Modelos estadísticos predictivos basados en datos sensorizados para la apicultura de precisión
- Autores: María del Carmen Robustillo Carmona
- Directores de la Tesis: Carlos Javier Pérez Sánchez (dir. tes.)
, María Isabel Parra Arévalo (codir. tes.) - Lectura: En la Universidad de Extremadura ( España ) en 2026
- Idioma: español
- Tribunal Calificador de la Tesis: Alfonso Mateos Caballero (presid.) , María Lucía Bautista Bárcena (secret.) , Carmen del Castillo Vázquez (voc.)
- Programa de doctorado: Programa de Doctorado en Modelización y Experimentación en Ciencia y Tecnología por la Universidad de Extremadura
- Calificación: Sobresaliente Cum Laude
- Enlaces
- Resumen
- español
Las abejas desempeñan un papel fundamental en la estabilidad de los ecosistemas y en la productividad agroalimentaria gracias a su función polinizadora. La disminución sostenida de sus poblaciones, asociada a factores ambientales y humanos, representa un desafío ecológico y económico que exige desarrollar modelos de gestión apícola más eficientes basados en evidencia cuantitativa.
La apicultura de precisión ha favorecido la recopilación continua de datos a través de sensores instalados en colmenas reales, que registran variables internas y condiciones ambientales relevantes. No obstante, a pesar de la creciente disponibilidad de información, la mayoría de los estudios se ha centrado en análisis descriptivos o de clasificación, mientras que la construcción de modelos predictivos multivariantes capaces de anticipar la dinámica interna de las colmenas sigue siendo limitada.
El objetivo de esta tesis es desarrollar y evaluar metodologías estadísticas que predigan con fiabilidad variables internas clave a partir de series temporales obtenidas de sensores instalados en colmenas reales. El enfoque integra la interdependencia entre variables, la estructura temporal de los datos y la presencia de valores faltantes, implementando y comparando modelos univariantes y multivariantes mediante validación cruzada adaptada a series temporales y métricas estándar de error.
Entre las aportaciones más destacadas se incluyen la formulación sistemática de modelos multivariantes, la modelización de dependencias complejas y altas correlaciones entre variables y la integración del tratamiento de datos incompletos dentro del proceso inferencial. Los resultados evidencian avances significativos en precisión y robustez predictiva, sentando bases sólidas para sistemas de apoyo a la gestión apícola sostenible.
- English
Bees play a fundamental role in ecosystem stability and agricultural productivity due to their pollination function. The sustained decline in their populations, associated with both environmental and anthropogenic factors, constitutes an ecological and economic challenge that calls for the development of more efficient, evidence-based beekeeping management models grounded in quantitative analysis.
Precision apiculture has enabled the continuous collection of data through sensors installed in real hives, recording internal variables, and relevant environmental conditions. However, despite the growing availability of information, most studies have focused on descriptive or classification analyses, whereas the development of multivariate predictive models capable of anticipating hive internal dynamics remains limited.
The aim of this thesis is to develop and evaluate statistical methodologies that reliably predict key internal variables from time series obtained through sensors installed in real hives. The proposed approach incorporates interdependence among variables, the temporal structure of the data, and the presence of missing values, implementing and comparing univariate and multivariate models through time-series-adapted cross-validation and standard error metrics.
The main contributions include the systematic formulation of multivariate models, the modeling of complex dependencies and high correlations among variables, and the integration of incomplete data treatment within the inferential process. The results demonstrate significant improvements in predictive accuracy and robustness, providing a solid foundation for decision-support systems aimed at sustainable beekeeping management.
- español
