IA avança no monitoramento de abelhas, mas enfrenta limite no campo

A inteligência artificial ampliou a capacidade de monitorar colônias de abelhas-melíferas, identificar parasitas e acompanhar indivíduos, e começa a ser aplicada à previsão de eventos como a enxameação, embora a análise preditiva ainda seja uma fronteira pouco explorada. No entanto, os modelos têm dificuldade de se transferir entre colmeias, apiários e condições ambientais, o que limita o uso dessas ferramentas na apicultura. Essa conclusão aparece em uma revisão sistemática de 140 estudos publicados entre 2011 e 2025. O trabalho reuniu aplicações de aprendizado de máquina, visão computacional, processamento de sinais e aprendizado profundo.

Os pesquisadores organizaram os estudos a partir das perguntas biológicas, em vez das técnicas computacionais. A análise contemplou sete áreas: monitoramento da saúde da colônia, rastreamento e reidentificação de indivíduos, detecção de Varroa destructor e doenças, monitoramento da entrada e do tráfego da colmeia, classificação de espécies e subespécies, análise da dança do requebrado (waggle dance) e do comportamento social, além de pólen e forrageamento. O foco são as abelhas-melíferas em geral, o que inclui estudos com Apis mellifera e com Apis dorsata (doi 10.1016/j.compag.2026.112426).

Saúde da colônia

O monitoramento da saúde da colônia concentrou 52 dos 140 trabalhos. A categoria inclui identificação da presença da rainha, previsão de enxameação, detecção de anomalias e estresses, estimativa de produtividade e monitoramento multimodal. A produção científica ganhou ritmo depois de 2018. As aplicações de classificação e de monitoramento com análise preditiva lideraram esse crescimento.

Entre as tarefas computacionais, 54 estudos abordaram monitoramento e análise preditiva da saúde. Outros 40 trataram de classificação, 26 de rastreamento ou estimativa de pose e 20 de detecção. Os resultados mostram avanço desde sistemas baseados em regras e sensores isolados, passando pelo aprendizado de máquina clássico, até redes neurais capazes de trabalhar com vídeo, áudio e séries temporais de sensores.

Principal restrição

A principal restrição está na validação. Muitos modelos apresentam desempenho elevado dentro da mesma colmeia, do mesmo apiário ou da mesma condição de imagem, mas perdem qualidade em contextos novos. Em estudos acústicos sobre a presença da rainha, o desempenho de redes convolucionais chegou a ficar abaixo do acaso em colmeias não incluídas no treinamento, e as gravações se agrupavam pela identidade da colmeia, e não pelo estado da rainha. Isso indica que os modelos aprendem sinais específicos da colônia.

A revisão observa que o estado da rainha pode estar misturado com a construção da colmeia, o tamanho da colônia, a posição do microfone ou a genética. Testes em colmeias excluídas do treinamento são incomuns: nenhum dos estudos acústicos de enxameação os realizou e, na área de saúde da colônia, a maioria dos trabalhos usa uma ou poucas colmeias.

Dados limitados

A quantidade limitada de dados também afeta os resultados. Em vários casos, métodos clássicos superaram redes profundas. Em um conjunto com 19.597 amostras, um descritor acústico de 31 coeficientes MFCC combinado com floresta aleatória alcançou 0,99 em cinco métricas de avaliação, à frente de quatro redes convolucionais pré-treinadas.

O padrão aparece também fora da acústica: na detecção de Varroa em imagens hiperespectrais, PCA com SVM localizou 37 de 38 ácaros (F1 de 0,99), enquanto o Faster R-CNN, treinado com apenas seis imagens, ficou com F1 entre 0,85 e 0,89. Os pesquisadores associam esse comportamento à disponibilidade reduzida de dados para arquiteturas mais complexas. O aprendizado profundo, porém, continua essencial em detecção, rastreamento de longa duração e sistemas em várias etapas.

Previsão de enxameação

A previsão de enxameação mostra avanços, mas com evidências ainda limitadas. Os estudos utilizaram som, temperatura, peso, umidade, pressão atmosférica e vibrações da colmeia. Um sistema multissensor de baixo custo indicou a enxameação com 24 a 48 horas de antecedência, com 85% de acurácia e F1 de 0,69. Porém, a base tinha apenas 11 eventos confirmados de enxameação, contra 51 sequências sem enxameação, e não adotou divisão explicitamente independente por colmeia.

Uma abordagem baseada em vibrações registradas no favo produziu alertas médios entre cerca de 10 e 22 dias antes do evento, mas sem validação que deixasse uma colônia inteira de fora, e parte dos conjuntos veio de acelerômetros instalados em quadros diferentes da mesma colmeia. Já os classificadores acústicos chegaram a cerca de 99% de acurácia dentro do mesmo conjunto de dados, sem teste em colmeias excluídas do treinamento. A revisão ressalta que diferenças entre bases de dados, sensores, horizontes de previsão e protocolos de validação impedem a comparação direta entre os desempenhos.

Sistemas multimodais também apresentaram resultados relevantes. Uma rede baseada em atenção cruzada combinou imagens da entrada da colmeia com áudio interno e alcançou 93% de acurácia em quatro classes de condição sanitária, sob validação cruzada de cinco partições. O melhor modelo baseado apenas em imagem atingiu 70%, e o melhor baseado apenas em áudio, 81%. O maior ganho apareceu na classe relacionada à exposição a pesticidas, cujo F1 subiu de 48% para 91%. Esse é o exemplo mais claro de fusão de modalidades em um único modelo, prática ainda rara na literatura.

Sensores permanentes

A revisão também aponta potencial para sensores instalados de forma permanente. Câmeras, microfones e equipamentos para temperatura, umidade, dióxido de carbono e peso podem gerar dados contínuos sem a abertura frequente da colmeia. A automação pode reduzir parte da inspeção manual e ampliar a escala de acompanhamento do apiário. No entanto, o uso operacional depende de sistemas capazes de manter desempenho após mudanças de local, equipamento, estação e colônia.

Os pesquisadores apresentam quatro prioridades para a próxima etapa da área. A primeira é criar bases de referência públicas, com vários apiários, divisões padronizadas, métricas fixas e avaliação obrigatória com separação entre colmeias de treinamento e teste. Os autores a consideram a de maior impacto no curto prazo e um pré-requisito para avaliar as demais. A segunda é testar se o pré-treinamento autossupervisionado e os modelos fundacionais de visão e áudio reduzem a dependência de conjuntos pequenos e melhoram a generalização entre colmeias. A terceira é passar do monitoramento descritivo à análise preditiva, com sistemas longitudinais e multidomínio que integrem, ao longo de dias ou semanas, sinais como saúde, tráfego, ingestão de pólen e comunicação pela dança. A quarta é projetar sistemas atentos às condições de implantação em campo, com saídas interpretáveis, apoiadas em inteligência artificial explicável, e estimativas calibradas de incerteza. Nessa linha, o artigo cita os sistemas agênticos autônomos como paradigma emergente, com a ressalva de que ações irreversíveis, como tratamentos químicos, exigem supervisão humana estrita.

A síntese indica mudança no foco da pesquisa. Segundo os autores, a área já foi além da prova de conceito: é possível detectar, classificar, rastrear e contar em condições controladas. O que falta é demonstrar desempenho consistente em colônias, apiários e condições diferentes daqueles usados no desenvolvimento dos modelos.