Previsão da produção de tomate nos principais produtores asiáticos: um estudo comparativo de ARIMA, suavização exponencial, modelos dirigidos por pontuação e XGBoost

Por que as colheitas futuras de tomate importam

Os tomates são um alimento básico nas cozinhas de toda a Ásia, presentes desde a comida de rua até molhos nas prateleiras dos supermercados. Por trás de cada tomate, porém, existe uma cadeia de agricultores, mercados e decisões de políticas públicas que pode ser abalada por mau tempo ou oscilações de preço. Este estudo faz uma pergunta simples, porém vital: como podemos prever melhor as colheitas futuras de tomate em países asiáticos-chave para que agricultores, governos e consumidores não sejam pegos de surpresa?

Tomates, agricultores e comida na mesa

Os tomates estão entre as culturas mais produzidas e comercializadas do mundo, perdendo apenas para a batata. São ricos em vitaminas e antioxidantes e sustentam uma grande indústria processadora que os transforma em suco, sopa, polpa e molhos. Na Ásia, China e países do Sul da Ásia fornecem juntos uma parcela importante dos tomates globais, e milhões de pequenos agricultores dependem dessa cultura para sua renda. Quando as colheitas oscilaram, os rendimentos agrícolas e os preços ao consumidor oscilam com elas, o que pode ameaçar tanto os meios de subsistência rurais quanto a segurança alimentar urbana.

Colheitas em ascensão e crescimento desigual

Ao analisar sessenta anos de dados, os pesquisadores acompanharam a produção anual de tomate de 1961 a 2021 em Bangladesh, China, Índia, Paquistão e Sri Lanka. A China mostrou uma escalada dramática, especialmente após 2000, saindo de uma posição modesta para um gigante que hoje produz dezenas de milhões de toneladas por ano. A Índia também cresceu fortemente, embora em ritmo mais constante. Em contraste, Bangladesh, Paquistão e Sri Lanka exibiram crescimento mais suave, com oscilações ocasionais. Essas diferenças importam: países com rápido crescimento estrutural precisam de modelos que sigam tendências de longo prazo, enquanto outros requerem ferramentas capazes de captar estabilidade ou mudanças lentas.

Colocando as ferramentas de previsão à prova

Para ver quais métodos melhor preveem a produção futura, a equipe comparou quatro tipos de ferramentas de previsão. Duas vêm da estatística clássica, que busca padrões suaves e tendências ao longo do tempo. Outra, chamada abordagem dirigida por pontuação, permite que partes-chave do modelo mudem gradualmente à medida que novos dados chegam, adaptando-se a condições variáveis. A quarta ferramenta, conhecida como XGBoost, é um método popular de aprendizado de máquina que combina muitas árvores de decisão para capturar comportamentos complexos e irregulares nos dados. Os pesquisadores treinaram os quatro métodos com dados de 1961 a 2014 e depois testaram o desempenho nas previsões para os anos de 2015 a 2021.

Habilidade de curto prazo versus realismo de longo prazo

Nesses testes, o XGBoost frequentemente apresentou os menores erros, sobretudo em anos de produção volátil. Isso significa que ele foi muito bom em acompanhar altas e baixas recentes. No entanto, os autores apontam uma limitação importante: modelos de aprendizado de máquina baseados em árvores têm dificuldade para projetar valores além do que já viram. Para culturas como o tomate na Índia e em Bangladesh, onde a produção cresce há décadas, essa fraqueza aparece como previsões futuramente irrealisticamente planas. Métodos clássicos, por outro lado, são construídos para estender as tendências subjacentes ao longo do tempo, mesmo que tenham desempenho menos impressionante no curto prazo.

Escolhendo a ferramenta certa para cada país

Considerando precisão e realismo, os autores escolheram cuidadosamente um modelo “prático” para cada nação. Para Bangladesh, selecionaram um método de suavização exponencial, que estende suavemente a tendência de longo prazo ascendente ao mesmo tempo em que reage a choques recentes. Para China, Índia, Paquistão e Sri Lanka, optaram por modelos dirigidos por pontuação, que conseguem acompanhar taxas de crescimento mutáveis sem esbarrar no teto que limita sistemas baseados em árvore. Com esses modelos, projetaram a produção de tomate até 2028. Os resultados sugerem que Bangladesh, China, Índia e Paquistão devem continuar vendo crescimento nas colheitas de tomate, enquanto a produção do Sri Lanka tende a se estabilizar, com aumentos apenas modestos.

O que isso significa para o planejamento alimentar

Para não especialistas, a mensagem principal é que previsões melhores de tomate podem apoiar decisões mais inteligentes ao longo da cadeia alimentar. Ao mostrar que algumas ferramentas avançadas de aprendizado de máquina se destacam na volatilidade de curto prazo, mas falham ao estender tendências de longo prazo, o estudo adverte contra a dependência de um único tipo de modelo. As previsões país a país oferecem uma imagem mais clara de como o fornecimento de tomate pode evoluir até 2028, ajudando planejadores a se prepararem para a demanda crescente, agricultores a programarem investimentos e mercados a amortecerem picos de preço.

Citação: 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

Palavras-chave: produção de tomate, previsão de safras, modelos de séries temporais, aprendizado de máquina na agricultura, segurança alimentar na Ásia