Na qualidade de principal agente polinizador, as abelhas são essenciais à produção de alimentos para o ser humano e para manutenção dos ecossistemas. Entre as culturas agrícolas utilizadas para o consumo humano, 75% dependem de polinização. Alinhando-se a uma preocupação atual com a sobrevivência das abelhas, este artigo visa identificar padrões de colônias de Apis mellifera a fim de auxiliar o apicultor no manejo e na manutenção de suas colmeias. Nosso método consistiu na aplicação de uma técnica de clusterização em dois datasets reais de colmeias em clima temperado com dados de temperatura, umidade e massa. Foram utilizados três datasets do portal HiveTool.net; dois deles divididos em período frio (outono e inverno) e período quente (primavera e verão) e o terceiro, para efeito comparativo, dividido em períodos mesclando estações frias e quentes: inverno e primavera, e verão e outono. A partir da aplicação do índice Calinski-Harabasz e do algoritmo K-means, identificamos padrões coerentes e associados às transições entre as estações do ano. Além disso, pudemos concluir que a colônia mais forte é mais eficiente ao tentar manter o microclima da colmeia durante o inverno.
O avanço da Internet das Coisas (IoT) possibilitou uma maior eficiência no monitoramento de ambientes, permitindo um melhor gerenciamento e descoberta das condições onde a aplicação está inserida. Essa característica éútil para monitorar ambientes de Computação de Alto Desempenho (CAD), que precisam de um controle rígido das condições do local. A gerência desses ambientes tornou-se algo essencial com a popularização da Computação em Nuvem, pois a inoperância desses ambientes é problema crítico. Neste trabalho, apresentamos o GREat Data Center (GDC), um sistema IoT de gerenciamento térmico e elétrico de ambientes de CAD. O sistema monitora temperatura, umidade e fornecimento de energia elétrica da sala de um data center.
Bees are the main pollinators of most wild and cultivated plant species, thus being essential for the maintenance of plant ecosystems and for food production. But they are threatened due to a series of drivers such as pesticides, habitat loss and climate change. Here, we propose a method to iden- tify the loss of thermoregulation capacity in honeybee colonies. We applied the Long Short-Term Memory (LSTM) algorithm, which is based on Recurrent Neural Networks (RNN), to six real datasets of the Arnia remote hive monitoring system. From brood temperatures gathered along the European fall season in 2017, the LSTM was able to detect when a honeybee colony is about to lose its thermoregulation capacity. Our results showed an error of only 0.5% in predic- tion for well-thermoregulated beehives.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.