Başlıca Asya üreticilerinde domates üretimini tahmin etmek: ARIMA, üstel düzeltme, puan-tabanlı modeller ve XGBoost’un karşılaştırmalı çalışması

Gelecekteki domates hasatlarının önemi

Domatesler, sokak yemeklerinden süpermarket raflarındaki soslara kadar Asya’nın mutfaklarında temel bir yer tutuyor. Ancak her bir domatesin arkasında kötü hava koşulları veya fiyat dalgalanmalarından etkilenebilen bir çiftçi, pazar ve politika zinciri bulunuyor. Bu çalışma basit ama hayati bir soru soruyor: çiftçilerin, hükümetlerin ve tüketicilerin hazırlıksız yakalanmaması için kilit Asya ülkelerinde gelecekteki domates hasatlarını nasıl daha iyi tahmin edebiliriz?

Domatesler, çiftçiler ve sofradaki yiyecek

Domates, patatesten sonra en çok üretilen ve ticareti yapılan ürünlerden biri. Vitaminler ve antioksidanlar açısından zengin olup suyu, çorbası, salçası ve sosu üretilebilen büyük bir işleme endüstrisini destekliyor. Asya’da Çin ve Güney Asya ülkeleri birlikte küresel domates arzının önemli bir bölümünü sağlıyor ve milyonlarca küçük çiftçi bu üründen geçimini temin ediyor. Hasatlar dalgalanınca çiftçi gelirleri ve tüketici fiyatları da buna göre değişiyor; bu durum hem kırsal geçim kaynaklarını hem de kentsel gıda güvenliğini tehdit edebiliyor.

Artan hasatlar ve düzensiz büyüme

Araştırmacılar, son altmış yıllık veriye bakarak 1961–2021 yılları arasındaki yıllık domates üretimini Bangladeş, Çin, Hindistan, Pakistan ve Sri Lanka için izlediler. Çin, özellikle 2000 sonrası dönemde dramatik bir yükseliş gösterdi; mütevazı bir üreticiden artık her yıl on milyonlarca ton üreten bir devi haline geldi. Hindistan da güçlü bir genişleme kaydetti, ancak daha istikrarlı bir hızla. Buna karşılık Bangladeş, Pakistan ve Sri Lanka daha ılımlı büyüme sergiledi; zaman zaman inişler ve çıkışlar görüldü. Bu farklılıklar önemli: hızlı yapısal büyüme gösteren ülkeler uzun vadeli yukarı eğilimleri izleyebilen modellere ihtiyaç duyarken, diğerleri stabiliteyi veya yalnızca yavaş değişimi yakalayabilen araçlara gereksinim duyuyor.

Tahmin araçlarını teste sokmak

Hangi yöntemlerin gelecek üretimi en iyi şekilde tahmin ettiğini görmek için ekip dört tür tahmin aracını karşılaştırdı. İkisi klasik istatistikten geliyor ve zaman içinde düzgün desenler ile eğilimler arıyor. Bir diğeri, puan-tabanlı yaklaşım, modelin ana parçalarının yeni veriler geldikçe kademeli olarak değişmesine izin veriyor; böylece değişen koşullara uyum sağlayabiliyor. Dördüncü araç ise XGBoost olarak bilinen, verideki karmaşık ve düzensiz davranışları yakalamak için birçok karar ağacını birleştiren popüler bir makine öğrenimi yöntemi. Araştırmacılar dört yöntemi de 1961–2014 verileriyle eğitti, sonra 2015–2021 yıllarını ne kadar iyi tahmin ettiklerini test ettiler.

Kısa vadeli beceri vs. uzun vadeli gerçekçilik

Bu testlerde XGBoost genellikle en düşük hatayı üretti; özellikle üretimin dalgalı olduğu yıllarda. Bu, son dönemdeki iniş ve çıkışları yakalama konusunda çok iyi olduğu anlamına geliyor. Ancak yazarlar önemli bir sakınca vurguluyor: ağaç tabanlı makine öğrenimi modelleri, gördükleri değerlerin ötesine geçerek projeksiyon yapmakta zorlanıyor. Hindistan ve Bangladeş gibi üretimin on yıllardır arttığı ülkelerde bu zayıflık, geleceğe yönelik çizgilerin gerçekçi olmayan şekilde düzleşmesi olarak ortaya çıkıyor. Buna karşılık klasik yöntemler, kısa vadede daha gösterişli olmasalar da, alttaki eğilimleri zamana doğru uzatacak şekilde inşa edilmişlerdir.

Her ülke için doğru aracı seçmek

Doğruluk ve gerçekçiliği birlikte değerlendirerek yazarlar her ülke için bir “pratik” model dikkatle seçtiler. Bangladeş için uzun vadeli yukarı eğilimi nazikçe uzatırken aynı zamanda son şoklara tepki veren bir üstel düzeltme yöntemi seçtiler. Çin, Hindistan, Pakistan ve Sri Lanka içinse puan-tabanlı modelleri tercih ettiler; bu modeller ağaç tabanlı sistemleri sınırlayan tavan etkisine takılmadan değişen büyüme oranlarını takip edebiliyor. Bu modelleri kullanarak 2028’e kadar domates üretimini öngördüler. Sonuçlar Bangladeş, Çin, Hindistan ve Pakistan’da domates hasatlarının büyümeye devam etme olasılığının yüksek olduğunu, Sri Lanka’nın üretiminin ise yalnızca hafif artışlarla düzleşeceğini gösteriyor.

Gıda planlaması için anlamı

Uzman olmayanlar için ana mesaj, daha iyi domates tahminlerinin gıda zinciri boyunca daha akıllı kararları destekleyebileceği. Bazı gelişmiş makine öğrenimi araçlarının kısa vadeli oynaklıkta üstün, ancak uzun vadeli eğilimleri uzatmak istendiğinde başarısız olduğunu göstererek çalışma, tek bir model türüne güvenilmemesi gerektiği konusunda uyarıyor. Ülke bazlı tahminleri, 2028’e dek domates arzının nasıl evrilebileceğine dair daha net bir tablo sunuyor; bu da planlayıcıların artan talebe hazırlanmasına, çiftçilerin yatırımlarını zamanlamasına ve piyasaların fiyat sıçramalarına karşı önlem almasına yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: domates üretimi, ürün tahmini, zaman serisi modelleri, tarımda makine öğrenimi, Asya gıda güvenliği