Modelagem Robusta de Observações Ausentes em Dados Sensoriados de Apiários

• Daniel de Amaral da Silva UFC http://orcid.org/0000-0001-8758-0973
• Antonio Rafael Braga UFC http://orcid.org/0000-0001-9105-9056
• Juvêncio S. Nobre UFC http://orcid.org/0000-0002-7321-3221
• Danielo G. Gomes UFC http://orcid.org/0000-0002-8285-4629

DOI: https://doi.org/10.5753/wcama.2021.15742

Resumo

O sensoriamento remoto de apiários reduz a necessidade de inspeções manuais, desnecessárias e invasivas nas colmeias ao mesmo tempo que propicia aos apicultores, com antecedência, alertas de problemas in loco. O monitoramento da temperatura é uma das diversas prioridades quando se tem interesse em diagnosticar o estado de saúde e bem-estar de uma colônia, posto que as abelhas tem um rigoroso cuidado quanto à sua manutenção do microclima (clima interno à colmeia). Entretanto, eventuais falhas nos sensores podem contaminar os dados com valores anômalos ou simplesmente causar "buracos" nas informações. Neste artigo, propomos um modelo estatístico capaz de contornar problemas locais de outliers ou de dados ausentes em uma série temporal multivariada de dados de temperatura provenientes de uma grade com 36 sensores instalados em uma colmeia de abelhas, com métrica R2 superior a 87% em 35 dos 36 sensores.

Palavras-chave: Abelhas, Dados Faltantes, Outliers, Séries Temporais Multivariadas, Processos Gaussianos

Referências

Becher, M. A., Hildenbrandt, H., Hemelrijk, C. K., and Moritz, R. F. (2010). Brood temperature, task division and colony survival in honeybees: A model. Ecological Modelling, 221(5):769–776. DOI: 10.1016/j.ecolmodel.2009.11.016

Becher, M. A. and Moritz, R. F. (2009). A new device for continuous temperature mea-surement in brood cells of honeybees (apis mellifera).Apidologie, 40(5):577–584. DOI: 10.1051/apido/2009031

Bishop, C. M. (2006).Pattern Recognition and Machine Learning (Information Scienceand Statistics). Springer-Verlag, Berlin, Heidelberg. ISBN: 9780387455280

Bonilla, E. V., Chai, K., and Williams, C. (2008). Multi-task gaussian process prediction. In Platt, J., Koller, D., Singer, Y., and Roweis, S., editors, Advances in Neural Information Processing Systems, volume 20. Curran Associates, Inc.

Botchkarev, A. (2019). A new typology design of performance metrics to measure errors in machine learning regression algorithms.Interdisciplinary Journal of Information, Knowledge, and Management, 14:045–076. DOI: 10.28945/4184

Jones, J. C., Helliwell, P., Beekman, M., Maleszka, R., and Oldroyd, B. (2005). The effects of rearing temperature on developmental stability and learning and memory in the honey bee, apis mellifera. Journal of Comparative Physiology A, 191:1121–1129. DOI: 10.1007/s00359-005-0035-z

Jones, J. C., Myerscough, M. R., Graham, S., and Oldroyd, B. P. (2004). Honey bee nest thermoregulation: Diversity promotes stability.Science, 305(5682):402–404. DOI: 10.1126/science.1096340

Linton, F., Stumme, A., Padula, B., Ifshin, G., and Behrmann, G. (2020a). Monitoring honey bee colony activities with a temperature sensor grid. American Bee Journal.Parts 1 through 3.

Linton, F., Stumme, A., Padula, B., Ifshin, G., and Behrmann, G. (2020b). Monitoring honey bee colony activities with a temperature sensor grid. Parts 2 through 3.

Murphy, K. P. (2013).Machine learning : a probabilistic perspective. MIT Press, Cam-bridge, Mass. [u.a.]. ISBN: 9780262018029

Tran, D., Ranganath, R., and Blei, D. M. (2016). The variational gaussian process.