2019 in Grafiken

Frohes Neues Jahr!

Das BeeBIT-Team wünscht einen guten Start ins neue Jahr 2020!

Seit Projektbeginn 2013 wurden viele Arbeitsstunden in Entwicklung und Instandhaltung der eHives gesteckt. Die ersten eHives wurden 2015 in Betrieb genommen. Kurz darauf wurde der Verein »BeeBIT e.V.« gegründet. Seitdem wächst unsere Datenbank stetig. Mit Ende des Jahrzehts möchten wir einen kurzen Rückblick auf das vergangene Jahr 2019 werfen und unseren Projektpartnern danken. Hierfür wurde für jeden aktiven eHive mit ausreichendem Datensatz eine Infografik erstellt, die das Jahr 2019 anhand der aufgenommenen Daten zusammenfasst. Haben Sie Freude beim Lesen des folgenden Textes und beachten Sie die Download-Links unter dem Punkt »Ergänzende Materialien«!

2019 in Grafiken: AUT-BIE-1

Ziel dieses Blog-Beitrags ist es, eine riesige Menge von Daten (oft mehr als 50 MB pro eHive) in einer kompakten und möglichst leicht verständlichen Art zu veranschaulichen. Wir haben hier beispielhaft eHive AUT-BIE-1 ausgewählt, da dieser eHive über das ganze Jahr ohne Unterbrechung Daten aufgezeichnet hat. Selbstverständlich wurden andere eHives mit einer ausreichenden Datenmenge nicht vernachlässigt. Für jeden eHive wurde eine Grafik analog zu der hier gezeigten erstellt. Die Grafiken können von unserer Website heruntergeladen werden, vgl. ergänzende Materialien am Ende dieses Blog-Beitrags.

Haben Sie keine Sorge, die folgende Abbildung wird im Fließtext unterhalb genauer erläutert.

Außentemperatur & Sonneneinstrahlung

Der Datensatz des Temperatursensors der Wetterstation wurde (wie alle anderen hier gezeigten Datensätze) unter Verwendung der Diagrammanzeige der Website heruntergeladen und anschließend über 24-Stunden-Intervalle gemittelt. Die so berechneten Tagesmittelwerte wurden in Form eines Liniendiagramms visualisiert, wobei die Linien die Tagesmittelwerte (365 Punkte) verbinden und entsprechend dem Mittelwert zweier benachbarter Punkte eingefärbt wurden. Die zugehörige Farbskala ist rechts neben dem Liniendiagramm gezeigt. Auf der x-Achse wurde zur Orientierung der Beginn jeden Monats markiert. Alle Zeiten beziehen sich auf die lokale Sommerzeit (d.h. UTC+2 für Österreich, wo AUT-BIE-1 steht).

Auf einer zweiten y-Achse wurde in Form von Balken die tagesmittlere Sonneneinstrahlung aufgetragen. Beachten Sie, dass die Sonneneinstrahlung tagsüber (insbesondere mittags) deutlich höhere Werte als die hier berechneten Mittelwerte annehmen kann.

Innentemperatur

Die Temperaturen im Innern des eHives wurden in Form von 365x6 farbkodierten Kacheln visualisiert (365 Tage und 6 Sensoren). Es wurde die selbe Farbskala wie für die Außentemperatur verwendet. Diese Art der Darstellung erleichtert die Lokalisierung des Bienenvolkes im Stock: Wenn wir die Monate März und Oktober vergleichen, können wir beobachten, dass das Volk aus der Nähe der Sensoren 3 und 4 im März in die Nähe der Sensoren 2 und 3 im Oktober gewandert sein muss.

Temperaturabweichung vom Zielwert

Die Bruttemperatur eines Bienenvolkes beträgt ca. 35 °C. Wir können diese Information nutzen, um Zeitpunkt und Position der Brut im Innern des Stocks zu verfolgen. Hierfür stellen wir die Abweichung der Innentemperatur von diesem Zielwert dar. Selbstverständlich benötigen wir nun eine neue Farbskala. Falls die Abweichung über einen längeren Zeitraum klein ist, haben wir mit hoher Wahrscheinlichkeit die Brutwaben gefunden. Im hier gewählten Beispiel beginnt die Brut Mitte März und endet Mitte August bis September.

Stockgewicht, Gewicht-Änderungsrate & Regenrate

In der letzten Teilgrafik ist das Stockgewicht als Liniendiagramm dargestellt. Die 365 Tagesmittelwerte sind durch farbkodierte Linien verbunden. Die Farbgebung veranschaulicht die Gewicht-Änderungsrate (und damit die Steigung der Linie). Die zugehörige Farbskala ist erneut rechter Hand gegeben. In den Daten können Gewicht-Änderungsraten von mehr als 1 kg/Tag beobachtet werden. Diese Ereignisse sind vermutlich der imkerlichen Arbeit geschuldet, z.B. Aufsetzen oder Entfernen eines Honigraums. Ein plötzlicher Abfall des Gewichts kann jedoch (insbesondere im Sommer) auch auf ein Schwarmereignis hinweisen.

Auf einer zweiten y-Achse ist die Regenrate als Balkendiagramm gezeigt. Beachten Sie, dass die Einheit mm/Tag identisch ist zu Liter/(m² Tag), wobei 1 Liter = 1 dm³. Zu Beginn des Monats Juni (ungefährt 6. oder 7. Tag des Monats) kann beispielhaft beobachtet werden, wie ausgiebiger Regen zu einer sinkenden Gewicht-Änderungsrate führt.

