Prognose der Tomatenproduktion bei großen asiatischen Produzenten: eine vergleichende Studie zu ARIMA, exponentieller Glättung, score-gesteuerten Modellen und XGBoost

Warum künftige Tomatenernten wichtig sind

Tomaten sind ein Grundnahrungsmittel in Küchen in ganz Asien und finden Verwendung von Street Food bis zu Saucen in Supermärkten. Hinter jeder Tomate steht jedoch eine Kette von Landwirtinnen und Landwirten, Märkten und politischen Entscheidungen, die durch schlechtes Wetter oder Preisschwankungen gestört werden kann. Diese Studie stellt eine einfache, aber zentrale Frage: Wie lassen sich künftige Tomatenernten in wichtigen asiatischen Ländern besser prognostizieren, damit Landwirte, Regierungen und Verbraucher nicht unvorbereitet getroffen werden?

Tomaten, Landwirte und Essen auf dem Tisch

Tomaten gehören zu den weltweit am meisten produzierten und gehandelten Feldfrüchten, nur übertroffen von Kartoffeln. Sie sind reich an Vitaminen und Antioxidantien und stützen eine bedeutende Verarbeitungsindustrie, die sie zu Saft, Suppe, Paste und Saucen verarbeitet. In Asien liefern China und die Länder Südasien zusammen einen großen Anteil der globalen Tomatenversorgung, und Millionen kleiner Landwirte sind auf diese Kulturpflanze für ihr Einkommen angewiesen. Schwankende Ernten führen zu schwankenden Einkommen der Betriebe und Verbraucherpreisen, was sowohl ländliche Lebensgrundlagen als auch die städtische Ernährungssicherheit gefährden kann.

Steigende Ernten und ungleichmäßiges Wachstum

Die Forschenden werteten sechzig Jahre Daten aus und verfolgten die jährliche Tomatenproduktion von 1961 bis 2021 in Bangladesch, China, Indien, Pakistan und Sri Lanka. China zeigte einen dramatischen Anstieg, besonders nach 2000, und entwickelte sich von einem bescheidenen Produzenten zu einem Riesen, der heute jährlich mehrere zig Millionen Tonnen liefert. Auch Indien expandierte stark, wenn auch in gleichmäßigerem Tempo. Im Gegensatz dazu zeigten Bangladesch, Pakistan und Sri Lanka ein moderateres Wachstum mit gelegentlichen Ausschlägen nach oben und unten. Diese Unterschiede sind bedeutsam: Länder mit starkem strukturellem Wachstum benötigen Modelle, die langfristige Aufwärtstrends abbilden können, während andere Werkzeuge brauchen, die Stabilität oder nur langsame Veränderungen erfassen.

Prognosewerkzeuge auf die Probe gestellt

Um zu prüfen, welche Methoden die zukünftige Produktion am besten vorhersagen, verglich das Team vier Arten von Prognosewerkzeugen. Zwei stammen aus der klassischen Statistik und suchen nach glatten Mustern und Trends über die Zeit. Ein weiteres, das als score-gesteuerter Ansatz bezeichnet wird, erlaubt es, dass Schlüsselkomponenten des Modells sich allmählich verschieben, wenn neue Daten eintreffen, sodass es sich an veränderte Bedingungen anpassen kann. Das vierte Werkzeug, bekannt als XGBoost, ist eine verbreitete Methode des maschinellen Lernens, die viele Entscheidungsbäume kombiniert, um komplexes und unregelmäßiges Verhalten in den Daten zu erfassen. Die Forschenden trainierten alle vier Methoden mit Daten von 1961 bis 2014 und testeten dann, wie gut sie die Jahre 2015 bis 2021 vorhersagten.

Kurzfristige Güte versus langfristige Glaubwürdigkeit

Bei diesen Tests lieferte XGBoost oft die niedrigsten Fehler, insbesondere in Jahren mit hoher Produktionsvolatilität. Das bedeutet, dass es sehr gut darin war, jüngste Auf- und Abschwünge nachzubilden. Die Autorinnen und Autoren heben jedoch einen wichtigen Nachteil hervor: baumbasierte Modelle des maschinellen Lernens tun sich schwer, Werte über das hinaus zu projizieren, was sie bereits gesehen haben. Bei Kulturen wie Tomaten in Indien und Bangladesch, deren Produktion über Jahrzehnte gestiegen ist, zeigt sich diese Schwäche in unrealistisch flachen Zukunftsszenarien. Klassische Methoden hingegen sind darauf ausgelegt, zugrunde liegende Trends in die Zukunft fortzuschreiben, auch wenn sie kurzfristig weniger spektakulär sind.

Das richtige Werkzeug für jedes Land wählen

Unter Abwägung von Genauigkeit und Glaubwürdigkeit trafen die Autorinnen und Autoren eine wohlüberlegte Wahl eines jeweils „praktischen“ Modells für jedes Land. Für Bangladesch wählten sie ein Verfahren der exponentiellen Glättung, das den langfristigen Aufwärtstrend behutsam fortschreibt und zugleich auf jüngste Schocks reagiert. Für China, Indien, Pakistan und Sri Lanka entschieden sie sich für score-gesteuerte Modelle, die sich verändernde Wachstumsraten nachverfolgen können, ohne an die Begrenzungen zu stoßen, die baumbasierte Systeme haben. Mit diesen Modellen prognostizierten sie die Tomatenproduktion bis 2028. Die Ergebnisse deuten darauf hin, dass Bangladesch, China, Indien und Pakistan voraussichtlich weiteres Wachstum bei den Tomatenernten sehen werden, während die Produktion in Sri Lanka sich voraussichtlich abflacht und nur leichte Zuwächse zeigt.

Was das für die Lebensmittelplanung bedeutet

Für Nicht-Fachleute lautet die Hauptbotschaft, dass bessere Tomatenprognosen klügere Entscheidungen entlang der gesamten Lebensmittelkette unterstützen können. Indem die Studie zeigt, dass einige fortgeschrittene Methoden des maschinellen Lernens bei kurzfristiger Volatilität glänzen, aber versagen, wenn es darum geht, langfristige Trends fortzuschreiben, warnt sie davor, sich auf einen einzelnen Modellentyp zu verlassen. Die länderspezifischen Prognosen bieten ein klareres Bild davon, wie sich das Tomatenangebot bis 2028 entwickeln könnte, und helfen Planenden, sich auf steigende Nachfrage vorzubereiten, Landwirten Investitionszeitpunkte zu optimieren und Märkten, Preisspitzen abzufedern.

Zitation: Al khatib, A.M.G., Alshaib, B.M., Mishra, P. et al. Forecasting tomato production in major Asian producers: a comparative study of ARIMA, exponential smoothing, score-driven models, and XGBoost. Sci Rep 16, 15722 (2026). https://doi.org/10.1038/s41598-026-46110-y

Schlüsselwörter: Tomatenproduktion, Ernteprognose, Zeitreihenmodelle, maschinelles Lernen in der Landwirtschaft, asiatische Ernährungssicherheit