Weather Integrated Forecasting of Helicoverpa armigera using ARIMA and ANN Models Trained on a Decade of Pheromone Trap Data

ملخص تقني: التنبؤ المتكامل مع الطقس لحشرة Helicoverpa armigera باستخدام نماذج ARIMA وANN

بيان المشكلة
تُعد حشرة Helicoverpa armigera (هوبنر) آفة متعددة العوائل ومهاجرة للغاية، تسبب خسائر كبيرة في المحاصيل في أنظمة زراعية متنوعة، لا سيما في منطقة تاراي في أوتاراخاند، الهند. وتتأثر ديناميكيات تعدادها بشكل كبير بالتقلبات المناخية، بما في ذلك درجة الحرارة، والرطوبة، وهطول الأمطار. وبينما توفر الإدارة المتكاملة للآفات (IPM) بديلاً مستدامًا للسيطرة الكيميائية العشوائية، فإن نجاحها يعتمد على التنبؤ الدقيق وفي الوقت المناسب لتحفيز التدخلات قبل وصول تعداد الآفات إلى العتبات الاقتصادية. ورغم الحاجة الماسة لقدرات تنبؤية في الظروف المناخية الزراعية شبه الاستوائية الرطبة في بانتناغار، إلا أن جهود التنبؤ المنهجي طويل الأمد باستخدام مناهج السلاسل الزمنية المتقدمة والتعلم الآلي كانت محدودة.

المنهجية
طورت الدراسة وقارنت بين إطارين نموذجيين متميزين للتنبؤ بتعداد حشرة H. armigera البالغة باستخدام بيانات المصائد الفيرومونية الأسبوعية (2015–2025) والمتغيرات الجوية المرتبطة بها (متوسط درجة الحرارة، الرطوبة النسبية، هطول الأمطار، وساعات سطوع الشمس).

1. المعالجة المسبقة للبيانات: تم فحص بيانات السلاسل الزمنية الأسبوعية بحثًا عن الاتجاهات والشذوذ. وتم تصحيح القيم المتطرفة عبر الاستكمال أو الإزالة. كما تم تقييم الاستقرار باستخدام اختبار "أوغمنتد ديكي-فيلر" (ADF)، مع تطبيق التفاضل (differencing) عند الضرورة لنمذجة ARIMA. وبالنسبة لتحليل الشبكة العصبية الاصطناعية (ANN)، تم تطبيع مدخلات الميزات باستخدام مقياس (min–max).
2. مناهج النمذجة:
   • نموذج ARIMA: تم تطبيق نموذج المتوسطات المتحركة التكاملية ذاتية الانحدار (Autoregressive Integrated Moving Average) لالتقاط التبعيات الزمنية الخطية والموسمية. استند اختيار النموذج إلى تقليل معيار "أكايكي" (AIC) ومعيار "بيزيان" للمعلومات (BIC). وقد تم تحديد التكوين الأمثل وهو ARIMA (1, 0, 1) (1, 0, 2).
   • نموذج ANN: تم تدريب مدرك متعدد الطبقات (multilayer perceptron) ذي تغذية أمامية لالتقاط العلاقات غير الخطية بين بيانات تعداد الآفات المتأخرة والمتنبئات الجوية. تم تحديد البنية المثلى وهي 7-26-1 (7 عصبونات مدخلة، 26 عصبونًا خفيًا، وعصبون مخرج واحد)، باستخدام دالة التنشيط ReLU في الطبقات الخفية ودالة تنشيط خطية في طبقة المخرج. استخدمت عملية التدريب مُحسِّن "Adam" مع خاصية التوقف المبكر لمنع الإفراط في التخصيص (overfitting).
3. التحقق من الصحة: تم تقسيم البيانات إلى 80% للتدريب و20% للاختبار، مع الحفاظ على الترتيب الزمني. تم تقييم أداء النموذج باستخدام متوسط الخطأ المطلق المئوي (MAPE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومتوسط الخطأ المطلق المقياس (MASE)، ومعامل التحديد ($R^2$). كما أُجريت تشخيصات البواقي (مخططات ACF، ومخططات QQ) لضمان أن البواقي تقترب من الضوضاء البيضاء.

