Machine learning for detecting colony collapse disorder and colony losses in honeybees (Apis mellifera): a PRISMA 2020 systematic review
这项针对 58 项研究的 PRISMA 2020 系统综述表明，虽然机器学习能够通过声学和深度学习方法有效识别如寄生虫和蜂王状态等蜜蜂蜂群衰竭的近因，但目前仍缺乏直接预测蜂群崩溃综合征的有力证据，因此有必要开展未来的研究，重点关注独立验证、多模态数据融合以及开放的纵向数据集。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
蜜蜂是世界上最重要的授粉者，它们在农作物和野生植物之间传递花粉，以确保食物和花朵的生长。几十年来，养蜂人带着日益增长的忧虑观察着整个蜂群如何消失或减少，这种现象曾被称为蜂群崩溃现象（colony collapse disorder），现在被理解为包括寄生虫、农药和极端气候在内的复杂压力因素的综合结果。由于手工检查蜂箱既困难、具有干扰性，又往往为时已晚而无法挽救蜜蜂，科学家们转向了技术手段。他们将传感器安装在蜂箱上，通过倾听蜜蜂的声音、称量蜂箱重量以及监测温度或声音的变化来进行观察。其希望在于，计算机可以学会识别蜂群死亡前的细微迹象，从而充当一种早期预警系统。
戴斯达尔大学（Daystar University）奈洛比分校的弗雷德里克·迈克尔·奥戈里（Fredrick Michael Ogore）最近进行的一项系统性综述，汇总了来自世界各地的58项研究，以观察这一前景是否得到了兑现。研究人员收集了2015年至2025年间发表的每一篇使用机器学习检测蜜蜂蜂群损失的同行评审论文。其目标不仅是统计研究数量，更在于理解这些研究实际发现了什么、它们是如何测试其构想的，以及这项技术是否已准备好为真实的养蜂人提供帮助。该综述揭示了一个发展迅速的领域，呈现出向深度学习和边缘计算转移的强烈趋势，但同时也强调了实验室中报告的高分与预测蜂群死亡的现实之间存在显著差距。
最引人注目的发现是，极少有研究真正尝试去预测蜂群的整体崩溃。相反，绝大多数研究都侧重于发现导致失败的直接原因。最常见的目标是寄生虫，特别是瓦螨（Varroa mite），共有16项研究以此为主题。研究人员利用摄像头和计算机视觉技术来统计蜜蜂或粘板上的螨虫数量，其中一些系统在受控环境下实现了极高的准确度。另有13项研究侧重于检测蜂王是否存在，而8项研究则关注分蜂（swarming）的具体声音。这些都是至关重要的问题，但它们只是前兆，而非蜂群死亡的最终事件。只有两项研究明确对崩溃本身进行了建模，且即便如此，也依赖于有限的数据。
用于训练这些计算机模型的数据主要来自欧洲，其中捷克共和国、英国和西班牙的贡献显著。最流行的数据采集方法是倾听蜂箱。27项研究使用了音频录制，通过分析蜜蜂的嗡嗡声来识别诸如蜂王缺失或即将分蜂等问题。在许多此类声学研究中，计算机报告的准确率接近95%甚至99%。然而，综述指出这些数字往往具有误导性。大多数研究是在用于训练的同一批蜂箱数据上测试其模型的。这就像只让学生练习考试中会出现的原题，并以此测试他们；这并不能证明他们能够回答新问题。当研究人员在完全不同的蜂箱上测试模型时，性能显著下降，在预测实际的蜂群损失时，准确率通常降至65%到75%左右。
研究质量差异很大。评论者根据一份八项检查清单对研究进行了评分，发现其中只有18项属于高质量研究。许多研究缺乏关键细节，例如是否在独立蜂箱上进行测试，或者是否分享了数据和代码以便他人验证。虽然一些研究人员已成功构建了小型、低功耗的设备，可以在无需互联网的情况下直接在蜂箱旁监听蜜蜂并做出决策，但这些系统尚未在与真实养蜂人合作的长期实地试验中得到测试。目前还没有证据表明这些警报能减少死亡蜂群的数量，或者能在不同气候和蜜蜂亚种之间发挥作用。
最终，综述得出结论：虽然机器学习擅长识别挣扎中的蜂箱的即时症状（如蜂王缺失或严重的螨虫感染），但它尚不足以成为预测蜂群整体失败的可靠“水晶球”。这项技术已从理论转向实用工具，如用于计数螨虫的智能手机应用程序和用于监听蜜蜂的边缘设备，但实现向稳健的崩溃早期预警系统的跨越仍未完成。要实现这一目标，科学界需要超越单蜂箱实验，建立大型的、共享的数据集，对具有确切结果的蜂群进行长期追踪。唯有如此，这些数字工具才能在为时已晚之前拯救蜜蜂。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。