Ergänzende Materialien

Daten der folgenden eHives wurden veranschaulicht:
DEU-DHG-1, DEU-FKG-1, AUT-WIS-1, AUT-BIE-1, DEU-MNG-1, DEU-OEG-1, DEU-FDG-1, DEU-LPG-1

• Grafiken (als PNG & PDF) aller genannten eHives: 2019_figures.zip
• zugehörige Rohdaten: 2019_data.zip
• Python-Skript: 2019_script.py

(cw) 2020-01-01

Weiterführende Datenauswertung

Aufbauend auf einem einführenden Blog-Beitrag zur Analyse von Rohdaten wollen wir nun langfristige Trends untersuchen. Dabei wollen wir der Frage nachgehen, welche Umweltfaktoren ausschlaggebend für die Gewichtsentwicklung im Stock sind. Dafür werden wir die Daten des Bienenstocks an der AGES (AUT-BIE-1) verwenden, da diese den Sommer über ohne Ausfälle und ohne Eingriffe Daten geliefert hat. Uns interessiert dabei vor allem der Bereich zwischen Ende Mai und Ende Juli, da dort die Bienen am meisten Nektar in den Stock tragen.

Als Kontext: Das »Bienenjahr« beginnt und endet mit der Sommersonnenwende, also dem kalendarischen Sommeranfang am 21. Juni. Bis dahin wachsen die Völker, es schlüpfen sehr viele Bienen. Danach reduziert die Königin die Eiablage und das Volk bereitet sich aufs Überwintern vor. Außerdem haben die meisten Nutzpflanzen geblüht, für die Bienen wird es eher schwieriger, Nahrung zu finden.

Disclaimer: In einem derart hochkomplexen biologischen System wie einem Bienenvolk können viele verschiedene Prozesse die Gewichtsentwicklung beeinflussen. Wir untersuchen in diesem Artikel nur ein Volk exemplarisch, und untersuchen nur den Einfluss weniger Wetterkennwerte. Ob eine getroffene Aussage für alle Bienenvölker gilt, können wir so natürlich nicht belegen. Ebenfalls gilt: Eine gefundene Korrelation muss keine Kausalität sein! Allerdings können wir exemplarisch sehen, was man mit dem eHive alles untersuchen kann.

1) Herunterladen der Daten

Zunächst laden wir die Daten wieder über die Diagramm-Ansicht herunter. Unsere Arbeitshypothese ist vorerst, dass die Gewichtsentwicklung mit der Sonneneinstrahlung und der Außentemperatur zusammenhängt.

Warum ausgerechnet diese Daten? Zunächst einmal ist zu erwarten, dass das Stockgewicht zunimmt, wenn die Bienen viel Nektar und Pollen sammeln. Das impliziert zwei Bedingungen, die erfüllt sein müssen:

• Bienen müssen ausfliegen können, es sollte also einigermaßen warm sein, und es sollte weder regnen oder stürmen.
• Pflanzen müssen Nektar bereitstellen. Das hängt von vielen verschiedenen Faktoren ab, aber es sollte grundsätzlich nicht zu nass sein (Regen wäscht den Nektar weg) oder zu heiß (Nektar trocknet aus).

Daher sind die Datenreihen »Stockgewicht«, »Außentemperatur«, »Innentemperatur 3«, »Sonneneinstrahlung« und »Außenfeuchte« im Datensatz enthalten.

In Abb. 1 erkennt man nicht besonders viel, außer ein paar allgemeiner Trends: Das Stockgewicht nimmt bis etwa Ende Juni stark zu und dann langsam ab und die Innentemperatur ist nahezu konstant bei 35°C. Mit NumPy können wir tagesweise Mittelwerte der Daten bilden, wobei beim Gewicht nicht der Mittelwert, sondern die Differenz zweier Messpunkte um Mitternacht interessiert, vgl. Abb. 2.

2) Einflussfaktoren auf das Stockgewicht, Juni

Immer noch zu chaotisch? Wir werden die Daten gleich noch weiter vereinfachen. Gut erkennbar ist zumindest im ersten Monat (vor der Sommersonnenwende), dass bei hoher mittlerer Sonneneinstrahlung (grüne Kurve) der Gewichtseintrag besonders hoch ist (blaue Kurve), und bei niedriger Sonneneinstrahlung eher niedrig. Später ist diese Korrelation nicht mehr so stark.

Offenbar verändert sich dort etwas im Stock, was möglicherweise mit der Sommersonnenwende zu tun hat. Wir plotten nun alle Datenpunkte der ersten 40 Tage (also bis zum 08.07.2019) in einer Punktwolke, vgl. Abb. 3. Dabei wird auf der x-Achse die Gewichtsdifferenz und auf der y-Achse die Sonneneinstrahlung aufgetragen. Die Farbe zeigt die Außentemperatur an.

Der Trend, den wir schon vermutet haben, scheint tatsächlich zu existieren! An Tagen mit besonders hoher Sonneneinstrahlung steigt das Stockgewicht stärker als an Tagen mit niedrigerer Sonneneinstrahlung. Wir gehen davon aus, dass heranwachsende Bienen nicht abhängig von der Sonneneinstrahlung schneller oder langsamer zunehmen, daher wird dieser Unterschied wohl mit dem eingetragenen Nektar zu tun haben. Außerhalb des Zusammenhangs gibt es ein paar Outlier, die wir später noch diskutieren: Tage mit sehr hoher Sonneneinstrahlung, an denen das Stockgewicht sinkt, und Tage mit niedrigerer Sonneneinstrahlung, an denen das Stockgewicht steigt. Diese sind mit dem Tag beschriftet, sodass wir sie später wiederfinden.

Auch hängt die Gewichtsveränderung im Juni nicht sehr stark von der Temperatur ab.

3) Einflussfaktoren auf das Stockgewicht, Juli

Das verändert sich im Juli, entsprechend tauschen wir die y-Achse aus. Die Farbe der Punkte korreliert jetzt mit der Sonneneinstrahlung, vgl. Abb. 4. Aufgetragen sind alle Punkte ab Tag 25 der Beobachtung, also dem 23. Juni.