النتائج الرئيسية

• أداء النموذج: أظهر نموذج ARIMA (1, 0, 1) (1, 0, 2) أعلى موثوقية تنبؤية إجمالية بأعلى معامل تحديد ($R^2 = 0.76$) وأقل متوسط خطأ مئوي مطلق (MAPE = 107.91)، رغم امتلاكه أعلى جذر متوسط مربع خطأ (RMSE = 6.62). في المقابل، حقق نموذج ANN (7-26-1) معامل تحديد أقل ($R^2 = 0.644$) ولكنه أظهر دقة تنبؤية فائقة قصيرة المدى لمقاييس محددة، حيث سجل قيمًا أقل لـ RMSE (3.63) وMAE (2.144) مقارنة بـ ARIMA (RMSE = 6.62, MAE = 2.67).
• الاختلافات السلوكية:
  • نجح نموذج ARIMA في توصيف الاتجاهات الموسمية طويلة المدى وتوفير تمثيل سلس للتباينات بين السنوات. ومع ذلك، مال إلى التقليل من تقدير ذروات التعداد المفاجئة وأظهر فترات ثقة أوسع خلال فترات التفشي.
  • نجح نموذج ANN في التقاط التقلبات غير الخطية وذروات التعداد الحادة، مما أظهر حساسية أعلى للتفاعلات المعقدة بين متغيرات الطقس ونشاط الآفات. ورغم أنه بالغ أحيانًا في تقدير حجم الذروات، إلا أنه تتبع الاتجاهات المرصودة بشكل أوثق خلال فترات الإصابة العالية، مما نتج عنه أحجام خطأ أقل (RMSE وMAE) للتنبؤ قصير المدى رغم انخفاض معامل التحديد الإجمالي ($R^2$).
• التنبؤ: أشارت التنبؤات للفترة 2025–2027 إلى أنماط موسمية متكررة تتفق مع دورة الحياة متعددة الأجيال لـ H. armigera، مع توقع ذروات خلال الربيع (مارس–أبريل) وما بعد الموسم الموسمي (أكتوبر–نوفمبر). أنتج نموذج ANN تنبؤات أكثر ديناميكية واستجابة للمدخلات البيئية الدورية، بينما قدم نموذج ARIMA تقديرات محافظة ومستقرة.

الأهمية والادعاءات
يؤكد المؤلفون أنه بينما تظل نماذج ARIMA قيمة لتفسير الدورية الأساسية والاتجاهات طويلة المدى (كما هو موضح في معامل التحديد $R^2$ الأعلى)، فإن نماذج ANN توفر دقة وقدرة أكبر على التكيف للتنبؤ قصير المدى واللحظي لـ H. armigera في منطقة بانتناغار، كما هو موضح في قيم RMSE وMAE الأقل. تسلط الدراسة الضوء على قيمة نماذج ANN كأنظمة إنذار مبكر عملية ضمن برامج الإدارة المتكاملة للآفات (IPM) لالتقاط ديناميكيات التعداد غير الخطية. ومن خلال دمج نماذج التنبؤ القائمة على الطقس في مراقبة الآفات، يمكن للأنظمة الزراعية الانتقال من استراتيجيات الإدارة التفاعلية إلى الاستراتيجيات الوقائية. يهدف هذا النهج إلى تحسين توقيت إجراءات السيطرة، وتقليل استخدام المبيدات غير الضروري، وتقليل خسائر المحاصيل، مما يدعم حماية المحاصيل المستدامة والأمن الغذائي في شمال الهند. يسد هذا البحث فجوة في أطر التنبؤ الكمي لهذا النطاق المناخي الزراعي المحدد، ويقدم مرجعًا لتحسين الإدارة الدقيقة للآفات تحت الأنظمة المناخية المتغيرة.