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

Sintesi Tecnica: Previsione Integrata Meteo di Helicoverpa armigera utilizzando Modelli ARIMA e ANN

Definizione del Problema
Helicoverpa armigera (Hübner) è un parassita altamente polifago e migratorio che causa perdite di resa significative in diversi sistemi di coltivazione, in particolare nella regione del Tarai dell'Uttarakhand, India. La sua dinamica di popolazione è fortemente influenzata dalla variabilità climatica, inclusi temperatura, umidità e precipitazioni. Sebbene la gestione integrata dei parassiti (IPM) offra un'alternativa sostenibile al controllo chimico indiscriminato, il suo successo dipende da previsioni accurate e tempestive per innescare gli interventi prima che le popolazioni di parassiti raggiungano le soglie economiche. Nonostante la critica necessità di capacità predittive nelle condizioni agro-climatiche subtropicali umide di Pantnagar, gli sforzi sistematici di previsione a lungo termine che utilizzano approcci avanzati di serie temporali e machine learning sono stati limitati.

Metodologia
Lo studio ha sviluppato e confrontato due distinti framework di modellazione per prevedere le popolazioni di adulti di H. armigera utilizzando un decennio (2015–2025) di dati settimanali da trappole a feromoni e variabili meteorologiche associate (temperatura media, umidità relativa, precipitazioni e ore di sole).

1. Pre-elaborazione dei Dati: I dati delle serie temporali settimanali sono stati ispezionati per tendenze ed anomalie. Gli outlier sono stati corretti tramite imputazione o rimozione. La stazionarietà è stata valutata tramite il test di Augmented Dickey–Fuller (ADF), con l'applicazione della differenziazione dove necessario per la modellazione ARIMA. Per l'analisi della rete neurale artificiale (ANN), le caratteristiche di input sono state normalizzate utilizzando lo scaling min-max.
2. Approcci di Modellazione:
   • ARIMA: Un modello Autoregressive Integrated Moving Average è stato adattato per catturare le dipendenze temporali lineari e la stagionalità. La selezione del modello si è basata sulla minimizzazione del criterio di informazione di Akaike (AIC) e del criterio di informazione bayesiano (BIC). La configurazione ottimale identificata è stata ARIMA (1, 0, 1) (1, 0, 2).
   • ANN: Un perceptron multistrato feed-forward è stato addestrato per catturare le relazioni non lineari tra i dati ritardati della popolazione dei parassiti e i predittori meteorologici. L'architettura ottimale identificata è stata 7-26-1 (7 neuroni di input, 26 neuroni nascosti, 1 neurone di output), utilizzando l'attivazione ReLU nei livelli nascosti e un'attivazione lineare nel livello di output. L'addestramento ha impiegato l'ottimizzatore Adam con early stopping per prevenire l'overfitting.
3. Validazione: I dati sono stati suddivisi in un 80% per l'addestramento e un 20% per il test, preservando l'ordine cronologico. Le prestazioni del modello sono state valutate utilizzando l'Errore Assoluto Percentuale Medio (MAPE), l'Errore Quadratico Medio (RMSE), l'Errore Assoluto Medio (MAE), l'Errore Scalato Assoluto Medio (MASE) e il Coefficiente di Determinazione ($R^2$). Sono state condotte diagnosi dei residui (grafici ACF, grafici QQ) per garantire che i residui si approssimassero a un rumore bianco.

Risultati Chiave

• Prestazioni del Modello: Il modello ARIMA (1, 0, 1) (1, 0, 2) ha esibito l'affidabilità predittiva complessiva più elevata con il valore di $R^2$ più alto (0,76) e il MAPE più basso (107,91), sebbene presentasse un RMSE più elevato (6,62). Al contrario, il modello ANN (7-26-1) ha ottenuto un $R^2$ inferiore (0,644) ma ha dimostrato una superiore accuratezza predittiva a breve termine per metriche specifiche, producendo RMSE (3,63) e MAE (2,144) inferiori rispetto ad ARIMA (RMSE = 6,62, MAE = 2,67).
• Differenze Comportamentali:
  • Il modello ARIMA ha caratterizzato efficacemente le tendenze stagionali a lungo termine e ha fornito una rappresentazione fluida delle variazioni interannuali. Tuttavia, tendeva a sottostimare i picchi improvvisi di popolazione ed esibiva intervalli di confidenza più ampi durante i periodi di outbreak.
  • Il modello ANN ha catturato con successo le fluttuazioni non lineari e i picchi di popolazione repentini, dimostrando una maggiore sensibilità alle complesse interazioni tra le variabili meteorologiche e l'attività dei parassiti. Sebbene abbia occasionalmente sovrastimato l'entità dei picchi, ha seguito più da vicino i trend osservati durante i periodi di alta incidenza, risultando in magnitudo di errore inferiori (RMSE e MAE) per la previsione a breve termine nonostante un $R^2$ complessivo più basso.
• Previsione: Le previsioni per il periodo 2025–2027 hanno indicato schemi stagionali ricorrenti coerenti con il ciclo vitale multivoltino di H. armigera, con picchi previsti durante la primavera (marzo–aprile) e il post-monsone (ottobre–novembre). Il modello ANN ha generato previsioni più dinamiche e reattive agli input ambientali ciclici, mentre l'ARIMA ha fornito stime conservative e stabili.

Significatività e Rivendicazioni
Gli autori affermano che, mentre i modelli ARIMA rimangono preziosi per interpretare la periodicità sottostante e i trend a lungo termine (come dimostrato dal loro $R^2$ più elevato), i modelli ANN offrono una precisione e un'adattabilità potenziate per la previsione in tempo reale e a breve termine di H. armigera nella regione di Pantnagar, come indicato dai loro RMSE e MAE inferiori. Lo studio evidenzia il valore dei modelli ANN come sistemi di allerta precoce pratici all'interno dei programmi di IPM per catturare la dinamica non lineare delle popolazioni. Integrando i modelli di previsione basati sul meteo nella sorveglianza dei parassiti, i sistemi agricoli possono passare da una gestione reattiva a una preventiva. Questo approccio mira a ottimizzare la tempistica delle misure di controllo, ridurre le applicazioni di pesticidi non necessarie e minimizzare le perdite di raccolto, supportando così la protezione sostenibile delle colture e la sicurezza alimentare nell'India settentrionale. La ricerca colma una lacuna nei framework di previsione quantitativa per questo specifico agro-clima, offrendo un riferimento per migliorare la gestione di precisione dei parassiti sotto regimi climatici variabili.