Offenbar ist ab er Sommersonnenwende die Temperatur der ausschlaggebende Faktor für die Gewichtsveränderung. Das lässt sich gut erklären: Wir hatten zu Beginn gesehen, dass die Innentemperatur weitgehend konstant bleibt. Das bedeutet, dass die Bienen an den meisten Tagen heizen (d.h. Nahrung verbrauchen) müssen, um die Temperatur zu halten. Sie heizen natürlich besonders viel an Tagen, an denen es eher kühl ist. Auch im Juni haben die Bienen Nahrung verbraucht, aber an Tagen mit besonders hoher Sonneneinstrahlung konnten sie eben mehr Nahrung sammeln, als verbraucht wurde. Diese zwei Faktoren scheinen entscheidend für die Gewichtsveränderung sein. Aus der Literatur ist bekannt, dass vor der Sommersonnenwende die meisten Bienen schlüpfen, was die stark unterschiedlichen Absolutwerte der Gewichtsveränderungen im Juni und Juli mit verursacht.

4) Outlier

Es fällt auf, dass es in beiden Diagrammen Outlier gibt. Woran könnte das liegen? Das Diagramm kann helfen. Beispielhaft wollen wir uns den Juni anschauen.

Einige Wetterfaktoren haben wir noch nicht untersucht: Niederschlag und Luftdruck. Tragen wir die Outlier aus der ersten Punktwolke auf, erkennen wir, dass diese immer in der Nähe von Niederschlägen auftreten, häufig am Tag davor oder danach, vgl. Abb. 5. Die roten Punkte sind dabei Tage, an denen mehr gesammelt wird als an Tagen mit vergleichbarer Sonneneinstrahlung, die schwarzen Kreuze sind Tage, an denen weniger gesammelt wird.

Für die schwarzen Punkte lässt sich eine recht einfache Erklärung finden: Am Tag nach dem Regen sind die Blüten noch nass, die Bienen erreichen den Nektar nur schlecht. Daher sammeln sie dort weniger, auch wenn die Sonne scheint.

Die roten Punkte treten entweder an Tagen vor dem Regen oder einige Zeit nach dem Regen auf. Da die Bienen scheinbar im Mittel 0.5 kg/Tag in den Stock eintragen wollen, arbeiten sie an Tagen nach dem Regen (Ausgleich der Verlustzeit) mehr als sonst typisch bei diesem Wetter. Außerdem tragen dort die Pflanzen vielleicht besonders viel Nektar, weil es gerade geregnet hat. Auch an Tagen vor dem Regen (diesen antizipieren sie aus dem niedrigeren Luftdruck) sind sie produktiver als sonst, zu sehen an den Tage 7 und 23. Die Bienen planen offenbar zukünftige Wetterveränderungen bereits ein und wissen, dass sie die Verluste nach einem regnerischen Tag ausgleichen müssen, sobald die Blüten wieder trocken sind. Diese Beobachtung habe ich in der Literatur nicht gefunden und sollte tiefergehend untersucht werden. Allerdings haben wir leider recht wenig vollständige Datensätze, bei denen im Sommer weder Eingriffe oder Schwarmereignisse noch technische Probleme Sprünge im Gewichtsverlauf verursachten. Sobald wir einen funktionstüchtigen Ein- und Ausflugzähler haben, kann man dieses Phänomen genauer untersuchen.

5) Zusammenfassung

• In der Hauptblütezeit im Juni korreliert die Gewichtszunahme mit der Sonneneinstrahlung und nur recht wenig mit der Temperatur.
• Im Juli korreliert der Gewichtsverlauf mit der Außentemperatur und nur recht wenig mit der Sonneneinstrahlung, da die Bienen heizen müssen.
• Besonderheiten ergeben sich immer an Tagen vor und nach Regenfällen. Die Bienen scheinen den Regen vorauszusehen und gleichen schlechte Tage an den Folgetagen aus, auch wenn das Wetter nicht ideal zum Sammeln ist.

Einige Einflussfaktoren auf den Gewichtsverlauf haben wir in der Auswertung nicht untersucht, weil dafür nicht genügend Daten vorliegen, z.B:

• Pflanzen benötigen Wasser, um Nektar zu produzieren.
• Die Gewichtszunahme aufgrund von Fortpflanzung können wir mit den vorliegenden Daten nicht von der Gewichtszunahme durch Nektareintrag entkoppeln.

Ergäzende Materialien

• dieser Blog-Beitrag als PDF: auswertung2.pdf
• verwendete Rohdaten: data.txt
• Python-Skript: script.py

(jh) 2019-09-22

Sensoren des eHives & Messfehler

Bienenstock

Temperatur

Als Temperatursensoren innerhalb des eHives werden Pt1000-Messwiderstände der Genauigkeitsklasse AA verwendet, diese sind auf ± (0,1 °C + 0,0017 ∙ T) kalibriert, wobei T die Temperatur in °C repräsentiert. Da die Sensoren per 2-Leiter-Schaltung mit der Auswerteelektronik verbunden sind, gehen auch die Leitungswiderstände in den Fehler mit ein, aufgrund der geringen Leitungslänge sollte der Einfluss allerdings recht gering sein. Auf der Platine sind die Sensoren mit 4,7 kΩ Präzisionswiderständen mit einer Toleranz von 0,1 % in Reihe mit einer Referenzspannung von 10 V verbunden, die mit einem ADR01ARZ erzeugt wird, vgl. Abb. 1. Diese Spannung hat eine Toleranz von 0,14 %.

