Correction: Wang, M.; Li, T. Pest and Disease Prediction and Management for Sugarcane Using a Hybrid Autoregressive Integrated Moving Average—A Long Short-Term Memory Model. *Agriculture* 2025, *15*, 500

Provocările cu care se confruntă producția agricolă sunt în creștere din cauza schimbărilor climatice globale, extinderii producției agricole și complexității tot mai mari a dăunătorilor și bolilor.

Predicția și gestionarea precisă a dăunătorilor și bolilor a devenit o problemă-cheie în asigurarea securității alimentare și a dezvoltării agricole durabile.

Trestia de zahăr este una dintre cele mai importante culturi comerciale la nivel mondial, contribuind semnificativ la economiile țărilor producătoare majore precum Brazilia, India, China și Thailanda.

Potrivit FAO, producția globală de trestie de zahăr depășește 1,9 miliarde de tone anual, iar industria susține milioane de mijloace de trai.

Cu toate acestea, dăunători și boli precum gărgărița trestiei de zahăr, smutul și rugina au condus la pierderi semnificative de producție, adesea de peste 20% în regiunile grav afectate, ceea ce se traduce în pierderi economice de miliarde de dolari.

Astfel, predicția și gestionarea precisă a dăunătorilor și bolilor trestiei de zahăr sunt esențiale pentru securitatea alimentară globală, menținerea productivității agricole și protejarea intereselor economice [1,2].

Modelele statistice tradiționale precum ARIMA sunt bine cunoscute pentru prognoza seriilor temporale, datorită capacității lor de a surprinde tendințele liniare și variațiile sezoniere.

Cu toate acestea, datele privind dăunătorii și bolile din agricultură prezintă caracteristici foarte neliniare și dinamice, influențate de variabile exogene multiple, cum ar fi temperatura, umiditatea și precipitațiile.

Acești factori introduc dependențe complexe pe care modelele liniare nu le pot surprinde, conducând la predicții suboptime.

Modelele de învățare automată, în special abordările bazate pe deep learning, cum ar fi rețelele Long Short-Term Memory (LSTM), au demonstrat performanțe superioare în gestionarea dependențelor pe termen lung și a datelor neliniare.

Prin integrarea ARIMA și LSTM într-un cadru hibrid, putem valorifica punctele forte ale ARIMA în detectarea tendințelor liniare și ale LSTM în extragerea trăsăturilor neliniare, îmbunătățind semnificativ acuratețea și robustețea predicțiilor [3].

În consecință, există o nevoie presantă de modele mai precise, care să ofere capabilități predictive sporite pentru a sprijini fermierii și managerii agricoli în abordarea acestor probleme [4].

Recent, avansul tehnologiilor big data și inteligență artificială (IA) a condus la progrese notabile în predicția dăunătorilor și bolilor din agricultură.

Tehnicile convenționale de prognoză a seriilor temporale, inclusiv modelul autoregresiv integrat de medie mobilă (ARIMA), au fost aplicate extensiv pentru estimarea recoltelor și monitorizarea dăunătorilor și bolilor [3].

Modelul ARIMA este deosebit de eficient în gestionarea seturilor de date liniare și este potrivit pentru identificarea tendințelor pe termen lung și a variațiilor sezoniere.

Totuși, din cauza complexității și dinamismului datelor din producția agricolă, este dificil pentru un singur model liniar să facă față provocărilor neliniarității și a dependențelor pe termen lung și scurt.

Prin urmare, cercetătorii au început să combine modelele statistice tradiționale cu modele de învățare profundă pentru a forma modele hibride care să îmbunătățească performanțele predictive.

Astfel, modelele hibride de big data și machine learning demonstrează tot mai mult avantaje puternice în predicția dăunătorilor și bolilor agricole [6–8].

În special, modelele hibride care combină ARIMA cu rețele neuronale LSTM excelează în gestionarea atât a datelor liniare, cât și a celor neliniare.