Machine learning for detecting colony collapse disorder and colony losses in honeybees (Apis mellifera): a PRISMA 2020 systematic review
Esta revisão sistemática PRISMA 2020 de 58 estudos revela que, embora o aprendizado de máquina identifique eficazmente causas próximas da falha de colônias de abelhas, como parasitas e o status da rainha, utilizando métodos acústicos e de aprendizado profundo, ele carece atualmente de evidências robustas para prever diretamente o colapso das colônias, necessitando de pesquisas futuras focadas em validação independente, fusão de dados multimodais e conjuntos de dados longitudinais abertos.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
As abelhas melíferas são os polinizadores mais vitais do mundo, transportando pólen entre culturas e plantas silvestres para garantir o crescimento de alimentos e flores. Por décadas, os apicultores têm observado com crescente alarme o desaparecimento ou a diminuição de colônias inteiras, um fenômeno que outrora foi chamado de desordem do colapso das colônias e que agora é compreendido como uma mistura complexa de estressores, incluindo parasitas, pesticidas e extremos climáticos. Como verificar uma colmeia manualmente é difícil, perturbador e, muitas vezes, tarde demais para salvar as abelhas, os cientistas recorreram à tecnologia. Eles fixam sensores nas colmeias para ouvir as abelhas, pesar as caixas e observar mudanças na temperatura ou no som. A esperança é que os computadores possam aprender a reconhecer os sinais sutis de uma colônia moribunda muito antes de as abelhas desaparecerem, atuando como um sistema de alerta precoce.
Uma revisão sistemática recente de Fredrick Michael Ogore, da Universidade Daystar em Nairóbi, reúne cinquenta e oito estudos de todo o mundo para ver se essa promessa está sendo cumprida. O pesquisador reuniu todos os artigos revisados por pares publicados entre 2015 e 2025 que utilizaram aprendizado de máquina para detectar perdas de colônias de abelhas melíferas. O objetivo não era apenas contar os estudos, mas entender o que eles realmente descobriram, como testaram suas ideias e se a tecnologia está pronta para ajudar apicultores reais. A revisão revela um campo que está se movendo rapidamente, com uma forte tendência em direção ao aprendizado profundo (deep learning) e à computação de borda (edge computing), mas também destaca uma lacuna significativa entre as pontuações altas relatadas em laboratórios e a realidade de prever a morte de uma colônia.
O achado mais marcante é que muito poucos estudos tentaram realmente prever o colapso total de uma colônia. Em vez disso, a grande maioria da pesquisa concentrou-se em identificar as causas imediatas que levam à falha. Os alvos mais comuns foram parasitas, especificamente o ácaro Varroa, que foi o objeto de dezesseis estudos. Pesquisadores usaram câmeras e visão computacional para contar ácaros em abelhas ou em placas pegajosas, com alguns sistemas alcançando alta precisão em ambientes controlados. Outros treze estudos focaram em detectar se uma abelha rainha estava presente, enquanto oito buscaram pelos sons específicos de enxameação. Estas são todas problemas críticos, mas são precursores, e não o evento final da morte de uma colônia. Apenas dois estudos modelaram explicitamente o colapso em si e, mesmo esses, basearam-se em dados limitados.
Os dados usados para treinar esses modelos de computador vêm principalmente da Europa, com contribuições significativas da República Tcheca, do Reino Unido e da Espanha. O método mais popular para coletar informações é ouvir a colmeia. Vinte e sete estudos usaram gravações de áudio, analisando o zumbido e o ruído das abelhas para identificar problemas como uma rainha ausente ou uma enxameação iminente. Em muitos desses estudos acústicos, os computadores relataram taxas de precisão próximas a 95% ou até 99%. No entanto, a revisão sugere que esses números são frequentemente enganosos. A maioria dos estudos testou seus modelos em dados das mesmas poucas colmeias usadas para o treinamento. Isso é como testar um aluno apenas nas questões exatas que ele praticou; não prova que ele possa responder a novas perguntas. Quando os pesquisadores testaram seus modelos em colmeias inteiramente diferentes, o desempenho caiu significativamente, muitas vezes situando-se em torno de 65% a 75% para a previsão da perda real da colônia.
A qualidade da pesquisa variou amplamente. O revisor avaliou os estudos com base em uma lista de verificação de oito pontos, descobrindo que apenas dezoito eram de alta qualidade. Muitos estudos careciam de detalhes cruciais, como testes em colmeias independentes ou o compartilhamento de seus dados e códigos para que outros pudessem verificar. Embora alguns pesquisadores tenham construído com sucesso pequenos dispositivos de baixa potência que podem ouvir as abelhas e tomar decisões diretamente na colmeia sem a necessidade de internet, esses sistemas ainda não foram testados em ensaios de campo de longo prazo com apicultores reais. Não há evidências ainda de que esses alarmes reduzam o número de colônias mortas ou que funcionem em diferentes climas e subespécies de abelhas.
Em última análise, a revisão conclui que, embora o aprendizado de máquina seja excelente em identificar os sintomas imediatos de uma colmeia em dificuldade, como uma rainha ausente ou uma infestação pesada de ácaros, ele ainda não é um cristal bola confiável para prever a falha total da colônia. A tecnologia passou da teoria para ferramentas práticas, como aplicativos de smartphone para contagem de ácaros e dispositivos de borda para ouvir abelhas, mas o salto para um sistema de alerta precoce robusto para o colapso permanece inacabado. Para chegar lá, a comunidade científica precisa ir além de experimentos de colmeia única e construir conjuntos de dados amplos e compartilhados que rastreiem as colônias ao longo do tempo com resultados confirmados. Só então essas ferramentas digitais poderão ser confiáveis para salvar as abelhas antes que seja tarde demais.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.