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

Resumen Técnico: Pronóstico Integrado con el Clima de Helicoverpa armigera mediante Modelos ARIMA y ANN

Planteamiento del Problema
Helicoverpa armigera (Hübner) es una plaga altamente polífaga y migratoria que causa pérdidas significativas de rendimiento en diversos sistemas de cultivo, particularmente en la región de Tarai en Uttarakhand, India. Su dinámica poblacional está fuertemente influenciada por la variabilidad climática, incluyendo la temperatura, la humedad y las precipitaciones. Si bien el Manejo Integrado de Plagas (MIP) ofrece una alternativa sostenible al control químico indiscriminado, su éxito depende de pronósticos precisos y oportunos para activar intervenciones antes de que las poblaciones de plagas alcancen los umbrales económicos. A pesar de la necesidad crítica de capacidades predictivas en las condiciones agroclimáticas subtropicales húmedas de Pantnagar, los esfuerzos sistemáticos de pronóstico a largo plazo utilizando enfoques avanzados de series temporales y aprendizaje automático han sido limitados.

Metodología
El estudio desarrolló y comparó dos marcos de modelado distintos para pronosticar las poblaciones de adultos de H. armigera utilizando una década (2015–2025) de datos semanales de trampas de feromonas y variables meteorológicas asociadas (temperatura media, humedad relativa, precipitación y horas de sol).

1. Preprocesamiento de Datos: Los datos de series temporales semanales fueron inspeccionados en busca de tendencias y anomalías. Los valores atípicos fueron corregidos mediante imputación o eliminación. La estacionariedad se evaluó mediante la prueba de Dickey–Fuller Aumentada (ADF), aplicando diferenciación donde fue necesario para el modelado ARIMA. Para el análisis de Redes Neuronales Artificiales (ANN), las características de entrada fueron normalizadas mediante el escalado min–max.
2. Enfoques de Modelado:
   • ARIMA: Se ajustó un modelo de Media Móvil Integrada Autorregresiva para capturar dependencias temporales lineales y estacionalidad. La selección del modelo se basó en la minimización del Criterio de Información de Akaike (AIC) y el Criterio de Información Bayesiano (BIC). La configuración óptima identificada fue ARIMA (1, 0, 1) (1, 0, 2).
   • ANN: Se entrenó un perceptrón multicapa de alimentación hacia adelante para capturar las relaciones no lineales entre los datos rezagados de la población de la plaga y los predictores meteorológicos. La arquitectura óptima identificada fue 7-26-1 (7 neuronas de entrada, 26 neuronas ocultas, 1 neurona de salida), utilizando la activación ReLU en las capas ocultas y una activación lineal en la capa de salida. El entrenamiento empleó el optimizador Adam con parada temprana para prevenir el sobreajuste.
3. Validación: Los datos se particionaron en un 80% para entrenamiento y un 20% para prueba, preservando el orden cronológico. El desempeño del modelo fue evaluado utilizando el Error Porcentual Absoluto Medio (MAPE), la Raíz del Error Cuadrático Medio (RMSE), el Error Absoluto Medio (MAE), el Error Escalado Absoluto Medio (MASE) y el Coeficiente de Determinación ($R^2$). Se realizaron diagnósticos de residuos (gráficos ACF, gráficos QQ) para asegurar que los residuos se aproximaran al ruido blanco.

Resultados Clave

• Desempeño del Modelo: El modelo ARIMA (1, 0, 1) (1, 0, 2) exhibió la mayor confiabilidad predictiva general con el $R^2$ más alto (0.76) y el MAPE más bajo (107.91), aunque tuvo un RMSE más alto (6.62). En contraste, el modelo ANN (7-26-1) logró un $R^2$ menor (0.644) pero demostró una precisión predictiva a corto plazo superior para métricas específicas, produciendo un RMSE (3.63) y un MAE (2.144) más bajos en comparación con ARIMA (RMSE = 6.62, MAE = 2.67).
• Diferencias de Comportamiento:
  • El modelo ARIMA caracterizó eficazmente las tendencias estacionales a largo plazo y proporcionó una representación suave de las variaciones interanuales. Sin embargo, tendió a subestimar los picos poblacionales abruptos y exhibió intervalos de confianza más amplios durante los periodos de brote.
  • El modelo ANN capturó con éxito las fluctuaciones no lineales y los picos poblacionales agudos, demostrando una mayor sensibilidad a las interacciones complejas entre las variables meteorológicas y la actividad de la plaga. Aunque ocasionalmente sobreestimó las magnitudes de los picos, siguió las tendencias observadas más de cerca durante los periodos de alta incidencia, resultando en magnitudes de error menores (RMSE y MAE) para el pronóstico a corto plazo a pesar de un $R^2$ general más bajo.
• Pronóstico: Los pronósticos para 2025–2027 indicaron patrones estacionales recurrentes consistentes con el ciclo de vida multivoltino de H. armigera, con picos predichos durante la primavera (marzo–abril) y la post-monzón (octubre–noviembre). El modelo ANN generó predicciones más dinámicas y sensibles a las entradas ambientales cíclicas, mientras que ARIMA proporcionó estimaciones conservadoras y estables.

Significancia y Reivindicaciones
Los autores sostienen que, si bien los modelos ARIMA siguen siendo valiosos para interpretar la periodicidad subyacente y las tendencias a largo plazo (evidenciado por su mayor $R^2$), los modelos ANN ofrecen una mayor precisión y adaptabilidad para el pronóstico en tiempo real y a corto plazo de H. armigera en la región de Pantnagar, como lo indica su menor RMSE y MAE. El estudio destaca el valor de los modelos ANN como sistemas de alerta temprana prácticos dentro de los programas de MIP para capturar la dinámica poblacional no lineal. Al integrar modelos de pronóstico basados en el clima en la vigilancia de plagas, los sistemas agrícolas pueden transicionar de estrategias de gestión reactivas a preventivas. Este enfoque tiene como objetivo optimizar el tiempo de las medidas de control, reducir las aplicaciones innecesarias de pesticidas y minimizar las pérdidas de cultivos, apoyando así la protección sostenible de los cultivos y la seguridad alimentaria en el norte de la India. La investigación llena un vacío en los marcos de pronóstico cuantitativo para esta zona agroclimática específica, ofreciendo una referencia para mejorar la gestión de precisión de plagas bajo regímenes climáticos variables.