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

Resumo Técnico: Previsão Integrada de Clima para Helicoverpa armigera utilizando Modelos ARIMA e ANN

Definição do Problema
Helicoverpa armigera (Hübner) é uma praga altamente polífaga e migratória que causa perdas significativas de rendimento em diversos sistemas de cultivo, particularmente na região de Tarai, em Uttarakhand, Índia. A sua dinâmica populacional é fortemente influenciada pela variabilidade climática, incluindo temperatura, humidade e precipitação. Embora o Manejo Integrado de Pragas (MIP) ofereça uma alternativa sustentável ao controle químico indiscriminado, o seu sucesso depende de previsões precisas e oportunas para desencadear intervenções antes que as populações de pragas atinjam limiares económicos. Apesar da necessidade crítica de capacidades preditivas nas condições agroclimáticas subtropicais húmidas de Pantnagar, os esforços sistemáticos de previsão de longo prazo utilizando abordagens avançadas de séries temporais e aprendizagem automática têm sido limitados.

Metodologia
O estudo desenvolveu e comparou dois quadros de modelação distintos para prever as populações de adultos de H. armigera utilizando uma década (2015–2025) de dados semanais de armadilhas de feromona e variáveis meteorológicas associadas (temperatura média, humidade relativa, precipitação e horas de sol).

1. Pré-processamento de Dados: Os dados de séries temporais semanais foram inspecionados quanto a tendências e anomalias. Os valores atípicos (outliers) foram corrigidos via imputação ou remoção. A estacionaridade foi avaliada utilizando o teste de Dickey–Fuller Aumentado (ADF), com aplicação de diferenciação onde necessário para a modelação ARIMA. Para a análise de Redes Neurais Artificiais (ANN), as características de entrada foram normalizadas usando escalonamento min–máx.
2. Abordagens de Modelação:
   • ARIMA: Um modelo de Média Móvel Integrada Autorregressiva foi ajustado para capturar dependências temporais lineares e sazonalidade. A seleção do modelo baseou-se na minimização do Critério de Informação de Akaike (AIC) e do Critério de Informação Bayesiano (BIC). A configuração ótima identificada foi ARIMA (1, 0, 1) (1, 0, 2).
   • ANN: Um perceptron multicamada de alimentação direta (feed-forward) foi treinado para capturar relações não lineares entre os dados defasados da população de pragas e os preditores meteorológicos. A arquitetura ótima identificada foi 7-26-1 (7 neurónios de entrada, 26 neurónios ocultos, 1 neurónio de saída), utilizando ativação ReLU nas camadas ocultas e uma ativação linear na camada de saída. O treino empregou o otimizador Adam com paragem precoce (early stopping) para evitar o sobreajuste (overfitting).
3. Validação: Os dados foram particionados em 80% para treino e 20% para teste, preservando a ordem cronológica. O desempenho do modelo foi avaliado utilizando Erro Percentual Absoluto Médio (MAPE), Erro Quadrático Médio (RMSE), Erro Absoluto Médio (MAE), Erro Absoluto Médio Escalado (MASE) e o Coeficiente de Determinação ($R^2$). Diagnósticos de resíduos (gráficos ACF, gráficos QQ) foram realizados para garantir que os resíduos se aproximassem de um ruído branco.

Resultos Principais

• Desempenho do Modelo: O modelo ARIMA (1, 0, 1) (1, 0, 2) exibiu a maior fiabilidade preditiva global com o maior $R^2$ (0,76) e o menor MAPE (107,91), embora tenha apresentado um RMSE mais elevado (6,62). Em contraste, o modelo ANN (7-26-1) alcançou um $R^2$ inferior (0,644), mas demonstrou uma precisão preditiva de curto prazo superior para métricas específicas, produzindo RMSE (3,63) e MAE (2,144) mais baixos em comparação com o ARIMA (RMSE = 6,62, MAE = 2,67).
• Diferenças Comportamentais:
  • O modelo ARIMA caracterizou eficazmente as tendências sazonais de longo prazo e forneceu uma representação suave das variações interanuais. No entanto, tendeu a subestimar picos populacionais abruptos e exibiu intervalos de confiança mais amplos durante períodos de surtos.
  • O modelo ANN capturou com sucesso flutuações não lineares e picos populacionais acentuados, demonstrando maior sensibilidade às interações complexas entre as variáveis meteorológicas e a atividade da praga. Embora ocasionalmente tenha sobrestimado as magnitudes dos picos, acompanhou as tendências observadas de forma mais próxima durante períodos de alta incidência, resultando em magnitudes de erro menores (RMSE e MAE) para previsões de curto prazo, apesar de um $R^2$ global mais baixo.
• Previsão: As previsões para 2025–2027 indicaram padrões sazonais recorrentes consistentes com o ciclo de vida multivoltino de H. armigera, com picos previstos durante a primavera (março–abril) e pós-monção (outubro–novembro). O modelo ANN gerou previsões mais dinâmicas, responsivas a entradas ambientais cíclicas, enquanto o ARIMA forneceu estimativas conservadoras e estáveis.

Significância e Alegações
Os autores afirmam que, embora os modelos ARIMA continuem valiosos para interpretar a periodicidade subjacente e as tendências de longo prazo (evidenciado pelo seu maior $R^2$), os modelos ANN oferecem maior precisão e adaptabilidade para a previsão em tempo real e de curto prazo de H. armigera na região de Pantnagar, conforme indicado pelos seus menores RMSE e MAE. O estudo destaca o valor dos modelos ANN como sistemas de alerta precoce práticos dentro dos programas de MIP para capturar a dinâmica populacional não linear. Ao integrar modelos de previsão baseados no clima, os sistemas agrícolas podem transitar de estratégias de gestão reativas para preventivas. Esta abordagem visa otimizar o tempo das medidas de controlo, reduzir as aplicações desnecessárias de pesticidas e minimizar as perdas de culturas, apoiando assim a proteção sustentável das culturas e a segurança alimentar no norte da Índia. A investigação preenche uma lacuna nos quadros de previsão quantitativa para esta zona agroclimática específica, oferecendo uma referência para melhorar a gestão de precisão de pragas sob regimes climáticos variáveis.