结构优先于声学：零成本箱数计数在跨蜂场验证中优于蜂巢内声学用于蜜蜂（Apis mellifera）蜂群强度估计

《Computers and Electronics in Agriculture》：Structure over sound: A free box count out-predicts in-hive acoustics for honey-bee colony strength

　　

结构优于声音：一项免费箱数计数在预测蜜蜂蜂群强度方面优于蜂巢内声学
• 在跨蜂场验证（cross-apiary validation）下，一项免费箱数计数优于20特征麦克风（microphone）。
• 仅蜂巢内气候（in-hive climate）预测蜂群大小（colony size）的效果远优于麦克风。
• 在已知箱数计数和蜂巢气候的条件下，声学（acoustics）对蜂群大小没有附加信息。
• 共形区间（conformal intervals）在跨蜂场时损失90%覆盖率（coverage）；箱数计数保持覆盖率。
• 一个麦克风不能替代结构（structure）；应将箱数计数及其日期与音频（audio）一起记录。

研究背景与问题：蜜蜂（Apis mellifera）是作物授粉的核心，蜂群强度（colony strength，成年蜂数量）直接影响产量，其健康与存续亦受持续关注。蜂群强度通常以帧蜂数（frames of bees, FoB，按框计数的成蜂覆盖量）表示，需开箱采用Liebefeld方法（Liebefeld method，逐框视觉估测蜂覆盖比例）评估，费劳力且干扰蜂群，只能每数周进行；重量、巢温、入口计数和图像分析等间接渠道各需专用硬件，且追踪的是相关量而非FoB。连续非侵入传感有望填补检查间隔，公开多传感器数据集亦已出现。问题在于：监督学习标签稀疏，部署关键在于对未见蜂群和新蜂场的泛化；文献报告巢内声学高精度，但随机划分可能泄漏蜂群身份，且“音频模型”常混入同一节点的温湿度环境通道；还需检验预测区间跨蜂场是否保持覆盖。作者Jürgen Degenfellner与Matthias Templ据此重新分析UrBAN与MSPB，诊断单巢内麦克风对蜂群强度可提供何种可部署信息，论文发表于《Computers and Electronics in Agriculture》。

关键技术方法（≤250字）：样本来源为UrBAN（加拿大蒙特利尔屋顶蜂场10群，2021，原始巢内音频、温湿度、天气和双周检查）与MSPB（加拿大魁北克两个农村蜂场C?té和Dubuc共53群，2020，20个预计算声学特征、温湿度及6次季节评估）。两数据集协调至共享20特征声学空间，目标为FoB，结构协变量为箱数（box count, B）。采用随机森林（random forest, RF）和可解释稳健线性混合模型（linear mixed model, LMM），配split-conformal预测区间；按随机5折、留一蜂群、留一轮、蜂群+轮阻断、留一蜂场及跨数据集迁移评估；将声学块A、环境块E和结构块B分块消融，配蜂群簇bootstrap，并做前后访问箱数、底箱/上部箱定位及稳健性检查。

