Modeling impacts of migratory movements onseasonal honey bee colony survival: A machine-learning approach with big data

Resumo Técnico: Modelagem dos Impactos de Movimentos Migratórios na Sobrevivência Sazonal de Colônias de Abelhas Melíferas

Definição do Problema
A apicultura comercial depende fortemente do transporte em massa de colônias de abelhas melíferas (Apis mellifera) para fornecer serviços de polinização para diversos cultivos agrícolas, uma prática que sustenta bilhões de dólares em produção anual. No entanto, as colônias manejadas enfrentam altas taxas de perda anual globalmente, ameaçando a sustentabilidade desses serviços. Embora fatores bióticos e abióticos, como patógenos, pesticidas e perda de recursos, sejam conhecidos impulsionadores do declínio, o impacto específico dos movimentos migratórios frequentes — que muitas vezes envolvem transporte de longa distância e manuseio bruto — permanece subestudado. Experimentos comparativos tradicionais têm dificuldade em isolar os efeitos do transporte devido à multiplicidade de variáveis de confusão. Este estudo aborda a lacuna na compreensão de como a frequência, a distância e o tempo das realocações de colônias influenciam a sobrevivência sazonal, hipotetizando que o movimento excessivo impacta negativamente a longevidade da colônia.

Metodologia
O estudo utilizou um conjunto de dados observacionais de larga escala compreendendo 362.884 colônias de 62 operações de apicultura comercial nos EUA e Canadá, cobrindo as temporadas de 2022 a 2025. Os dados foram coletados via um aplicativo móvel (Nectar Technologies) usando códigos QR e etiquetas RFID para rastrear movimentos de colmeias, ações de manejo e eventos de mortalidade.

• Engenharia de Dados: O conjunto de dados foi limpo para excluir ações de manejo extremas (ex: vendas, ataques de ursos, movimentos não registrados) e movimentos abaixo de 3 km. As características principais (features) foram engenheiradas incluindo a distância de Haversine entre localizações, duração em cada local e tipo de apiário (polinização, espera ou regular). As características foram normalizadas pela idade da colmeia ou contagem de movimentos.
• Formatos de Dados: Duas estruturas de dados foram avaliadas: um formato curto (observação única por colônia com características agregadas) e um formato longo/episódico (medidas repetidas por colônia ao longo da temporada).
• Modelos de Aprendizado de Máquina: Três frameworks de análise de sobrevivência foram comparados:
  1. XGBoost (Extreme Gradient Boosting): Adaptado para censura intervalar para lidar com a incerteza no tempo de morte (ex: entre as inspeções de outono e primavera).
  2. Random Survival Forest (RSF): Um método de ensemble de bagging para dados de tempo até o evento.
  3. Survival Support Vector Machine (SVM): Uma abordagem de kernel linear.
     Os modelos foram avaliados usando o Índice de Concordância (C-index) e o Escore de Brier. Um ensemble de votação suave (soft voting) também foi testado.
• Interpretabilidade: O melhor modelo de desempenho foi analisado usando valores SHAP (SHapley Additive exPlanations) para determinar a importância das características, direcionalidade e interações. Simulações de Monte Carlo foram realizadas em 5.000 colmeias simuladas através de 15 cenários de movimento para modelar resultados de sobrevivência não lineares.

Principais Resultados

• Desempenho do Modelo: O modelo XGBoost treinado no formato de dados curto superou todas as outras abordagens, alcançando um C-index de 71,4 e um Escore de Brier de 27,9. O formato curto geralmente apresentou melhor desempenho do que o formato longo, sugerindo que a variação interindividual nos efeitos do movimento é mais crítica do que os padrões episódicos dependentes do tempo para este conjunto de dados. Modelos de Cox tradicionais apresentaram baixo desempenho devido ao viés e imprecisão em dados censurados.
• Impacto da Frequência de Movimento: Existe uma associação negativa robusta entre a frequência de movimentos e a longevidade da colônia. O transporte excessivo reduz significativamente a probabilidade de sobreviver além de uma temporada.
• Fatores Mitigadores: Foi encontrada uma relação positiva entre a longevidade prevista e o número médio de dias entre os movimentos. Isso sugere que permitir intervalos de recuperação pode mitigar o estresse negativo da relocação.
• Efeitos de Interação:
  • Distância vs. Frequência: Embora mover longas distâncias seja geralmente estressante, o impacto negativo é condicional à frequência. Movimentos de alta frequência em longas distâncias são os mais prejudiciais. Por outro uso, movimentos de baixa frequência em longas distâncias podem ser benéficos, provavelmente devido ao acesso a melhor forrageamento.
  • Tipos de Apiário: Movimentos para apiários de polinização mostraram um efeito negativo mais forte na longevidade em comparação com apiários de espera. No entanto, o uso de apiários de espera (áreas de estágio temporárias de alta densidade) foi considerado prejudicial porque efetivamente dobra o número de movimentos por evento de polinização (transporte para a espera, depois para o pomar) dentro de uma janela de recuperação curta, agravando o estresse.
• Limiares: O estudo identificou que quando as taxas de movimento excedem aproximadamente um movimento relacionado à polinização a cada duas semanas, o impacto na longevidade torna-se negativo, independentemente da distância.

Significância e Alegações
O artigo afirma fornecer a primeira evidência quantitativa baseada em dados de larga escala sobre o equilíbrio entre a necessidade econômica da apicultura migratória e a sobrevivência da colônia. Ao utilizar aprendizado de máquina em big data, o estudo vai além das limitações experimentais tradicionais para revelar interações complexas e não lineares entre regimes de movimento e sobrevivência.

Os autores afirmam que suas descobertas oferecem recomendações acionáveis e baseadas em evidências para os apicultores:

1. Otimizar a Estratégia de Movimento: Limitar a taxa geral de movimento das colônias e evitar a frequência excessiva.
2. Priorizar a Recuperação: Garantir intervalos de tempo adequados entre os movimentos para permitir a recuperação fisiológica.
3. Minimizar Apiários de Espera: Evitar o uso de apiários de espera temporários sempre que possível, pois eles aumentam o ônus cumulativo de relocação sem fornecer benefícios nutricionais.
4. Relocação Estratégica: Reconhecer que, embora a relocação possa ser benéfica (ex: mover para melhor forrageamento), ela deve ser equilibrada contra o estresse da frequência de transporte.

O estudo conclui que, embora a demanda por serviços de polinização esteja aumentando, a sustentabilidade deste serviço depende da adaptação das práticas de manejo para reduzir o estresse fisiológico imposto pelos movimentos migratórios. Os autores enfatizam a necessidade de melhor rastreabilidade na apicultura para refinar ainda mais essas estratégias e sugerem que trabalhos futuros possam integrar dados meteorológicos e de saúde pré-transporte para obter insights ainda mais precisos.