Anschließend wird die Spannung zwischen dem Temperatursensor und dem Referenzwiderstand vom Analog-Digital-Wandler AD7789 abgegriffen und in einen digitalen Wert gewandelt. Der Offset des Wandlers von ± 0,3 μV kann vernachlässigt werden, da die Spannungsänderung bei einer Temperaturdifferenz von 1 K etwa 5,6 mV beträgt. Die Auflösung des Wandlers liegt effektiv bei 19 bit und bei einer Referenzspannung von 2,5 V somit etwa bei 4,8 μV und trägt ebenfalls nicht nennenswert zum Gesamtfehler bei. Die 2,5 V Referenzspannungsquelle ADR03ARZ hat ebenfalls eine Toleranz von 0,14 %.

Der eigentliche Messwiderstand befindet sich innerhalb einer Edelstahlhülse, welche etwa 20 cm in den Bienenstock reicht, ungefähr auf zwei Drittel der Höhe der Waben. Eigentlich sollten sich die Sensoren in den Wabengassen befinden, vor allem bei den Top-Bar-Hives kann es allerdings vorkommen, dass die Sensoren von den Bienen in die Waben eingebaut werden. Da inzwischen einige verschiedene Beuten verwendet werden, ist auch die Verteilung der Sensoren in den einzelnen eHives unterschiedlich und nicht immer symmetrisch. Üblicherweise befindet sich jede zweite Wabengasse ein Sensor. Die genaue Anordnung kann der folgenden Tabelle entnommen werden, wobei jede Spalte einer Wabengasse gemäß der Nummer in der ersten Zeile entspricht. Die maximale Anzahl an Gassen beträgt 14. Die meisten eHives haben jedoch weniger Wabengassen. (Dunkelgrau hinterlegte Zellen repräsentieren nicht-existente Gassen.) Die Zahlen 1-6 (bzw. 1-5 für eHives mit nur 5 Temperatursensoren) in den übrigen Zeilen markieren die Position der Temperatursensoren innerhalb des Stocks entsprechend dem Label des Sensors in der Datenbank.

Feuchte

Die Luftfeuchte im inneren des Bienenstocks wird mit dem Feuchtesensor SHT21 gemessen. Da dieses Bauteil nicht direkt verbaut, sondern in einem Gehäuse gekauft wurde, in dem er an einen PIC32MX Mikrocontroller angeschlossen ist, der das digitale Signal in ein analoges wandelt, muss dieses auf der Hauptplatine wieder in einen digitalen Wert übersetzt werden. Die typische Toleranz des Sensors liegt zwischen 20 % und 80 % bei 2 % und steigt bis zu den Maximalwerten linear auf 3 % an. Die zwischenzeitliche Konvertierung zu einem analogen Signal erhöht den Fehler schätzungsweise um 0,5 %.

Da sich der Feuchtesensor sehr weit unten im Bienenstock befindet, korreliert der Wert relativ stark mit der Außenfeuchte. Aufgrund der Größe des verwendeten Sensors war es nicht möglich ihn weiter oben zu platzieren, wo das tatsächliche Klima des Bienenstocks besser abgebildet werden würde.

Waage

Bei einem eHive wird auch das Gewicht des Bienenstocks gemessen. Dazu werden Wägezellen des Typs SEB46B verwendet, vgl. Abb. 2. Auf dem Aluminium-Federkörper sind Dehnungsmessstreifen angebracht, die bei mechanischer Belastung ihren Widerstand verändern. Mehrere dieser Dehnungsmessstreifen sind zu einer Wheatstone-Brücke verbunden, deren Ausgangsspannung mit dem Instrumentenverstärker AD623 verstärkt und anschließend mit einem Analog-Digital-Wandler AD7789 ausgelesen wird (siehe Abschnitt Temperatur). Als Spannungsquelle für die Wägezelle wird dieselbe verwendet wie für die Temperatursensoren. Der Instrumentenverstärker verstärkt das Signal um den Faktor 99, mit einer Abweichung von 0,35 %. Der Faktor wird mittels eines Widerstandes eingestellt und hat somit auch eine Toleranz von 0,1 %. Von der Wägezelle wird eine Spannung von 0,2 μV/g ausgegeben, nach dem Verstärker entspricht die Spannung also 19,8 μV/g.

Die kleinste mit der Wägezelle mögliche Auflösung wird im Datenblatt mit 6,6 g angegeben, bei gleichbleibenden Temperaturen werden diese mit dem Gesamtaufbau auch erreicht. Probleme bereiten jedoch Temperaturschwankungen, die insgesamt Gewichtsunterschiede von mehreren hundert Gramm verursachen können. Weitere Abweichungen können durch Niederschläge entstehen, da nicht bei allen eHives ein Dach vorhanden ist (siehe Blogbeitrag Standort & Umgebung der eHives). Der Drift über lange Zeiträume ist unbekannt.

Wetterstation

Bis auf den Luftdruck werden die Wetterdaten von einer Wetterstation des Herstellers Davis, dem Modell Vantage Pro 2, gemessen. Da die Werte digital ausgelesen werden, können die Toleranzen aus dem Datenblatt der Wetterstation übernommen werden. Im Folgenden werden noch einige weitere Beeinflussungen der einzelnen Sensoren aufgezählt.

Außentemperatur und –feuchte

Um die Lufttemperatur und –feuchte vergleichbar zu messen, müssten die Wetterstationen eigentlich auf einer freien Fläche mit definierter Oberfläche und in gleicher Höhe stehen. Dies ist allerdings in der Praxis schwer umzusetzen, so befinden sich manche Wetterstationen auf einer Wiese und andere auf Dächern, was dementsprechend die Werte verändert. Es wurde jedoch versucht, die Stationen jeweils etwa 2 m über dem Bienenstock zu installieren, um das für die Bienen relevante Mikroklima vergleichbar zu erfassen.

