Οι μέλισσες είναι γνωστό πως έχουν πρωταγωνιστικό ρόλο στην ύπαρξη ζωής στον πλανήτη λόγο της επικονίασης πολλών φυτών και καλλιεργειών. Η κλιματική αλλαγή είναι ίσως η σοβαρότερη απειλή που τις επηρεάζει καθώς η παραγωγικότητα και η συμπεριφορά τους επηρεάζονται σε μεγάλο βαθμό από τις καιρικές διακυμάνσεις. Στην παρούσα μελέτη, κατασκευάστηκε ένα προγνωστικό μοντέλο, μέσω του αλγόριθμου μηχανικής μάθησης Random Forest, για πρόβλεψη της ετήσιας παραγωγής μελιού. Αναλύθηκαν δεδομένα απόδοσης μελιού έντεκα ετών (2012-2022) για να εκτιμηθεί ο αντίκτυπος των καιρικών συνθηκών στην απόδοση του μελιού στο νησί των Κυθήρων. Τα αποτελέσματα δείχνουν ότι η θερμοκρασία η υγρασία και οι παράμετροι που σχετίζονται με το νερό, επηρεάζουν σημαντικά την παραγωγικότητα των μελισσών. Οι 4 κύριοι παράγοντες με την υψηλότερη σημαντικότητα σύμφωνα με το μοντέλο πρόβλεψης που κατασκευάστηκε στην παρούσα εργασία είναι αυτός της διακύμανσης της θερμοκρασίας του Μαΐου, η μέγιστη θερμοκρασία Απριλίου, η διακύμανση της ειδικής υγρασίας κατά την περίοδο της ανθοφορίας (25 Μαΐου με 30 Ιουνίου)  και η μέση τιμή της ειδικής υγρασίας τον Μάιο. Τέλος η ακρίβεια (accuracy) του μοντέλου είναι 0.5 αφήνοντας σημαντικά περιθώρια βελτίωσης.

Bees are known to have a leading role in the existence of life on the planet due to the pollination of many plants and crops. Climate change is perhaps the most serious threat affecting them as their productivity and behavior are greatly affected by weather fluctuations. In the present study, a predictive model was constructed, through the Random Forest machine learning algorithm, to predict annual honey production. Eleven years of honey yield data (2012-2022) were analyzed to assess the impact of weather conditions on honey yield on the island of Kythira. The results show that temperature, humidity and water-related parameters significantly affect bee productivity. The 4 main factors with the highest importance according to the prediction model that constructed in this study are that of the variation of May temperature, the maximum temperature of April, the variation of specific humidity during the flowering period (25 May to 30 June) and the average value of specific humidity in May. Finally, the accuracy of the model is 0.5, leaving significant room for improvement.