Predicting internal conditions of beehives using precision beekeeping

Abstract

La apicultura de precisión combina tecnología y estadística con el fin de gestionar un colmenar y reducir el riesgo de situaciones que pueden provocar pérdidas de población apícola. Se tuvieron en cuenta para el análisis las bases de datos del proyecto we4bee de tres colmenas sensorizadas se tuvieron en cuenta para el análisis. Contienen datos de sensores interiores (temperatura, humedad relativa y peso) y datos de meteorológicos. Se construyeron modelos autorregresivos vectoriales estáticos y dinámicos y modelos de regresión lineal y no lineal. de regresión lineal y no lineal para predecir las variables internas de las colmenas. En Se compararon mediante validación cruzada de 100 veces adaptada a series temporales. En general, el modelo vectorial autorregresivo dinámico proporcionó las mejores predicciones, con un coste computacional factible. computacional. Sólo en algunos casos concretos la versión autorregresiva vectorial estática produce errores menores, aunque las diferencias no son estadísticamente significativas. Los modelos aditivo generalizado y lineal dinámico siempre proporcionaron resultados menos precisos que que el modelo autorregresivo vectorial dinámico. Es necesario integrar modelos predictivos precisos precisos, como el autorregresivo vectorial dinámico. Este modelo predictivo puede integrarse en un sistema de apoyo a la toma de decisiones para alertar al apicultor de situaciones fuera de lo común en las colmenas, y ayudar así a su gestión eficaz.

Precision beekeeping combines technology and statistics aimed at managing an apiary effectively and reducing the risk of situations that can lead to bee population losses. Databases of the we4bee project of three sensorised beehives were considered for analysis. They contain interior sensor data (temperature, relative humidity, and weight) and data of meteorological events. Static and dynamic vector autoregressive models and linear and nonlinear regression models were constructed to predict the hives' internal variables. They were compared by 100-fold cross-validation adapted for time series. In general, the dynamic vector autoregressive model provided the best predictions, with a feasible computational cost. Only in some specific cases did the static vector autoregressive version produces smaller errors, although the differences were not statistically significant. Generalised additive and dynamic linear models always provided less accurate results than the dynamic vector autoregressive model. There is a need of integrating accurate predictive models, such as the dynamic vector autoregressive one. This predictive model can be integrated into a decision support system to alert the beekeeper of out-of-the-ordinary situations in the hives, and thus aid in their efficient management.