Niederschlag

Der Niederschlag wird mittels einer Wippe gemessen, auf die der Regen durch einen Trichter geleitet wird. Hat sich eine gewisse Wassermenge in einem der beiden Löffel der Wippe gesammelt, kippt diese auf die andere Seite und aktiviert durch einen unter der Achse angebrachten Magneten ein Reed-Relais. Ein Umklappen der Wippe entspricht dabei 0,2 mm Niederschlag. Durch diese Technik kann jedoch Schnee erst gemessen werden, wenn er schmilzt und nicht in der Zwischenzeit wieder aus dem Trichter geweht wurde oder diesen überfüllt hat. In manchen eHives sind zwar Heizungen in der Wetterstation verbaut, aufgrund mangelnder Effektivität werden sie allerdings überwiegend nicht verwendet. Des Weiteren verstopft der Trichter des Niederschlagssensors leicht, weshalb manchmal bei einzelnen Stationen der Niederschlag über längere Zeit nicht angezeigt wird.

Windgeschwindigkeit & -richtung

Wie bei den Luftwerten gibt es bei den den Wind betreffenden Messwerten das Problem, dass aus praktischen Gründen die Sensoren nicht immer auf freiem Feld und in selber Höhe installiert sind. Die Höhe sollte bei etwa 5 m liegen, kann aber im Einzelfall deutlich davon abweichen. Der Sensor für die Windrichtung müsste, um exakte Werte anzugeben, genau nach Norden ausgerichtet sein. Das ist allerdings nicht ganz einfach, weshalb die Absolutwerte für die Himmelsrichtung um einige Grad abweichen werden. Der angegebene Fehler ist der Relativfehler.

Sonneneinstrahlung und UV-Index

Bei einzelnen Standorten werden die beiden Strahlungssensoren im Laufe des Tages durch umliegende Bäume oder Gebäude verdeckt. Da die Basisstation der Wetterstation, an der sich auch diese beiden Sensoren befinden, oft an dem gleichen Mast wie die Windsensoren befestigt ist, fällt auch einmal am Tag der Schatten dieses Mastes auf die Strahlungssensoren.

Luftdruck

Um den Luftdruck zu messen, wird ein BMP280 verwendet, der sich direkt auf der Hauptplatine befindet. Auch dieser Sensor gibt einen digitalen Wert aus, so dass der Fehler des Herstellers übernommen werden kann.

Interne Sensoren

Gesamt- und Heizungsstromstärke

Als Stromsensoren werden ACS712 verwendet, die eine zum Strom proportionale Spannung bereitstellt. Diese Spannung wird durch den internen 12 bit Analog-Digital-Wandler des Arduinos digitalisiert, der eine Maximalspannung von 3,3 V und daher eine theoretische Auflösung von 0,81 mV hat. Da der Stromwandler pro Ampere 0,185 V ausgibt, entspricht ein Schritt des Analog-Digital-Wandlers ca. 4,4 mA. Laut Datenblatt hat der Sensor eine Auflösung von 75 mA, aufgrund der geringeren effektiven Auflösung des Arduinos wurde der Fehler auf 0,1 A aufgerundet.

Der Sensor für die Heizspannung kann frei belegt werden, beispielsweise kann damit auch der Ladestrom gemessen werden, falls ein eHive mit Akku betrieben wird.

Ladespannung

Die Ladespannung entspricht der Spannung, mit der das System betrieben wird. Der Begriff ist insofern irreführend, da diese Spannung aktuell bei allen Kästen von Netzteilen bereitgestellt wird, weshalb sie auch sehr konstant ist. Der Wert wird vom internen Analog-Digital-Wandler des Arduinos gemessen, nachdem die Spannung mittels eines Spannungsteilers aus einem 1 kΩ und einem 4,7 kΩ Präzisionswiderstand reduziert wurde, deren Einfluss auf den Messfehler vernachlässigt werden können. Die theoretische Auflösung beträgt somit 4,4 mV, der Fehler wurde jedoch aufgrund der geringeren effektiven Auflösung aufgerundet.

Mikrochiptemperatur

Der auf dem verwendeten Arduino verbaute Mikrocontroller hat einen internen Temperatursensor, dessen Wert allerdings bei jedem einzeln von Hand kalibriert werden müsste. Da dies bei den eHives nicht gemacht wurde, sind die Werte dieses Sensors mit einem sehr großen Offset von ± 45 °C behaftet. Der relative Fehler beträgt laut Datenblatt des Herstellers ± 3 °C.

Tabellarische Übersicht der Messfehler

(für Details und Erläuterungen siehe obige Ausführungen)

Ergänzende Materialien

• dieser Artikel als PDF: sensoren_und_fehler.pdf

(jg) 2019-09-20

Export und Auswertung von Rohdaten

Die Diagrammanzeige der BeeBIT-Datenbank unterstützt den Export von Rohdaten. Hierdurch wird eine tiefergehende Analyse der Daten möglich. Im Folgenden wird beispielhaft eine Untersuchung von Temperatur- und Gewichtsdaten des Bienenstocks AUT-GSC-1 durchgeführt. Zur besseren Nachvollziehbarkeit sind Datenexport und die anschließenden Analyseansätze in Schritte gegliedert. Die Datenverarbeitung erfolgt mit Python. Das vollständige Python-Skript sowie eine erläuternde PDF sind am Ende des Textes verlinkt. Ziel dieses Beitrags ist es, Inspiration und einige Ansätze für das eigenständige Arbeiten mit den Datensätzen zu liefern. Denn so viel vorweg: Häufig lohnt sich ein zweiter Blick.

