基于蜂箱日重量变化模式分析的蜂群健康评估：数据驱动框架与机器学习应用

本综述提出了一种基于多传感器蜂箱监测系统的数据驱动框架，通过连续采集蜂箱重量数据（10分钟/次），结合分段线性回归提取关键特征，并利用主成分分析（PCA）和特征工程降维增强可解释性。研究评估了六种监督学习模型，其中支持向量分类（SVC）模型在分类日重量变化模式中表现最优（F1分数达0.905），识别出六种常见模式（如活跃采蜜、蜜源短缺等），揭示了重量模式与环境条件的季节性关联，为蜂群健康实时监测与精准养蜂（Precision Apiculture）提供了有效且可扩展的方案。

　　

Highlight

多传感器蜂箱监测系统

蜂箱重量数据采集采用多传感器蜂箱监测系统，这是一个物联网（IoT）驱动的平台（先前由Ho等人于2022年开发；Liu等人于2024年进一步完善）。该系统将硬件和软件组件集成到一个四层分层架构中：（1）传感层，（2）本地处理与边缘计算层，（3）数据传输层，以及（4）基于云的分析与可视化层。这种结构实现了模块化设计、强大的现场性能和可扩展性。

通过主成分分析（PCA）可视化并标记重量模式

为了探索日蜂箱重量模式的变化，我们对提取的特征应用了主成分分析（PCA）进行降维和可视化聚类。基于前三个主成分，我们进行了模式类型的手动标记，如图7所示。

在PC1－PC2投影中，大多数可识别的模式聚集在平面下部区域，而上部区域较为稀疏，主要包含不规则或不可分类的形式。PC1－PC3投影进一步揭示了不同模式之间的分离趋势，有助于区分诸如活跃采蜜、蜜源短缺或饲喂后不活动等行为场景。

Conclusion

本研究引入了一个数据驱动框架，用于通过高频重量传感、分段线性回归、PCA和机器学习分类来实现蜂箱活动的实时监测与分析。该系统成功识别了六种常见的日重量变化模式和一种不规则类型，证明了针对性特征选择的有效性，以及将复杂日重量信号压缩为可解释特征的能力。

一项关键创新是将超过140个原始数据点转化为九个最具代表性的特征，包括七个重量点和两个衍生有意义的指标——日净重量变化和收获重量。这种简化不仅提高了计算效率，还增强了模型在资源受限环境中的实际应用潜力。

此外，季节分析揭示了重量模式与环境条件之间的明确关系，证实了该方法在捕捉蜂群行为和反映整体蜂箱健康方面的有效性。这些发现有助于开发自动化、数据驱动的蜂群健康监测工具，支持现代养蜂管理中的及时干预和决策制定。