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

तकनीकी सारांश: ARIMA और ANN मॉडलों का उपयोग करके Helicoverpa armigera का मौसम एकीकृत पूर्वानुमान

समस्या विवरण
Helicoverpa armigera (ह्यूबनर) एक अत्यधिक बहुभोजी (polyphagous) और प्रवासी कीट है, जो विविध फसल प्रणालियों में, विशेष रूप से भारत के उत्तराखंड के तराई क्षेत्र में, महत्वपूर्ण उपज हानि का कारण बनता है। इसकी जनसंख्या गतिशीलता तापमान, आर्द्रता और वर्षा सहित जलवायु परिवर्तनशीलता से अत्यधिक प्रभावित होती है। यद्यपि एकीकृत कीट प्रबंधन (IPM) अंधाधुंध रासायनिक नियंत्रण के एक स्थायी विकल्प के रूप में कार्य करता है, इसकी सफलता कीट आबादी के आर्थिक दहलीज (economic thresholds) तक पहुँचने से पहले हस्तक्षेप को सक्रिय करने के लिए सटीक और समय पर पूर्वानुमान पर निर्भर करती है। पंतनगर की आर्द्र उपोष्णकटिबंधीय कृषि-जलवायु स्थितियों में भविष्य कहने वाली क्षमताओं की महत्वपूर्ण आवश्यकता के बावजूद, उन्नत समय-श्रृंखला (time-series) और मशीन लर्निंग दृष्टिकोणों का उपयोग करके व्यवस्थित दीर्घकालिक पूर्वानुमान प्रयास सीमित रहे हैं।

कार्यप्रणाली
इस अध्ययन में वयस्क H. armigera की आबादी का पूर्वानुमान लगाने के लिए एक दशक (2015-2025) के साप्ताहिक फेरोमोन ट्रैप डेटा और संबंधित मौसम चरों (औसत तापमान, सापेक्ष आर्द्रता, वर्षा और धूप के घंटे) का उपयोग करते हुए दो अलग-अलग मॉडलिंग ढांचों को विकसित और तुलनात्मक रूप से विश्लेषित किया गया।

1. डेटा प्रीप्रोसेसिंग (Data Preprocessing): साप्ताहिक समय-श्रृंखला डेटा का रुझानों और विसंगतियों के लिए निरीक्षण किया गया। आउटलेर्स (outliers) को प्रतिस्थापन (imputation) या निष्कासन के माध्यम से सुधारा गया। ARIMA मॉडलिंग के लिए आवश्यक अंतर (differencing) लागू करते हुए, ऑगमेंटेड डिकी-फुलर (ADF) परीक्षण का उपयोग करके स्टेशनैरिटी (stationarity) का आकलन किया गया। आर्टिफिशियल न्यूरल नेटवर्क (ANN) विश्लेषण के लिए, इनपुट फीचर्स को मिनी-मैक्स स्केलिंग का उपयोग करके सामान्यीकृत किया गया।
2. मॉडलिंग दृष्टिकोण:
   • ARIMA: रैखिक टेम्पोरल डिपेंडेंसी और सीजनलिटी को पकड़ने के लिए एक ऑटोरेग्रेसिव इंटीग्रेटेड मूविंग एवरेज मॉडल फिट किया गया। मॉडल चयन अकीके सूचना मानदंड (AIC) और बायेसियन सूचना मानदंड (BIC) को कम करने पर आधारित था। पहचाना गया इष्टतम कॉन्फ़िगरेशन ARIMA (1, 0, 1) (1, 0, 2) था।
   • ANN: एक फीड-फॉरवर्ड मल्टीलेयर परसेप्ट्रॉन को लैग्ड कीट आबादी डेटा और मौसम भविष्यवक्ताओं के बीच गैर-रैखिक संबंधों को पकड़ने के लिए प्रशिक्षित किया गया। पहचाना गया इष्टतम आर्किटेक्चर 7-26-1 (7 इनपुट न्यूरॉन्स, 26 हिडन न्यूरॉन्स, 1 आउटपुट न्यूरॉन) था, जिसमें हिडन लेयर्स में ReLU एक्टिवेशन और आउटपुट लेयर में लीनियर एक्टिवेशन का उपयोग किया गया। ओवरफिटिंग को रोकने के लिए प्रशिक्षण में एडम (Adam) ऑप्टिमाइज़र और अर्ली स्टॉपिंग का उपयोग किया गया।
3. वैलिडेशन (Validation): डेटा को 80% प्रशिक्षण और 20% परीक्षण के लिए विभाजित किया गया, जिसमें कालानुक्रमिक क्रम सुरक्षित रखा गया। मॉडल के प्रदर्शन का मूल्यांकन मीन एब्सोल्यूट परसेंटेज एरर (MAPE), रूट मीन स्क्वेर्ड एर (RMSE), मीन एब्सोल्यूट एरर (MAE), मीन एब्सोल्यूट स्केल्ड एरर (MASE) और कोएफिशिएंट ऑफ डिटरमिनेशन ($R^2$) का उपयोग करके किया गया। यह सुनिश्चित करने के लिए कि अवशेष (residuals) व्हाइट नॉइज़ के करीब हैं, रेसिडुअल डायग्नोस्टिक्स (ACF प्लॉट्स, QQ प्लॉट्स) किए गए।