研究结果：
3.1 表观声学技能强烈依赖评估（Apparent acoustic skill is strongly evaluation-dependent）：UrBAN基准随机划分R²≈0.96，hive-independent仅≈0.15；作者以季节评估为单元，MSPB的组内相关系数（intraclass correlation coefficient, ICC）为0.30，UrBAN为0.54；MSPB中RF随机折与留一蜂群R²≈0.56/0.57，留一蜂场降至0.44，说明迁移到新蜂场时声学模型失分。
3.2 可解释模型定位信号（Where the interpretable model locates the signal）：LMM中巢温标准化效应最大（0.62/SD），湿度为0.25/SD，声学特征小且共线，hive power仅0.25/SD（t=1.6）；边际R²=0.45、条件R²=0.57，可解释变异主要归因环境与蜂群身份，而非一致声学种群信号。
3.3 分离声学、环境和结构（Separating acoustics, environment and structure）：留一蜂场下A的R²=0.17、E=0.56、B=0.71；A+E=0.44低于E；在B+E上加A的ΔR²为?0.044（留蜂群）和?0.120（留蜂场），在A+E上加B为+0.174和+0.179；最佳B+E为0.79和0.74，但E仅较B增加0.018和0.029；mtry敏感性表明A增量符号不稳但从不实质为正；最小混合模型中hive power效应加B后缩小约80%，固定箱数内声学-种群相关弱且不一致。
3.4 前次访问箱数不改变排序（Using previous visit’s box count does not change the ranking）：用中位14天前箱数B_prev，留蜂群R²由0.66降至0.48、留蜂场由0.56降至0.42，仍优于20特征声学（0.14/0.05）；B_prev+E达0.62/0.55，高于22预测器传感器模型，追加A仍无益。
3.5 时间阻断不改变图景（Temporal blocking does not change the picture）：留一轮时A+E由0.57降至0.20，B基本不变为0.76；蜂群+轮阻断为0.19和0.76；传感器技能季节性强，B逐轮偏差在±1.7帧内。
3.6 跨数据集迁移为探索性比较（Cross-dataset transfer: an exploratory comparison）：MSPB→UrBAN箱数R²=0.81、反向0.51；20声学特征两向均为负R²；标准化改善但未修复迁移；数据集间标准化均差（standardised mean difference, SMD）中位0.82，蜂场间仅0.21；留一蜂场内部同硬件仍显示声学0.17、箱数0.71，校准漂移不能解释核心比较；UrBAN小样本结果仅作一致性检查。
3.7 麦克风位于近恒定隔间（The microphone sits in the one near-constant compartment）：多箱评估底箱均值9.9帧、方差0.13，上部方差29.6；底箱份额随箱数单调下降；巢能与底箱关联略强但弱；未测箱间传播，作者不声称底部麦克风对继箱“聋”，只说明变异位置。
3.8 结构模型而非声学模型的预测不确定性可跨蜂场保持（Prediction uncertainty survives transfer for the structural model but not the acoustic one）：分布内两模型覆盖≈0.90；跨蜂场传感器模型覆盖0.70/0.99，箱数模型0.91/0.89且区间更窄；colony-level共形规则下传感器仍为0.85/1.00，箱数为0.95/0.94；校准不确定性继承信号稳定性。
3.9 稳健与经典估计在聚合尺度一致（Robust and classical estimates agree at the aggregated scale）：MM型稳健LMM与经典LMM在日聚合尺度几乎不可区分，离群值少，稳健性是保障而非结果驱动。

讨论总结：原文限定结论不否定蜂声学总体（queen status、swarming、stress等已有基础），而仅针对单一底箱麦克风估计绝对总成蜂量；底箱近满而上部继箱承载几乎全部群体变异，未测箱间传播，故提出可检验的感知几何解释。分组、时间阻断和跨站评估应成为蜂巢传感器模型默认；声学模型共形区间跨蜂场失准，结构模型保持覆盖且更窄；校准漂移只部分解释跨数据集失败，核心留蜂场比较内部同硬件。该限制是结构瓶颈而非可移除混杂，域适应难以恢复传感器未记录位置的变异；环境通道有真实信号，多模态应要求相对结构基线的增量价值。FoB存在观察者依赖和饱和：MSPB中位占用0.90、UrBAN 0.93，约半数≥90%，37%–50%处于顶棚，部分解释箱数强预测，但条件箱数后RMSE 3.41帧对目标SD 7.11仍余约半变异。精准养蜂建议记录箱数、配置变更日期和传感器所在箱；传感器放置应改进；声学或更适合检测群内变化。局限包括标签仅在检查时、两蜂场、共享20特征、单底箱麦克风和FoB目标，跨数据集比较为探索性。

结论翻译：蜂巢内音频是蜜蜂蜂群强度较基准准确率所暗示更弱的代理，其显示的技能很大程度上可归因于另外两个通道：同一节点测量的蜂巢内气候，以及蜂巢的物理配置。底部安装的麦克风位于一个近乎恒定的隔间，而蜂群大小在其上方的继箱中增长。分组、时间阻断和跨蜂场评估揭示出声学技能有限且迁移不均。在作者尝试的任何随机森林配置下，将声学加入结构和蜂巢内气候从未实质性提高准确率；共形覆盖在新蜂场对结构模型保持，而对声学模型不保持。这些结论基于MSPB内部跨蜂场比较，并限于单一底箱麦克风、共享20特征声学空间和帧蜂数目标。跨数据集比较为探索性并指向同一方向。因此，作者提倡结构优先的蜂群强度模型：基于低成本管理协变量构建、由环境和声学传感细化而非替代，并以迁移感知区间跨蜂场验证。作者还提出近恒定感知隔间作为声学蜂群大小估计泛化不佳的具体可检验解释。