1) Export der Daten aus der Diagrammanzeige

In der Diagrammanzeige können die zu untersuchenden Datensätze komfortabel ausgewählt und betrachtet werden. Wir werden uns beispielhaft die Stocktemperatur (6 Sensoren an verschiedenen Positionen innerhalb des Bienenstocks), die Gewichtsdaten sowie die Außentemperatur des eHives AUT-GSC-1 vom 10. Juni bis einschließlich 12. Juni 2019 näher ansehen. Hierbei ist zu beachten, dass alle Zeiten in UTC+0 angegeben werden, d.h. die tatsächliche Ortszeit (MESZ = UTC+2) ist um 2h verschoben. Wir möchten also eigentlich den Zeitraum vom 09.06. 22 Uhr bis 12.06. 22 Uhr exportieren, um in der lokalen Zeit den Drei-Tages-Zeitraum von Mitternacht bis Mitternacht zu erhalten.

Durch Klick auf den Download-Button in der oberen rechten Ecke wird vom Server eine csv-Datei mit den ausgewählten Datensätzen generiert und zum Download bereitgestellt. Diese Datei kann von Texteditoren oder auch in Tabellenkalkulations-Programmen geöffnet werden. Da wir im Folgenden jedoch auch rechenlastige Aufgaben zur Verarbeitung der Daten durchführen wollen, soll der Datensatz mit einem Skript in der high-level Programmiersprache Python eingelesen, ausgewertet und dargestellt werden.

Wir öffnen die Daten dennoch zunächst in einem Texteditor, um die Struktur des Datensatzes erkennen zu können. Der standardmäßige Name der heruntergeladenen Datei lautet data.csv. In der ersten Zeile sind die Namen der in der Datei abgelegten Rohdaten bezeichnet. In den weiteren Zeilen finden wir die Rohdaten, jeweils pro Zeitschritt durch einen Zeilenumbruch getrennt. Innerhalb einer Zeile wird das Semikolon als Trennzeichen genutzt. Hierdurch können wir den Datensatz gedanklich in Zeilen und Spalten gliedern. Die ersten beiden Spalten einer jeden aus der Diagrammanzeige heruntergeladenen csv-Datei beinhalten die Zeitinformation, einmal als Unix-Code in Dezimaldarstellung, einmal in menschenlesbarer Darstellung. In den folgenden Spalten befinden sich die in der Diagrammanzeige ausgewählten Sensordaten. Falls sich in der heruntergeladenen Datei noch Daten vor oder nach dem 72h Zeitbereich von 22 Uhr bis 22 Uhr (UTC+0) befinden, können diese von Hand herausgelöscht werden.

Die ersten und letzten drei Zeilen mit Rohdaten aus der heruntergeladenen Datei data.csv werden hier abgedruckt. Nicht dargestellt sind die Namen der Datensätze.

2) Darstellung der Rohdaten mit Python

Nachdem wir die Struktur des Datensatzes erfasst haben, können wir versuchen, die Daten durch den Computer einlesen zu lassen und sie zunächst einmal unverändert darzustellen. Im Folgenden verwenden wir hierfür die kostenlose Programmiersprache Python 3 mit den Bibliotheken NumPy und Matplotlib. Python ist plattformübergreifend und vergleichsweise einfach zu lernen. Die hier vorgetragene Analysemethode könnte z.B. in Form einer Projektarbeit auch von technikaffinen Schülern erlernt, angewendet und durch eigene Ansätze erweitert werden.

Zunächst wird die Datei eingelesen, die Datensätze in NumPy-Arrays gespeichert und die Sensordaten zeitaufgelöst mit Matplotlib geplottet, siehe Abb. 2. Weil uns nur die relative Zeit interessiert, können wir die horizontale Zeitachse in Einheiten von Stunden gliedern, wobei 0h dem 09.06.2019 um 22 Uhr (UTC+0, Ortszeit in UTC+2: 10.06. 0 Uhr) entspricht. Da der Datensatz sowohl Temperatur als auch Gewichtsdaten enthält, werden zwei vertikale Achsen benötigt: eine in Einheiten von °C, die andere in Einheiten von kg. Eine Legende hilft, die farbcodiert geplotteten Datensätze den einzelnen Sensoren zuzuordnen. Zur besseren Orientierung wurden noch vertikale schwarze Linien im Abstand von 24h eingefügt, die den Tageswechsel um Mitternacht in Ortszeit markieren.

Der schwerste Schritt ist damit geschafft. Nachdem wir die Struktur des Datensatzes verstanden haben und die Daten korrekt darstellen konnten, gehen wir nun zur Analyse über. Vorher sei allerdings angemerkt, dass wir bereits durch einen genauen Blick auf die Temperaturverläufe der Stockinnensensoren eine Erkenntnis über die Position des Bienenvolkes innerhalb des eHives erhalten. Wie den geplotteten Verläufen zu entnehmen ist, bleibt die Temperatur der Sensoren 4 bis 6 annähernd konstant und schwankt im Tagesverlauf nur um ca. 3 °C um einen Mittelwert von ca. 35 °C. Diese Temperatur entspricht genau dem Wert, den das Bienenvolk zur Brut benötigt. Im Gegensatz dazu beträgt die Amplitude der Schwankung bei den Sensoren 1 bis 3 nahezu 10 °C. Dies lässt darauf schließen, dass sich das Volk hauptsächlich in der Nähe der Sensoren 4 bis 6 aufhält.

3) Untersuchung der Temperaturregulation

Wir möchten die beobachtete Temperaturregulation nun genauer untersuchen, als dies noch mit der Diagrammanzeige der BeeBIT-Website möglich war. Interessant ist der Unterschied zwischen Stockinnentemperatur und Außentemperatur abhängig von der Position innerhalb des eHives. Es werden beispielhaft die beiden Innensensoren 2 und 5 ausgewählt und die Innen-Außen-Differenz geplottet. Da wir eine allgemeine Aussage treffen möchten, die von einzelnen Ereignissen während der Datenerfassung möglichst unabhängig sein soll, mitteln wir über die drei Beobachtungstage, d.h. wir generieren aus jeweils drei Datenpunkten der drei Tage einen gemittelten Wert. Hierbei kommt uns die schnelle und intuitive Datenverarbeitung der NumPy-Bibliothek zu Hilfe. Der volle 72h Datensatz sowie der für eine Periode von 24h gemittelte Datensatz sind in Abb. 3 geplottet, wobei für beide eine gemeinsame Temperatur-Achse verwendet wird.