प्रमुख परिणाम

• मॉडल प्रदर्शन: ARIMA (1, 0, 1) (1, 0, 2) मॉडल ने उच्चतम $R^2$ (0.76) और निम्नतम MAPE (107.91) के साथ उच्चतम समग्र भविष्य कहनेवाला विश्वसनीयता प्रदर्शित की, हालांकि इसका RMSE (6.62) अधिक था। इसके विपरीत, ANN (7-26-1) मॉडल ने निम्न $R^2$ (0.644) प्राप्त किया, लेकिन विशिष्ट मेट्रिक्स के लिए बेहतर अल्पकालिक भविष्य कहनेवाला सटीकता प्रदर्शित की, जिससे ARIMA (RMSE = 6.62, MAE = 2.67) की तुलना में कम RMSE (3.63) और MAE (2.144) प्राप्त हुआ।
• व्यवहार संबंधी अंतर:
  • ARIMA मॉडल ने प्रभावी ढंग से दीर्घकालिक मौसमी रुझानों को चित्रित किया और अंतर-वार्षिक विविधताओं का एक सुचारू प्रतिनिधित्व प्रदान किया। हालांकि, यह अचानक जनसंख्या वृद्धि (peaks) को कम आंकने की प्रवृत्ति रखता था और प्रकोप के दौरों के दौरान व्यापक कॉन्फिडेंस इंटरवल प्रदर्शित करता था।
  • ANN मॉडल ने गैर-रैखिक उतार-चढ़ाव और तीव्र जनसंख्या शिखर को सफलतापूर्वक कैप्चर किया, जो मौसम चरों और कीट गतिविधि के बीच जटिल अंतःक्रियाओं के प्रति उच्च संवेदनशीलता प्रदर्शित करता है। हालांकि यह कभी-कभी शिखर परिमाण को बढ़ा-चढ़ाकर दिखाता था, लेकिन इसने उच्च-घटना अवधि के दौरान देखे गए रुझानों को अधिक बारीकी से ट्रैक किया, जिसके परिणामस्वरूप कम समग्र $R^2$ के बावजूद कम त्रुटि परिमाण (RMSE और MAE) प्राप्त हुआ।
• पूर्वानुमान: 2025-2027 के लिए पूर्वानुमानों ने H. armigera के मल्टीवोल्टाइन जीवन चक्र के अनुरूप आवर्ती मौसमी पैटर्न का संकेत दिया, जिसमें वसंत (मार्च-अप्रैल) और मानसून के बाद (अक्टूबर-नवंबर) के दौरान शिखर की भविष्यवाणी की गई। ANN मॉडल ने चक्रीय पर्यावरणीय इनपुट के प्रति अधिक गतिशील भविष्यवाणियां उत्पन्न कीं, जबकि ARIMA ने रूढ़िवादी और स्थिर अनुमान प्रदान किए।

महत्व और दावे
लेखक का दावा है कि जबकि ARIMA मॉडल (उच्च $R^2$ द्वारा प्रमाणित) अंतर्निहित आवधिकता और दीर्घकालिक रुझानों की व्याख्या करने के लिए मूल्यवान बने हुए हैं, ANN मॉडल कम RMSE और MAE द्वारा संकेतित रूप से, H. armigera के वास्तविक समय, अल्पकालिक पूर्वानुमान के लिए बढ़ी हुई सटीकता और अनुकूलन क्षमता प्रदान करते हैं। यह अध्ययन कीट आबादी की गैर-रैखिक गतिशीलता को पकड़ने के लिए IPM कार्यक्रमों के भीतर व्यावहारिक प्रारंभिक चेतावनी प्रणाली के रूप में ANN मॉडलों के महत्व को रेखांकित करता है। मौसम-आधारित पूर्वानुमान मॉडलों को कीट निगरानी में एकीकृत करके, कृषि प्रणालियाँ प्रतिक्रियात्मक (reactive) से निवारक (preventive) प्रबंधन रणनीतियों की ओर बढ़ सकती हैं। इस दृष्टिकोण का उद्देश्य नियंत्रण उपायों के समय को अनुकूलित करना, अनावश्यक कीटनाशकों के प्रयोग को कम करना और फसल के नुकसान को न्यूनतम करना है, जिससे उत्तरी भारत में सतत फसल सुरक्षा और खाद्य सुरक्षा का समर्थन मिल सके। यह शोध इस विशिष्ट कृषि-जलवायु क्षेत्र के लिए मात्रात्मक पूर्वानुमान ढांचे के अंतराल को भरता है, जो परिवर्तनशील जलवायु शासन के तहत सटीक कीट प्रबंधन में सुधार के लिए एक संदर्भ प्रदान करता है।