Detecção de Anomalias em Padrões Acústicos, de Temperatura e Umidade Sazonais para Abelhas Melíferas (Apis mellifera L.)

• Ícaro de Lima Rodrigues UFC http://orcid.org/0000-0001-8915-2972
• Davyd B. de Melo UFC http://orcid.org/0000-0002-8290-530X
• Breno M. Freitas UFC https://orcid.org/0000-0002-9932-2207
• Danielo G. Gomes UFC https://orcid.org/0000-0002-8285-4629

DOI: https://doi.org/10.5753/wcama.2021.15738

Resumo

O Distúrbio do Colapso das Colônias (Colony Collapse Disorder, CCD) é um fenômeno associado ao desaparecimento repentino de abelhas melíferas em colônias manejadas. Registrado nos EUA desde 2006, o CCD tem como possíveis causas desde as variações climáticas, uso incorreto de defensivos químicos até pragas e doenças. Neste sentido, soluções computacionais criativas podem contribuir para um melhor entendimento da sanidade e do bem-estar das abelhas. Neste artigo, aplicamos modelos de aprendizagem de máquina para detectar anomalias em padrões acústicos de abelhas melíferas africanizadas (Apis mellifera L.) e em padrões de temperatura e de umidade sazonais internas em colmeias com abelhas de raça europeia. Três modelos preditivos foram implementados: Modelo de Mistura de Gaussianas (GMM), Máquina de Aprendizado Extremo (ELM) e Máquina de Vetor de Suporte para uma classe (OC-SVM). Utilizamos datasets com dados de temperatura e umidade internas de duas colmeias de abelhas melíferas localizadas nas cidades de Bournemouth (Inglaterra) e Würtzburg (Alemanha) e um dataset com áudio de uma colônia melífera em Fortaleza-CE (Brasil). Para temperatura e umidade, os melhores resultados ocorreram para anomalias sazonais, nas quais o algoritmo ELM alcançou uma acurácia média de 92,6%. Para os áudios, destacamos o algoritmo GMM (acurácia média de 84,9%) na detecção de ausência da rainha.

Palavras-chave: Apicultura De Precisão, Detecção De Anomalias, Padrões Acústicos, Sazonalidade, Aprendizado De Máquina

Referências

Bezerra, A. D. M., Pacheco Filho, A. J., Bomfim, I. G., Smagghe, G., and Freitas, B. M.(2019). Agricultural area losses and pollinator mismatch due to climate changesendanger passion fruit production in the neotropics.Agricultural Systems, 169:49–57

Braga, A. R., Gomes, D. G., Freitas, B. M., and Cazier, J. A. (2020). A cluster-classificationmethod for accurate mining of seasonal honey bee patterns.Ecological Informatics,59:101107.

Brown, M. J., Dicks, L. V., Paxton, R. J., Baldock, K. C., Barron, A. B., Chauzat, M.-P.,Freitas, B. M., Goulson, D., Jepsen, S., Kremen, C., et al. (2016). A horizon scan offuture threats and opportunities for pollinators and pollination.PeerJ, 4:e2249.

Chen, Y., Zhou, X. S., and Huang, T. S. (2001). One-class svm for learning in imageretrieval. InProceedings 2001 International Conference on Image Processing (Cat.No. 01CH37205), volume 1, pages 34–37. IEEE.

Davidson, P., Steininger, M., Lautenschlager, F., Kobs, K., Krause, A., and Hotho, A.(2020). Anomaly detection in beehives using deep recurrent autoencoders.arXivpreprint arXiv:2003.04576

Howard, D., Duran, O., Hunter, G., and Stebel, K. (2013). Signal processing the acousticsof honeybees (apis mellifera) to identify the "queenless"state in hives.Proceedingsof the Institute of Acoustics, 35:290–297.

Huang, G.-B., Zhu, Q.-Y., and Siew, C.-K. (2006). Extreme learning machine: theory andapplications.Neurocomputing, 70(1-3):489–501.

Klein, A.-M., Vaissiere, B. E., Cane, J. H., Steffan-Dewenter, I., Cunningham, S. A.,Kremen, C., and Tscharntke, T. (2007).Importance of pollinators in changinglandscapes for world crops.Proceedings of the royal society B: biological sciences,274(1608):303–313.

Lautenbach, S., Seppelt, R., Liebscher, J., and Dormann, C. F. (2012). Spatial and tem-poral trends of global pollination benefit.PLoS one, 7(4):e35954.

Ollerton, J., Winfree, R., and Tarrant, S. (2011). How many flowering plants are pollina-ted by animals?Oikos, 120(3):321–326.

Pimentel, M. A., Clifton, D. A., Clifton, L., and Tarassenko, L. (2014). A review of noveltydetection.Signal Processing, 99:215–249.

Reynolds, D. (2009).Gaussian Mixture Models, pages 659–663. Springer US, Boston,MA.

Silva, D., Ícaro Rodrigues, Braga, A., Nobre, J., Freitas, B., and Gomes, D. (2020). Anautonomic, adaptive and high-precision statistical model to determine bee colonieswell-being scenarios. InAnais do XI Workshop de Computação Aplicada à Gestão doMeio Ambiente e Recursos Naturais, pages 31–40, Porto Alegre, RS, Brasil. SBC.

Sánchez-Bayo, F. and Wyckhuys, K. A. (2019). Worldwide decline of the entomofauna:A review of its drivers.Biological Conservation, 232:8–27.

Zacepins, A., Brusbardis, V., Meitalovs, J., and Stalidzans, E. (2015). Challenges in thedevelopment of precision beekeeping.Biosystems Engineering, 130:60–71.