Aus den dargestellten Innen-Außen-Differenzen wird deutlich, dass das Bienenvolk die Stocktemperatur reguliert. Wir haben bereits argumentiert, dass das Volk sich um Sensor 5 herum aufhält. Nachts wird das Stockinnere geheizt, damit die Temperatur nicht wie in der Nähe von Sensor 2 den Außentemperaturen folgt und es für die Brut im Stock zu kalt werden würde. Zwischen 5 Uhr und 7 Uhr erreicht die Innen-Außen-Differenz im 3-Tages-Mittel bei Sensor 5 ein Maximum von ca. 14 °C. Ganz anders sieht es in den warmen Nachmittags- und Abendstunden aus: Hier sinkt die Temperaturdifferenz bei Sensor 5 unter die Werte bei Sensor 2. Wenn wir davon ausgehen, dass der Temperaturverlauf bei Sensor 2 den Außentemperaturen (bis auf einen konstanten Offset) nahezu ungestört folgt, so können wir schließen, dass das Bienenvolk um Sensor 5 die umgebenden Waben aktiv kühlt. Tatsächlich ist dieses Verhalten den Imkern bekannt. Es wurde beobachtet, dass Arbeiterinnen Wasser in den Stock eintragen. Dieses kann verdunsten und der Stock bleibt kühl. Wir dürfen also vermuten, dass wir dieses interessante Phänomen in den untersuchten Daten beobachten konnten!

4) Untersuchung der Gewichtänderungsrate

Nach der Untersuchung der Temperaturregulation im eHive möchten wir abschließend noch den Gewichtsverlauf näher betrachten. Wie bereits in der Diagrammanzeige der BeeBIT-Website zu erkennen ist, steigt das Stockgewicht im Verlauf der drei Tage von ca. 52.5 kg auf ca. 58.0 kg. Das Absolutgewicht des Stocks beinhaltet jedoch das Gewicht sämtlicher Komponenten (Zarge, Sensoren, Technik, Biomasse). Interessanter ist eine Größe, die die relative Änderung des Gewichts dokumentiert: die Änderungsrate, d.h. die Zeitableitung des Gewichtsverlaufs. Diese Größe kann berechnet werden, indem wir die Differenz zweier benachbarter Datenpunkte bilden und durch die Dauer des Zeitschritts teilen. Plotten wir die Änderungsrate (Abb. 4, oben) so stellen wir fest, dass das Messsignal sehr verrauscht ist. Zwar wird das Rauschen geringer, wenn erneut das Drei-Tages-Mittel berechnet wird, doch können wir mit diesen Daten noch keine Aussage über den Gewichtsverlauf treffen.

Wünschenswert wäre eine Bearbeitung, die das Rauschen aus dem Signal entfernen kann, ohne die Aussage der Messwerte allzu sehr abzuschwächen. Eine bekannte Methode zur Rauschunterdrückung in der Signalverarbeitung ist die Anwendung von Signalfiltern. Wir werden den sog. Gauß-Filter auf das Signal anwenden. Hierzu werden aus den Datenpunkten Interpolationspunkte berechnet. Die einzelnen Datenpunkte, die zur Berechnung eines Interpolationspunkts genutzt werden, werden jedoch unterschiedlich stark gewichtet. Ein Datenpunkt der zeitlich nahe dem Interpolationspunkt liegt, wird stärker gewichtet als ein Datenpunkt viele Minuten oder gar Stunden entfernt. Die Gewichtung entspricht hierbei einer Gaußschen Glockenkurve, die über dem jeweiligen Interpolationspunkt zentriert ist. Details zur Interpolation und dem verwendeten Algorithmus sind am Ende des Beitrags in Form einer erläuternden PDF-Datei verlinkt.

In den geglätteten Kurven (Abb. 4, unten) können wir erkennen, dass insbesondere am Abend zwischen 16 Uhr und 20 Uhr das Gewicht des Stocks mit bis zu 0.3 kg/h stark ansteigt. Insgesamt ist eine positive Bilanz der Änderungsrate zu beobachten, d.h. im Tagesmittel ist die Änderungsrate größer null. Dies führt effektiv zu einer Zunahme des Stockgewichts, die wir bereits zu Beginn der Analyse feststellen konnten. Überraschend ist der starke Ausschlag am frühen Morgen: Nachdem das Gewicht zuerst mit bis zu -0.4 kg/h stark abnimmt, steigt es kurz darauf erneut mir bis zu +0.5 kg/h an. Um 9 Uhr morgens ist die Änderungsrate dann wieder auf ca. 0.0 kg/h gesunken. Der Effekt kann an allen drei Tagen des Beobachtungszeitraums festgestellt werden und findet sich entsprechend auch im Drei-Tages-Mittel wieder. Meikle et al. interpretierten das starke Absinken bei Tagesanbruch als Aufwachphase des Bienenvolkes. Während die Arbeiterinnen sich für den ersten Ausflug vorbereiten (und dabei Nahrung verbrauchen) und dann nach und nach den Stock verlassen, sinkt das Gewicht. Der darauffolgende kurzzeitige starke Anstieg ist in der Publikation von Meikle et al. jedoch so nicht zu finden. Vorstellbar wäre z.B., dass die Bienen Wasser in den Stock eintragen. Vielleicht hat die Gewichtsänderung aber auch keine biologische Ursache, sondern entsteht durch sich auf dem Stockäußeren niederschlagenden Morgentau. Ein schnelles Nachsehen in der Diagrammanzeige der BeeBIT-Website könnte diese zweite Vermutung bekräftigen: Genau zu der Zeit, zu der die Gewichtänderungsrate nach dem Aufwachprozess stark ansteigt, erreicht die Außenfeuchte an allen drei Tagen des Beobachtungszeitraums ein Maximum mit Werten von bis zu 80 %.

