodig te hebben, zijn deze systemen nog niet getest in langdurige veldproeven met echte imkers. Er is nog geen bewijs dat deze alarmen het aantal dode kolonies verminderen of dat ze werken in verschillende klimaten en bijensubspecies.
Uiteindelijk concludeert de review dat hoewel machine learning uitstekend is in het identificeren van de onmiddellijke symptomen van een worstelende korf, zoals een ontbrekende koningin of een zware mijteninfestatie, het nog niet een betrouwbare kristallen bol is voor het voorspellen van totale ineenstorting van een kolonie. De technologie is verschoven van theorie naar praktische hulpmiddelen zoals smartphone-apps voor het tellen van mijten en edge-apparaten voor het luisteren naar bijen, maar de sprong naar een robuust vroeg waarschuwingssysteem voor ineenstorting blijft onvoltooid. Om daar te komen, moet de wetenschappelijke gemeenschap verder kijken dan experimenten met een enkele korf en grote, gedeelde datasets opbouwen die kolonies over een langere tijd volgen met bevestigde uitkomsten. Pas dan kunnen deze digitale hulpmiddelen erop worden vertrouwd om de bijen te redden voordat het te laat is.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.