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

기술 요약: ARIMA 및 ANN 모델을 이용한 기상 통합형 Helicoverpa armigera 예측

문제 제기
Helicoverpa armigera(Hübner)는 다양한 작물 체계, 특히 인도 우타라칸드주 타라이(Tarai) 지역에서 상당한 수확량 손실을 초와하는 매우 다식성(polyphagous)이며 이동성이 강한 해충이다. 이들의 개체군 역학은 온도, 습도, 강수량을 포함한 기후 변동성에 의해 크게 영향을 받는다. 통합 해충 관리(IPM)가 무분별한 화학적 방제의 지속 가능한 대안을 제시하지만, 그 성공 여부는 해충 개체군이 경제적 임계치에 도달하기 전 개입을 유발할 수 있는 정확하고 시의적절한 예측에 달려 있다. 판트나가르(Pantnagar)의 습윤 아열대 농업 기후 조건에서 예측 능력이 절실히 필요함에도 불구하고, 고급 시계열 및 머신러로닝 접근 방식을 활용한 체계적인 장기 예측 노력은 제한적이었다.

연구 방법론
본 연구는 10년(2015~2025)간의 주간 페로몬 트랩 데이터와 관련 기상 변수(평균 온도, 상대 습도, 강수량, 일조 시간)를 사용하여 성충 H. armigera 개체군을 예측하기 위해 두 가지 구별된 모델링 프레임워크를 개발하고 비교하였다.

1. 데이터 전처리: 주간 시계열 데이터를 검사하여 추세와 이상치를 확인하였다. 이상치는 보간법 또는 제거를 통해 수정되었다. ARIMA 모델링을 위해 차분을 적용하여 정상성(stationarity)을 ADF(Augmented Dickey–Fuller) 검정으로 평가하였다. ANN(인공 신경망) 분석을 위해 입력 특성은 min–max 스케일링을 사용하여 정규화되었다.
2. 모델링 접근 방식:
   • ARIMA: 선형적 시간 의존성과 계절성을 포착하기 위해 자기회귀 누적 이동 평균(Autoregressive Integrated Moving Average) 모델을 적합시켰다. 모델 선택은 AIC(Akaike Information Criterion) 및 BIC(Bayesian Information Criterion)를 최소화하는 것을 기준으로 하였다. 식별된 최적의 구성은 ARIMA (1, 0, 1) (1, 0, 2)였다.
   • ANN: 지연된 해충 개체군 데이터와 기상 예측 변수 간의 비선형 관계를 포착하기 위해 피드 포워드 다층 퍼셉트론(feed-forward multilayer perceptron)을 학습시켰다. 식별된 최적의 구조는 7-26-1(7개 입력 뉴런, 26개 은닉 뉴턴, 1개 출력 뉴런)이었으며, 은닉층에는 ReLU 활성화 함수를, 출력층에는 선형 활성화 함수를 사용하였다. 학습에는 과적합을 방지하기 위한 조기 종료(early stopping)를 포함한 Adam 옵티마이저를 사용하였다.
3. 검증: 데이터는 연대순을 유지하며 80%의 학습 데이터와 20%의 테스트 데이터로 분할되었다. 모델 성능은 MAPE, RMSE, MAE, MASE 및 결정 계수($R^2$)를 사용하여 평가되었다. 잔차 진단(ACF 플롯, QQ 플롯)을 수행하여 잔차가 백색 잡음(white noise)에 근접하는지 확인하였다.
   주요 결과

• 모델 성능: ARIMA (1, 0, 1) (1, 0, 2) 모델은 가장 높은 $R^2$ (0.76)와 가장 낮은 MAPE (107.91)를 기록하며 전반적인 예측 신뢰도가 가장 높았으나, RMSE (6.62)는 더 높았다. 반면, ANN (7-26-1) 모델은 더 낮은 $R^2$ (0.644)를 보였으나, 특정 지표에서 우수한 단기 예측 정확도를 달able 하여 더 낮은 RMSE (3.63)와 MAE (2.144)를 나타냈다 (ARIMA 대비 RMSE = 6.62, MAE = 2.67).
• 행동적 차이:
  • ARIMA 모델은 장기적인 계절적 추세를 효과적으로 특징지었으며 연간 변동에 대한 매끄러운 표현을 제공하였다. 그러나 급격한 개체군 정점을 과소평가하는 경 경향이 있었고, 발생기 동안 신뢰 구간이 넓게 나타났다.
  • ANN 모델은 비선형적 변동과 급격한 개체군 정점을 성공적으로 포착하였으며, 기상 변수와 해충 활동 사이의 복잡한 상호작용에 대해 높은 민감도를 보여주었다. 때때로 정점의 크기를 과대평가하기도 했으나, 고발생 기간 동안 관측된 추세를 더 밀접하게 추적하여 전체적인 $R^2$는 낮더라도 더 낮은 오차 크기(RMSE 및 MAE)를 기록했다.
• 예측: 20252027년 예측 결과, H. armigera의 다세대(multivoltine) 생애 주기와 일치하는 반복적인 계절적 패턴이 나타났으며, 봄(34월)과 포스트 몬순(10~11월) 기간에 정점이 예측되었다. ANN 모델은 순환적인 환경 입력에 반응하는 더 역동적인 예측을 생성한 반면, ARIMA는 보수적이고 안정적인 추정치를 제공하였다.
  의의 및 주장
  저자들은 ARIMA 모델이 밑바탕이 되는 주기성과 장기적 추세를 해석하는 데 여전히 가치가 있는 반면(높은 $R^2$로 입증됨), ANN 모델은 낮은 RMSE와 MAE로 입증되었듯 H. armigera의 실시간 단기 예측을 위한 향상된 정밀도와 적응성을 제공한다고 주장한다. 본 연구는 ANN 모델이 복잡한 개체군 역학을 포착하기 위한 IPM 프로그램 내의 실질적인 조기 경보 시스템으로서 가치가 있음을 강조한다. 기상 기반 예측 모델을 해충 감시 체계에 통합함으로써, 농업 시스템은 사후 대응적 관리에서 예방적 관리 전략으로 전환할 수 있다. 이 접근 방식은 방제 시기를 최적화하고, 불필요한 농약 살포를 줄이며, 작물 손실을 최소ize하여 북인도의 지속 가능한 작물 보호와 식량 안보를 지원하는 것을 목표로 한다. 본 연구는 이 특정 농업 기후 구역을 위한 정량적 예측 프레임워크의 공백을 메우며, 가변적인 기후 체계 하에서 정밀 해충 관리를 개선하기 위한 참조 자료를 제공한다.