5) Zusammenfassung

Wir haben einen Datensatz aus der BeeBIT-Diagrammanzeige exportiert und mit einem Python-Skript verarbeitet und dargestellt. Insbesondere die Temperaturregulation im Stockinneren sowie der Gewichtsverlauf wurden näher untersucht. Es wurden numerisch die Differenz zweier Innentemperatur-Datensätze zur Außentemperatur, sowie die Zeitableitung des Gewichtsverlaufs gebildet. Auf letztere wurde ein Gauß-Filter angewendet, um das Rauschen des Messsignals zu unterdrücken. Die gezeigten Methoden sollen exemplarisch für denkbare Analyseansätze stehen. Solche Ansätze werden in der wissenschaftlichen Forschung genutzt, können jedoch auch von Schülern und Laien entwickelt werden. Die eHives stellen hierbei interessante und anschaulich interpretierbare Datensätze zur Verfügung. Die durchgeführten Datenanalysen können in Komplexität und Schwierigkeitsgrad beliebig variiert werden. Auch die Arbeit mit nur einem kleinen Datensatz in einem leicht zu bedienenden Tabellenkalkulations-Programm kann bereits neue Erkenntnisse hervorbringen. (Ein für den Schulunterricht geeignetes Beispiel ist auf der BeeBIT-Website im Bereich der Unterrichtsmaterialien unter dem Titel Datenauswertung mit einfachen Funktionen und Diagrammen zu finden. Dort werden Daten zu Außentemperatur und Niederschlag in einer Excel-Arbeitsmappe aufbereitet und visualisiert.) Tiefergehende numerische Analysen, wie sie z.B. in Projektarbeiten von älteren Schülern oder Studenten durchgeführt werden können, erlauben eine eingehende Beschäftigung mit den biologischen Aspekten der gesammelten Daten sowie den technischen Methodiken.

Wenn Sie, lieber Leser, Interesse bekommen haben, dann probieren Sie es gleich selbst einmal aus. Laden Sie sich einen Datensatz aus der Diagrammanzeige herunter, öffnen Sie ihn mit einem Programm Ihrer Wahl und schauen Sie genauer hin, als das noch auf der Website möglich war. Wie zu Beginn des Beitrags versprochen: Häufig lohnt sich ein zweiter Blick.

Wenn Sie Hilfe benötigen, Fragen zu diesem Beitrag haben oder sogar selbst schon einige Erkenntnisse anhand der Daten gewinnen konnten, dürfen Sie gerne Kontakt zu uns aufnehmen.

Ergänzende Materialien

• dieser Blog-Beitrag als PDF: export_und_auswertung.pdf
• verwendete Rohdaten: data.csv
• vollständiges Python-Skript: export_and_analysis.py
• Erläuterungen zur Methodik und deren Implementation: export_and_analysis_supportingmaterial.pdf (nur in englischer Sprache verfügbar)

(cw) 2019-07-20

Neu gestaltete Website

Zum ersten März wurde unter unsrigen bisherigen Webadresse https://beebit.de eine neu gestaltete Website veröffentlicht. Die Diagrammanzeige sowie das Unterrichtseinheiten-Verwaltungssystem bleiben hiervon unberührt.

Es war uns bereits seit vielen Monaten ein Anliegen, die Website neu zu gestalten und die dort veröffentlichten Informationen zu erneuern und zu ergänzen. Mit der neuen Website erfolgte gleichzeitig eine Umstellung auf ein Blog-System, in dem kleinere und größere Neuigkeiten unkompliziert veröffentlicht werden können. Unter https://beebit.de/de/blog finden Sie lesenswerte Texte der bisher versendeten Newsletter. In Zukunft werden wir die dort neu veröffentlichten Texte in regelmäßigeren Abständen zu großen Newslettern zusammenschnüren. Dies bietet den Vorteil, dass Sie Neuigkeiten nicht erst mit Erhalt eines Newsletters erfahren, sondern bereits zuvor auf die Artikel im Blog zugreifen können.

Die Startseite der Website enthält zudem ein neues Feature: eine Tabelle mit Angaben zur Funktionsfähigkeit sämtlicher eHives. Wie Sie sicherlich bemerkt haben, senden nicht alle eHives Daten. Wir haben im Rahmen der Tabelle versucht, die Gründe hierfür transparent zu machen. Die Tabelle wird regelmäßig aktualisiert.

Auf der alten Website waren sämtliche bisher veröffentlichten Newsletter abrufbar. Das Blog-System macht die alten Newsletter nun weitgehend obsolet. Falls Sie dennoch auf die alten Newsletter zugreifen möchten, klicken Sie auf folgende Links. Sie werden zu den entsprechenden PDF-Dateien auf unserem Server weitergeleitet.

• Newsletter_2015_08_EN.pdf
• Newsletter_2015_08_DE.pdf
• Newsletter_2015_11_EN.pdf
• Newsletter_2015_11_DE.pdf
• Newsletter_2017_01_EN.pdf
• Newsletter_2017_01_DE.pdf
• Newsletter_2017_04_EN.pdf
• Newsletter_2017_04_DE.pdf
• Newsletter_2019_03_EN.pdf
• Newsletter_2019_03_DE.pdf

Bitte beachten Sie, dass die alten Newsletter teilweise veraltete Informationen enthalten. Aktuelle Informationen zum eHive-Projekt finden Sie z.B. im FAQ der Website.

(cw) 2019-03-01