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

Technische Samenvatting: Weer-geïntegreerde voorspelling van Helicoverpa armigera met behulp van ARIMA- en ANN-modellen

Probleemstelling
Helicoverpa armigera (Hübner) is een zeer polyfage en migrerende plaag die aanzienlijke opbrengstverliezen veroorzaakt in diverse teeltstelsels, met name in de Tarai-regio van Uttarakhand, India. De populatiedynamiek wordt sterk beïnvloed door klimatologische variabiliteit, waaronder temperatuur, luchtvochtigheid en neerslag. Hoewel Integrated Pest Management (IPM) een duurzaam alternatief biedt voor ongecontroleerde chemische bestrijding, hangt het succes ervan af van nauwkeurige, tijdige voorspellingen om interventies te triggeren voordat de populaties van plagen economische drempelwaarden bereiken. Ondanks de kritieke behoefte aan voorspellende vermogens in de vochtige subtropische agro-klimatologische omstandigheden van Pantnagar, zijn systematische langetermijnvoorspellingsinspanningen gebruikmakend van geavanceerde tijdreeks- en machine learning-benaderingen beperkt gebleven.

Methodologie
De studie ontwikkelde en vergeleken twee verschillende modelleringskaders om de populaties van volwassen H. armigera te voorspellen met behoud van een decennium (2015–2025) aan wekelijkse feromoonvalgegevens en bijbehorende weervariabelen (gemiddelde temperatuur, relatieve vochtigheid, neerslag en zonuren).

1. Gegevenspreverwerking: Wekelijkse tijdreeksgegevens werden geïnspecteerd op trends en anomalieën. Uitschieters werden gecorrigeerd via imputatie of verwijdering. Stationariteit werd beoordeeld met de Augmented Dickey–Fuller (ADF) test, waarbij differentiatie werd toegepast waar nodig voor ARIMA-modellering. Voor de Artificial Neural Network (ANN) analyse werden inputkenmerken genormaliseerd met behulp van min–max schaling.
2. Modelleringsbenaderingen:
   • ARIMA: Een Autoregressief Geïntegreerd Voortbewegend Gemiddelde model werd gefit om lineaire temporele afhankelijkheden en seasonaliteit te vangen. Modelselectie was gebaseerd op het minimaliseren van de Akaike Information Criterion (AIC) en de Bayesian Information Criterion (BIC). De optimale configuratie die werd geïdentificeerd was ARIMA (1, 0, 1) (1, 0, 2).
   • ANN: Een feed-forward multilayer perceptron werd getraind om niet-lineaire relaties tussen vertraagde (lagged) plaagpopulatiegegevens en weer-predictors te vangen. De optimale architectuur die werd geïdentificeerd was 7-26-1 (7 inputneuronen, 26 verborgen neuronen, 1 outputneuron), gebruikmakend van ReLU-activatie in de verborgen lagen en een lineaire activatie in de outputlaag. De training maakte gebruik van de Adam-optimizer met early stopping om overfitting te voorkomen.
3. Validatie: Gegevens werden verdeeld in 80% voor training en 20% voor testen, waarbij de chronologische volgorde behouden bleef. De prestaties van het model werden geëvalueerd met behulp van Mean Absolute Percentage Error (MAPE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Scaled Error (MASE) en de Coëfficiënt van Determinatie ($R^2$). Residuele diagnostiek (ACF-plots, QQ-plots) werd uitgevoerd om te waarborgen dat residuen de witte ruis benaderden.

Belangrijkste Resultaten

• Modelprestaties: Het ARIMA (1, 0, 1) (1, 0, 2) model vertoonde de hoogste algehele voorspellende betrouwbaarheid met de hoogste $R^2$ (0,76) en de laagste MAPE (107,91), hoewel het een hogere RMSE (6,62) had. In contrast hiermee bereikte het ANN (7-26-1) model een lagere $R^2$ (0,644), maar demonstreerde een superieure korte-termijn voorspellende nauwkeurigheid voor specifieke metrieken, resulterend in een lagere RMSE (3,63) en MAE (2,144) vergeleken met ARIMA (RMSE = 6,62, MAE = 2,67).
• Gedragsverschillen:
  • Het ARIMA-model karakteriseerde effectief de langetermijnseizoensgebonden trends en bood een vloeiende representatie van interjaarlijkse variaties. Het had echter de neiging om abrupte populatiepieken te onderschatten en vertoonde bredere betrouwbaarheidsintervallen tijdens uitbraakperioden.
  • Het ANN-model slaagde erin om niet-lineaire fluctuaties en scherpe populatiepieken te vangen, en toonde een hogere sensitiviteit voor complexe interacties tussen weer variabelen en plaagactiviteit. Hoewel het incidenteel de piekmagnitudes overschatte, volgde het de geobserveerde trends nauwer tijdens perioden met hoge incidentie, wat resulteerde in lagere foutmarges (RMSE en MAE) voor korte-termijn voorspellingen ondanks een lagere algehele $R^2$.
• Voorspelling: Voorspellingen voor 2025–2027 wezen op terugkerende seizoenspatronen die consistent zijn met de multivoltine levenscyclus van H. armigera, met pieken voorspeld tijdens de lente (maart–april) en na de moesson (oktober–november). Het ANN-model genereerde meer dynamische voorspellingen die reageren op cyclische omgevingsinputs, terwijl ARIMA conservatieve, stabiele schattingen bood.

Significantie en Claims
De auteurs stellen dat hoewel ARIMA-modellen waardevol blijven voor het interpreteren van onderliggende periodiciteit en langetermijn trends (bewezen door hun hogere $R^2$), ANN-modellen een verbeterde precisie en adaptiviteit bieden voor real-time, korte-termijn voorspelling van H. armigera in de Pantnagar-regio, zoals aangegeven door hun lagere RMSE en MAE. De studie benadrukt de waarde van ANN-modellen als praktische vroege waarschuwingssystemen binnen IPM-programma's om niet-lineaire populatiedynamiek te vangen. Door weer-gebaseerde voorspellingsmodellen te integreren in plaagsurveillance, kunnen agrarische systemen overgaan van reactieve naar preventieve beheersstrategieën. Deze aanpak beoogt de timing van bestrijkingsmaatregelen te optimaliseren, onnodige pesticidenapplicaties te verminderen en oogstverliezen te minimaliseren, waarmee de duurzame gewasbescherming en voedselzekerheid in Noord-India wordt ondersteund. Dit onderzoek vult een gat in kwantitatieve voorspellingskaders voor deze specifieke agro-klimatologische zone, en dient als referentie voor het verbeteren van precisie-plaagbeheer onder variabele klimatologische regimes.