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

Technisches Resümee: Wetterintegrierte Vorhersage von Helicoverpa armigera unter Verwendung von ARIMA- und ANN-Modellen

Problemstellung
Helicoverpa armigera (Hübner) ist ein hochpolyphager und migrierender Schädling, der erhebliche Ernteverluste in vielfältigen Anbausystemen verursacht, insbesondere in der Tarai-Region von Uttarakhand, Indien. Seine Populationsdynamik wird stark durch klimatische Variabilität beeinflusst, einschließlich Temperatur, Luftfeuchtigkeit und Niederschlag. Während der Integrierte Pflanzenschutz (IPM) eine nachhaltige Alternative zur wahllosen chemischen Bekämpfung bietet, hängt sein Erfolg von einer genauen, rechtzeitigen Vorhersage ab, um Interventionen einzuleiten, bevor die Schädlingspopulationen ökonomische Schwellenwerte erreichen. Trotz des kritischen Bedarfs an Vorhersagemöglichkeiten unter den humid-subtropischen agroklimatischen Bedingungen von Pantnagar waren systematische langfristige Vorhersagebemühungen unter Nutzung fortschrittlicher Zeitreihen- und maschineller Lernansätze bisher begrenzt.

Methodik
Die Studie entwickelte und verglich zwei unterschiedliche Modellierungsrahmen zur Vorhersage der Adultenpopulationen von H. armigera unter Verwendung von ein Jahrzehnt (2015–2025) umfassender wöchentlicher Pheromonfallen-Daten und der zugehörigen Wettervariablen (mittlere Temperatur, relative Luftfeuchtigkeit, Niederschlag und Sonnenstunden).

1. Datenvorverarbeitung: Wöchentliche Zeitreihendaten wurden auf Trends und Anomalien untersucht. Ausreißer wurden mittels Imputation oder Entfernung korrigiert. Die Stationarität wurde mittels des Augmented Dickey–Fuller (ADF)-Tests überprüft, wobei Differenzierung für die ARIMA-Modellierung angewendet wurde. Für die Analyse des Künstlichen Neuronalen Netzes (ANN) wurden die Eingangsmerkmale mittels Min-Max-Skalierung normalisiert.
2. Modellierungsansätze:
   • ARIMA: Ein Autoregressives Integriertes Moving-Average-Modell wurde angepasst, um lineare zeitliche Abhängigkeiten und Saisonalität zu erfassen. Die Modellauswahl erfolgte durch Minimierung des Akaike-Informationskriteriums (AIC) und des Bayesianischen Informationskriteriums (BIC). Die identifizierte optimale Konfiguration war ARIMA (1, 0, 1) (1, 0, 2).
   • ANN: Ein Feed-Forward-Multilayer-Perzeptron wurde trainiert, um nichtlineare Beziehungen zwischen verzögerten (lagged) Schädlingspopulationsdaten und Wetterprädiktoren zu erfassen. Die optimale Architektur war identifiziert als 7-26-1 (7 Eingangsneuronen, 26 verborgene Neuronen, 1 Ausgangsneuron), unter Verwendung der ReLU-Aktivierungsfunktion in den verborgenen Schichten und einer linearen Aktivierung in der Ausgangsschicht. Das Training erfolgte mit dem Adam-Optimizer und Early Stopping, um Overfitting zu verhindern.
3. Validierung: Die Daten wurden in 80 % für das Training und 20 % für das Testen aufgeteilt, wobei die chronologische Reihenfolge beibehalten wurde. Die Modellleistung wurde mittels MAPE (Mean Absolute Percentage Error), RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), MASE (Mean Absolute Scaled Error) und dem Bestimmtheitsmaß ($R^2$) bewertet. Diagnosen der Residuen (ACF-Plots, QQ-Plots) wurden durchgeführt, um sicherzustellen, dass die Residuen weißes Rauschen approximieren.

Kernergebnisse

• Modellleistung: Das ARIMA (1, 0, 1) (1, 0, 2)-Modell wies die höchste Gesamtvorhersagezuverlässigkeit mit dem höchsten $R^2$ (0,76) und dem niedrigsten MAPE (107,91) auf, hatte jedoch einen höheren RMSE (6,62). Im Gegensatz dazu erreichte das ANN (7-26-1)-Modell ein niedrigeres $R^2$ (0,644), demonstrierte jedoch eine überlegene kurzfristige Vorhersagegenauigkeit für spezifische Metriken mit einem niedrigeren RMSE (3,63) und MAE (2,144) im Vergleich zu ARIMA (RMSE = 6,62, MAE = 2,67).
• Verhaltensunterschiede:
  • Das ARIMA-Modell charakterisierte effektiv langfristige saisonale Trends und lieferte eine geglättete Darstellung interannueller Variationen. Es neigte jedoch dazu, abrupte Populationsspitzen zu unterschätzen, und wies während Ausbruchsperioden weitere Konfidenzintervalle auf.
  • Das ANN-Modell erfasste erfolgreich nichtlineare Fluktuationen und scharfe Populationsspitzen und zeigte eine höhere Sensitivität gegenüber komplexen Interaktionen zwischen Wettervariablen und Schädlingsaktivität. Obwohl es gelegentlich die Spitzenmagnituden überschätzte, folgte es den beobachteten Trends während Phasen hoher Inzidenz enger, was trotz eines niedrigeren Gesamt-$R^2$ zu geringeren Fehlermargen (RMSE und MAE) bei der kurzfristigen Vorhersage führte.
• Vorhersage: Die Prognosen für 2025–2027 deuteten auf wiederkehrende saisonale Muster hin, die konsistent mit dem multivoltinen Lebenszyklus von H. armigera sind, mit vorhergesagten Spitzen im Frühjahr (März–April) und nach dem Monsun (Oktober–November). Das ANN-Modell generierte dynamischere Vorhersagen, die auf zyklische Umgebungseinflüsse reagierten, während ARIMA konservative, stabile Schätzungen lieferte.

Bedeutung und Ansprüche
Die Autoren behaupten, dass ARIMA-Modelle weiterhin wertvoll für die Interpretation zugrunde liegender Periodizität und langfristiger Trends sind (belegt durch ihr höheres $R^2$), ANN-Modelle jedoch eine verbesserte Präzision und Adaptivität für die Echtzeit-Kurzfristprognose von H. armigera in der Pantnagar-Region bieten, wie durch ihren niedrigeren RMSE und MAE ersichtlich ist. Die Studie hebt den Wert von ANN-Modellen als praktische Frühwarnsysteme innerhalb von IPM-Programmen hervor, um nichtlineare Populationsdynamiken zu erfassen. Durch die Integration wetterbasierter Vorhersagemodelle in die Schädlingsüberwachung können Agrarsysteme von reaktiven zu präventiven Managementstrategien übergehen. Dieser Ansatz zielt darauf ab, den Zeitpunkt von Kontrollmaßnahmen zu optimieren, unnötige Pestizidanwendungen zu reduzieren und Ernteverluste zu minimieren, wodurch ein nachhaltiger Pflanzenschutz in Nordindien unterstützt wird. Die Forschung schließt eine Lücke in quantitativen Vorhersagerahmen für diese spezifische agroklimatische Zone und bietet eine Referenz zur Verbesserung des präzisen Schädlingsmanagements unter variablen klimatischen Regimen.