Daten aus dem Bienenstock
08/16/2023Künstliche Intelligenz kann vorhersagen, wann ein Bienenvolk ausschwärmt: Das ist ein Ergebnis aus dem Würzburger Forschungsprojekt we4bee, das mit Sensoren in Bienenstöcke hineinhorcht.
Im Jahr 2019 trat das Projekt we4bee an der Julius-Maximilians-Universität Würzburg (JMU) mit einem ehrgeizigen Ziel an: Es wollte Bienenstöcke digitalisieren und die gesammelten Daten nutzen – zum Wohl der Bienen, der Imkerei und letzten Endes der ganzen Gesellschaft. Denn schließlich tragen Bienen als Bestäuberinnen viel dazu bei, landwirtschaftliche Erträge und damit die Ernährungsgrundlage der Menschheit zu sichern.
Ins Leben gerufen wurde we4bee von einer Forschungsgruppe am JMU-Lehrstuhl für Informatik X (Data Science) unter Leitung von Professor Andreas Hotho, vom Würzburger Bienenforscher Professor Jürgen Tautz und von der we4bee gUG (haftungsbeschränkt). Das Projekt wurde zunächst von der Audi-Stiftung für Umwelt gefördert, später vom Bayerischen Staatsministerium für Digitales.
Erfolge des we4bee-Teams
Verteilt über ganz Deutschland, wurden bislang gut 100 Bienenstöcke „intelligent gemacht“. Sie sind jeweils mit 14 unterschiedlichen Sensoren bestückt, die Temperatur, Luftfeuchtigkeit, Gewicht und andere Parameter messen. An einem ausgewählten Bienenstock werden außerdem Sound und Vibrationen aufgezeichnet. Platziert sind die Bienenstöcke überwiegend an Schulen; dort erfüllen sie auch Lehrzwecke. Ein Stock steht beim Digitalministerium in München.
Durch die finanzielle Unterstützung des Freistaats Bayern war es möglich, bislang 101 Milliarden Sensordaten, mehr als 10,5 Terabyte an Bildern und Audiodateien auf den Servern der JMU zu speichern, darunter mehr als 20.000 Stunden Audioaufnahmen. Die aufgezeichneten Sensordaten stehen auch anderen Forschungseinrichtungen auf Anfrage zur Verfügung. Außerdem wurden die Daten der Öffentlichkeit über eine Webanwendung auf we4bee.org und die eigens entwickelte we4bee-App zugänglich gemacht.
Aktivitätsphasen der Bienenvölker erkannt
Ein Ergebnis des Projekts: Aus den Sensordaten lassen sich automatisch die fünf jahreszeitlichen Aktivitätsphasen der Bienenvölker erkennen: Frühjahresbrutaufzucht, Sommerbrutaufzucht, Herbstbrutaufzucht, brutfreie Herbstzeit und Winterbrutaufzucht. Das gelingt, wenn man klassische Sensordaten wie Temperatur und Luftfeuchtigkeit kombiniert. Es klappt aber auch mit Audiodaten.
Zum Einsatz kam hier das Verfahren der Change-Point Detection. Dieser Algorithmus sucht markante Stellen in den Daten, die auf Änderungen der Entwicklung hinweisen, auf sogenannte Change Points. Ein Beispiel ist der Beginn der Brut im Frühjahr: Dabei klettern die Temperaturen im Bienenstock deutlich über die Außentemperaturen und das Gewicht des Bienenstocks steigt kontinuierlich. Außerdem gehen die Change Points immer mit einem Wechsel der Lautstärke im Stock einher.
Bienenrufe kündigen Ausschwärmen an
Um das Verhalten des Bienenvolkes allein aus Audiodaten ablesen zu können, wurde ein Neuronales Netz zur Erkennung von Anomalien verwendet. Der Fokus lag darauf, das Ausschwärmen eines Volkes und den Zeitraum kurz vorher zu erfassen. Ergebnis: Beide Zeitpunkte lassen sich per KI mit hoher Zuverlässigkeit erkennen.
Vor allem der Zeitraum vor dem Ausschwärmen ist relevant für die Imkerei, da ein automatisches Früherkennungssystem rechtzeitig auf dieses Ereignis hinweisen kann. Imkerinnen und Imker sind dann darauf vorbereitet, das ausschwärmende Volk einzufangen. In den Audioaufnahmen lässt sich der Vor-Schwarm-Zeitraum durch ein markantes Geräusch (wav.Datei) erkennen, eine Art „Tuten“, das vermutlich von der Königin kommt. Diese Erkenntnis wurde als Publikation zur 30th International Conference on Systems, Signals and Image Processing eingereicht, einer europäischen Konferenz für Machine Learning.
Ausblick
Das we4bee-Team hält die Audiodaten für die informativsten Daten, die am Bienenstock gewonnen werden. Daher plant es weitere Forschungen, die aus den Audiodaten mehr Ereignisse erkennen lassen, wie beispielsweise das Fehlen einer Königin. Auch die Erkennung der Aktivitätsphasen soll weiter verbessert werden.
Webseite des Projekts we4bee: https://we4bee.org/