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

技術要約：ARIMAおよびANNモデルを用いた、気象情報を統合したオオスカシバ（Helicoverpa armigera）の予測

問題提起
オオスカシバ（Helicoverpa armigera (Hübner)）は、極めて多食性かつ移動性の高い害虫であり、多様な作物体系、特にインドのウッタラーカンド州タライ地域において重大な収量損失を引き起こしている。その個体群動態は、気温、湿度、降水量を含む気候変動に強く影響される。総合的有害生物管理（IPM）は、無差別な化学的防除に代わる持続可能な選択肢を提示するが、その成功は、害虫個体数が経済的閾値に達する前に介入を促すための、正確かつタイムリーな予測にかかっている。パンナガルールの湿潤亜熱帯農業気候条件下における予測能力への切実なニーズがあるにもかかわらず、高度な時系列解析および機械学習アプローチを用いた系統的な長期予測の取り組みは限定的であった。

手法
本研究では、10年間（2015年–2025年）の週単位のフェロモントラップデータおよび関連する気象変数（平均気温、相対湿度、降水量、日照時間）を用い、オオスカシバ成虫の個体数を予測するための2つの異なるモデリングフレームワークを開発し、比較した。

1. データ前処理： 週単位の時系列データを検査し、傾向と異常値を特定した。外れ値は、補完または除去によって修正された。ARIMAモデリングにおける定常性を評価するために自己回帰型ディッキー・フラー（ADF）検定を用い、必要に応じて階差を適用した。人工ニューラルネットワーク（ANN）解析については、入力特徴量を最小最大スケーリング（min–max scaling）を用いて正規化した。
2. モデリング・アプローチ：
   • ARIMA： 線形的な時間依存性と季節性を捉えるために、自己回帰和分移動平均（ARIMA）モデルを適合させた。モデル選択は、赤池情報量基準（AIC）およびベイズ情報量基準（BIC）の最小化に基づいて行った。特定された最適構成は ARIMA (1, 0, 1) (1, 0, 2) である。
   • ANN： 過去の害虫個体数データと気象予測因子の間の非線形関係を捉えるために、フィードフォワード型多層パーセプトロンを訓練した。特定された最適アーキテクチャは、7-26-1（入力ニューロン7、隠れ層ニューロン26、出力ニューロン1）であり、隠れ層にはReLU活性化関数を、出力層には線形活性化関数を使用した。訓練にはAdamオプティマイザを用い、過学習を防ぐために早期終了（early stopping）を採用した。
3. 検証： データの時系列的順序を維持したまま、80%を訓練用、20%をテスト用に分割した。モデルの性能は、平均絶対パーセント誤差（MAPE）、平方根平均二乗誤差（RMSE）、平均絶対誤差（MAE）、平均絶対スケール誤差（MASE）、および決定係数（$R^2$）を用いて評価した。残差診断（ACFプロット、QQプロット）を実施し、残差がホワイトノイズに近似していることを確認した。

主な結果

• モデル性能： ARIMA (1, 0, 1) (1, 0, 2) モデルは、最も高い $R^2$ (0.76) と最も低い MAPE (107.91) を示し、最も高い $R^2$ を有するものの、より高い RMSE (6.62) を示した。対照的に、ANN (7-26-1) モデルは、より低い $R^2$ (0.644) を示したものの、特定の指標において優れた短期予測精度を達成し、より低い RMSE (3.63) および MAE (2.144) を実現した（ARIMAのRMSE = 6.62、MAE = 2.67と比較）。
• 挙動の違い：
  • ARIMA モデルは、長期的な季節トレンドを効果的に特徴付け、年次変動の滑らかな表現を提供した。しかし、急激な個体数のピークを過小評価する傾向があり、発生期には信頼区間が広くなる傾向があった。
  • ANN モデルは、非線形な変動や急激な個体数のピークを捉えることに成功し、気象変数と害虫活動の間の複雑な相互作用に対する高い感度を示した。ピークの大きさを過大評価することもあるが、高発生期において観測されたトレンドをより密接に追跡し、結果として $R^2$ は低いものの、短期予測における誤差の大きさ（RMSEおよびMAE）は低くなった。
• 予測： 2025年から2027年にかけての予測は、オオスカシバの多齢性（multivoltine）のライフサイクルと一致する周期的な季節パターンを示しており、春（3月–4月）およびポストモンーン（10月–11月）にピークが予測された。ANNモデルは、循環的な環境入力に応答するよりダイナミックな予測を生成した一方で、ARIMAは保守的で安定した推定値を提供した。

意義および主張
著者らは、ARIMAモデルは（高い $R^2$ によって証明されるように）基礎となる周期性と長期的トレンドを解釈する上で依然として価値がある一方で、ANNモデルは（より低いRMSEおよびMAEによって示されるように）、オオスカシバのリアルタイムかつ短期的な予測において高い精度と適応性を提供すると主張している。本研究は、非線形な個体群動態を捉えるための実用的な早期警戒システムとして、ANNモデルの価値を強調している。気象ベースの予測モデルを害虫監視に統合することで、農業システムは反応的な管理から予防的な管理戦略へと移行できる。このアプローチは、防除のタイミングを最適化し、不必要な農薬散布を減らし、作物の損失を最小限に抑えることで、北インドにおける持続可能な作物保護を支援することを目指している。本研究は、この特定の農業気候帯における定量的予測フレームワークの空白を埋めるものであり、変動する気候レジーム下での精密な害虫管理を向上させるための参照となるものである。