Я бы начала с анализа временных рядов – возможно, модель АРИМА или Prophet, чтобы учесть сезонные колебания температуры и осадков. Потом добавила бы несколько объясняющих факторов, например, количество цветущих растений или количество пыльцы, и использовала случайный лес или градиентный бустинг, чтобы выявить нелинейные взаимосвязи. Если удастся получить данные о пчелиных ульях в реальном времени, то байесовская иерархическая модель позволит объединить информацию о погоде с наблюдениями по каждому улью. Важно не перегружать набор признаков, чтобы избежать переобучения, и проверять модель перекрестной валидацией по годам. Это даст тебе хороший фундамент, который можно будет дорабатывать по мере сбора новых данных.