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

Résumé Technique : Prévision de Helicoverpa armigera intégrée aux données météorologiques à l'aide des modèles ARIMA et ANN

Énoncé du problème
Helicoverpa armigera (Hübner) est un ravageur hautement polyphage et migrateur causant des pertes de rendement significatives dans divers systèmes de culture, particulièrement dans la région de la Tarai de l'Uttarakhand, en Inde. La dynamique de sa population est fortement influencée par la variabilité climatique, notamment la température, l'humidité et les précipitations. Bien que la lutte intégrée contre les ennemis des cultures (PII) offre une alternative durable au contrôle chimique indiscriminé, son succès repose sur des prévisions précises et opportunes pour déclencher des interventions avant que les populations de ravageurs n'atteignent les seuils économiques. Malgré le besoin critique de capacités prédictives dans les conditions agro-climatiques subtropicales humides de Pantnagar, les efforts systématiques de prévision à long terme utilisant des approches avancées de séries temporelles et d'apprentissage automatique sont restés limités.

Méthodologie
L'étude a développé et comparé deux cadres de modélisation distincts pour prévoir les populations d'adultes d'H. armigera en utilisant une décennie (2015–2025) de données hebdomadaires de pièges à phéromones et les variables météorologiques associées (température moyenne, humidité relative, précipitations et heures d'ensoleillement).

1. Prétraitement des données : Les données de séries temporelles hebdomadaires ont été inspectées pour identifier les tendances et les anomalies. Les valeurs aberrantes ont été corrigées par imputation ou suppression. La stationnarité a été évaluée à l'aide du test de Dickey–Fuller augmenté (ADF), avec application de différenciation si nécessaire pour la modélisation ARIMA. Pour l'analyse par réseau de neurones artificiels (ANN), les caractéristiques d'entrée ont été normalisées par mise à l'échelle min-max.
2. Approches de modélisation :
   • ARIMA : Un modèle de moyenne mobile autorégressive intégrée (ARIMA) a été ajusté pour capturer les dépendances temporelles linéaires et la saisonnalité. La sélection du modèle a été basée sur la minimisation du critère d'information d'Akaike (AIC) et du critère d'information bayésien (BIC). La configuration optimale identifiée était ARIMA (1, 0, 1) (1, 0, 2).
   • ANN : Un perceptron multicouche à propagation avant (feed-forward) a été entraîné pour capturer les relations non linéaires entre les données de population de ravageurs décalées et les prédicteurs météorologiques. L'architecture optimale identifiée était 7-26-1 (7 neurones d'entrée, 26 neurones cachés, 1 neurone de sortie), utilisant une activation ReLU dans les couches cachées et une activation linéaire dans la couche de sortie. L'entraînement a utilisé l'optimiseur Adam avec un arrêt précoce (early stopping) pour éviter le surapprentissage.
3. Validation : Les données ont été partitionnées en 80 % pour l'entraînement et 20 % pour le test, en préservant l'ordre chronologique. La performance des modèles a été évaluée à l'aide de l'erreur de pourcentage absolue moyenne (MAPE), de l'erreur quadratique moyenne (RMSE), de l'erreur absolue moyenne (MAE), de l'erreur absolue moyenne scalée (MASE) et du coefficient de détermination ($R^2$). Des diagnostics de résidus (graphiques ACF, graphiques QQ) ont été effectués pour s'assurer que les résidus approchaient un bruit blanc.

Résultats clés

• Performance des modèles : Le modèle ARIMA (1, 0, 1) (1, 0, 2) a présenté la fiabilité prédictive globale la plus élevée avec le $R^2$ le plus élevé (0,76) et le MAPE le plus bas (107,91), bien qu'il présente une RMSE plus élevée (6,62). En revanche, le modèle ANN (7-26-1) a obtenu un $R^2$ plus faible (0,644) mais a démontré une précision prédictive à court terme supérieure pour des mesures spécifiques, produisant une RMSE (3,63) et une MAE (2,144) plus faibles que l'ARIMA (RMSE = 6,62, MAE = 2,67).
• Différences comportementales :
  • Le modèle ARIMA a caractérisé efficacement les tendances saisonnières à long terme et a fourni une représentation lissée des variations interannuelles. Cependant, il avait tendance à sous-estimer les pics de population abrupts et présentait des intervalles de confiance plus larges lors des périodes d'infestation.
  • Le modèle ANN a réussi à capturer les fluctuations non linéaires et les pics de population brusques, démontrant une plus grande sensibilité aux interactions complexes entre les variables météorologiques et l'activité des ravageurs. Bien qu'il ait occasionnellement surestimé l'ampleur des pics, il a suivi les tendances observées de plus près lors des périodes de forte incidence, résultant en des magnitudes d'erreur plus faibles (RMSE et MAE) pour les prévisions à court terme malgré un $R^2$ global inférieur.
• Prévisions : Les prévisions pour 2025–2027 indiquent des cycles saisonniers récurrents cohérents avec le cycle de vie multivoltin de H. armigera, avec des pics prédits pendant le printemps (mars–avril) et après la mousson (octobre–novembre). Le modèle ANN a généré des prédictions plus dynamiques, réactives aux entrées environnementales cycliques, tandis que l'ARIMA a fourni des estimations conservatrices et stables.

Signification et affirmations
Les auteurs affirment que, bien que les modèles ARIMA restent précieux pour interpréter la périodicité sous-jacente et les tendances à long terme (comme en témoigne leur $R^2$ plus élevé), les modèles ANN offrent une précision et une adaptabilité accrues pour les prévisions en temps réel à court terme d' H. armigera dans la région de Pantnagar, comme l'indiquent leur RMSE et leur MAE plus faibles. L'étude souligne la valeur des modèles ANN en tant que systèmes d'alerte précoce pratiques au sein des programmes de PII pour capturer la dynamique de population non linéaire. L'intégration des modèles de prévision basés sur la météo dans la surveillance des ravageurs permet aux systèmes agricoles de passer de stratégies de gestion réactives à des stratégies préventives. Cette approche vise à optimiser le calendrier des mesures de contrôle, à réduire les applications de pesticides inutiles et à minimiser les pertes de récoltes, soutenant ainsi la protection durable des cultures et la sécurité alimentaire dans le nord de l'Inde. Cette recherche comble une lacune dans les cadres de prévision quantitative pour cette zone agro-climatique spécifique, offrant une référence pour améliorer la gestion de précision des ravageurs sous des régimes climatiques variables.