Pronóstico de la producción de tomate en los principales productores asiáticos: un estudio comparativo de ARIMA, suavizado exponencial, modelos guiados por puntuación y XGBoost

Por qué importan las cosechas futuras de tomate

Los tomates son un alimento básico en las cocinas de Asia, presentes desde la comida callejera hasta las salsas en los estantes de los supermercados. Detrás de cada tomate, sin embargo, hay una cadena de agricultores, mercados y decisiones políticas que pueden verse sacudidas por el mal tiempo o las oscilaciones de precios. Este estudio plantea una pregunta simple pero vital: ¿cómo podemos predecir mejor las cosechas futuras de tomate en países clave de Asia para que agricultores, gobiernos y consumidores no se vean sorprendidos?

Tomates, agricultores y comida en la mesa

Los tomates son uno de los cultivos más producidos y comercializados del mundo, solo por detrás de la patata. Son ricos en vitaminas y antioxidantes y sostienen una gran industria de procesamiento que los transforma en jugo, sopa, puré y salsas. En Asia, China y los países del sur de Asia suministran en conjunto una parte importante de los tomates mundiales, y millones de pequeños agricultores dependen de este cultivo para sus ingresos. Cuando las cosechas fluctúan, los ingresos agrícolas y los precios al consumidor también se mueven, lo que puede amenazar tanto los medios de vida rurales como la seguridad alimentaria urbana.

Cosechas en aumento y crecimiento desigual

Al revisar sesenta años de datos, los investigadores siguieron la producción anual de tomate entre 1961 y 2021 en Bangladesh, China, India, Pakistán y Sri Lanka. China mostró un ascenso dramático, especialmente después del año 2000, pasando de ser un productor modesto a un gigante que hoy rinde decenas de millones de toneladas por año. India también se amplió con fuerza, aunque a un ritmo más constante. En contraste, Bangladesh, Pakistán y Sri Lanka presentaron un crecimiento más moderado con baches y caídas ocasionales. Estas diferencias importan: los países con rápido crecimiento estructural necesitan modelos que sigan tendencias al alza de largo plazo, mientras que otros requieren herramientas que capten estabilidad o cambios lentos.

Poniendo a prueba las herramientas de pronóstico

Para ver qué métodos predicen mejor la producción futura, el equipo comparó cuatro tipos de herramientas de pronóstico. Dos proceden de la estadística clásica, que busca patrones suaves y tendencias a lo largo del tiempo. Otro, llamado enfoque guiado por puntuación, permite que partes clave del modelo cambien gradualmente a medida que llegan nuevos datos, de modo que pueda adaptarse a condiciones cambiantes. La cuarta herramienta, conocida como XGBoost, es un método popular de aprendizaje automático que combina muchos árboles de decisión para captar comportamientos complejos e irregulares en los datos. Los investigadores entrenaron los cuatro métodos usando datos de 1961 a 2014 y luego evaluaron qué tan bien predijeron los años 2015 a 2021.

Habilidad a corto plazo frente a realismo a largo plazo

En estas pruebas, XGBoost a menudo produjo los errores más bajos, especialmente en años con producción volátil. Eso significa que fue muy bueno para reproducir subidas y bajadas recientes. Sin embargo, los autores señalan una limitación importante: los modelos basados en árboles de decisión tienen dificultades para proyectar valores más allá de lo que ya han visto. Para cultivos como el tomate en India y Bangladesh, donde la producción ha subido durante décadas, esta debilidad se manifiesta como líneas futuras irrealistamente planas. Los métodos clásicos, en cambio, están diseñados para extender las tendencias subyacentes en el tiempo, aunque sean menos espectaculares a corto plazo.

Elegir la herramienta adecuada para cada país

Teniendo en cuenta tanto la precisión como el realismo, los autores escogieron con cuidado un modelo “práctico” para cada nación. Para Bangladesh, seleccionaron un método de suavizado exponencial, que extiende suavemente la tendencia al alza a largo plazo a la vez que reacciona a choques recientes. Para China, India, Pakistán y Sri Lanka eligieron modelos guiados por puntuación, que pueden seguir tasas de crecimiento cambiantes sin topar con el techo que limita a los sistemas basados en árboles. Con estos modelos, pronosticaron la producción de tomate hasta 2028. Los resultados sugieren que Bangladesh, China, India y Pakistán probablemente verán un crecimiento continuado en las cosechas de tomate, mientras que la producción de Sri Lanka se espera que se estabilice con solo ligeros aumentos.

Qué significa esto para la planificación alimentaria

Para quienes no son especialistas, el mensaje principal es que mejores pronósticos de tomate pueden respaldar decisiones más inteligentes en toda la cadena alimentaria. Al mostrar que algunas herramientas avanzadas de aprendizaje automático sobresalen en la volatilidad a corto plazo pero flaquean cuando se les pide extender tendencias a largo plazo, el estudio advierte contra confiar en un solo tipo de modelo. Sus pronósticos país por país ofrecen una imagen más clara de cómo podría evolucionar la oferta de tomate hasta 2028, ayudando a los planificadores a prepararse para una demanda creciente, a los agricultores a programar inversiones y a los mercados a amortiguar los picos de precios.

Cita: 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

Palabras clave: producción de tomate, pronóstico de cultivos, modelos de series temporales, aprendizaje automático en agricultura, seguridad alimentaria en Asia