Die Beobachtungen der Crowd zur Biodiversität schließen Lücken in der globalen Kartierung von Pflanzenmerkmalen

Warum alltägliche Naturbeobachtungen heute für die globale Wissenschaft wichtig sind

Von Fotos von Wildblumen im Hinterhof bis zu sorgfältigen Erhebungen in abgelegenen Wäldern dokumentieren Menschen weltweit, wo Pflanzen vorkommen und wie sie beschaffen sind. Diese Studie zeigt, wie sich verstreute Beobachtungen – kombiniert mit Satellitenbildern und professionellen Felddaten – in detaillierte globale Karten darüber verwandeln lassen, wie Pflanzen wachsen, überleben und sich vermehren. Diese Karten helfen zu verstehen, wie Wälder, Grasländer und andere Ökosysteme auf den Klimawandel reagieren, und können Maßnahmen zum Schutz der Biodiversität lenken.

Was Pflanzen antreibt

Pflanzen unterscheiden sich in vielen messbaren Merkmalen: wie groß ihre Blätter sind, wie dicht ihr Holz ist, wie tief ihre Wurzeln reichen oder wie viel Stickstoff ein Blatt enthält. Diese „funktionalen Merkmale“ steuern, wie Pflanzen Licht, Wasser und Nährstoffe nutzen, und formen zusammen die Funktionsweise ganzer Ökosysteme. Sie beeinflussen, wie viel Kohlenstoff Wälder speichern, wie schnell Wasser durch Landschaften zirkuliert und wie widerstandsfähig Vegetation gegenüber Hitze, Dürre und Störungen ist. Wissenschaftler möchten wissen, wie diese Merkmale auf dem Planeten verteilt sind, doch direkte Feldmessungen sind zeitaufwendig und ungleich verteilt, sodass große Regionen schlecht erfasst bleiben.

Aus verstreuten Aufzeichnungen ein globales Bild machen

Um diese Lücken zu schließen, entwickelten die Autorinnen und Autoren ein Rahmenwerk, das drei Hauptinformationsquellen zusammenführt. Erstens: Expertenvegetationsaufnahmen, bei denen geschulte Botaniker alle Pflanzenarten und ihre Häufigkeit in sorgfältig ausgewählten Parzellen erfassen. Zweitens: crowdsourced Beobachtungen, die über Plattformen gesammelt werden, die Daten an das Global Biodiversity Information Facility liefern, wo Bürgerinnen und Bürger geokodierte Pflanzenbeobachtungen hochladen. Drittens: Merkmalsmessungen aus einer großen internationalen Datenbank, die Labor- und Feldmessungen wie Blattchemie, Pflanzenhöhe oder Samenmasse zusammenführt. Diese biologischen Daten werden dann mit hochauflösenden Umweltkarten verknüpft, die aus erdbeobachtenden Satelliten sowie Klima- und Bodenkarten abgeleitet sind, etwa Oberflächenreflexion, Temperatur, Niederschlag und Bodeneigenschaften.

Wie das Modellieren im Inneren funktioniert

Mithilfe dieser Eingaben trainierte das Team fortschrittliche Machine-Learning-Modelle, um die durchschnittlichen Merkmalswerte lokaler Pflanzengemeinschaften für 31 verschiedene Merkmale vorherzusagen, in räumlichen Auflösungen bis zu einem Quadratkilometer. Sie testeten drei Ansätze: nur Expertendaten aus Parzellen, nur Citizen-Science-Daten oder eine Kombination beider. Um sich nicht durch zu optimistische Ergebnisse zu täuschen, validierten sie die Modelle mit einer speziellen Form der Kreuzprüfung, die Trainings- und Testgebiete räumlich trennt. So konnten sie nicht nur sehen, wie genau die Vorhersagen dort waren, wo Daten vorlagen, sondern auch, wie gut sie auf neue Regionen mit anderen Umweltbedingungen übertragbar sind.

Was die Karten über die Stärke der Daten zeigen

Der kombinierte Ansatz übertraf oder erreichte die Qualität früherer globaler Merkmalskarten für Schlüsselmerkmale wie spezifische Blattfläche und Blattstickstoffgehalt und erzielte Korrelationswerte von bis zu etwa 0,65 mit unabhängigen Erhebungsdaten. Expertendaten aus Parzellen waren im Durchschnitt an gut abgedeckten Orten etwas genauer, doch durch die Ergänzung mit Citizen-Science-Beobachtungen wurden die Gebiete, in denen die Modelle verlässliche Vorhersagen treffen konnten, deutlich ausgeweitet und die Unsicherheit reduziert — besonders in abgelegenen oder untererfassten Regionen wie Wüsten, alpinen Zonen, tropischen Wäldern und Feuchtgebieten. Die Studie zeigte außerdem, dass unterschiedliche Merkmale auf unterschiedlichen Kartenauflösungen am besten vorhergesagt werden: Einige reagieren vor allem auf lokale Bedingungen, andere folgen breiten klimatischen Gradienten, was verdeutlicht, dass es keine Einheitslösung für die räumliche Skala zum Verständnis pflanzlicher Strategien gibt.

Warum das für den Planeten und für Sie wichtig ist

Praktisch gesehen liefern diese neuen Karten Ökologinnen und Klimamodellierern ein viel schärferes, vollständigeres Bild davon, wie Pflanzengemeinschaften weltweit funktionieren. Sie können verwendet werden, um Simulationen von Kohlenstoff- und Wasserkreisläufen zu verbessern, die Klassifizierung von Biomen zu verfeinern und Regionen zu identifizieren, in denen einzigartige oder besonders gefährdete Pflanzenstrategien bedroht sein könnten. Vielleicht am wichtigsten ist: Die Arbeit zeigt, dass alltägliche Beobachtungen von Bürgerwissenschaftlern, wenn sie sorgfältig mit Experten- und Satellitendaten kombiniert werden, die Forschung zum globalen Wandel deutlich voranbringen können. Je mehr Menschen die Pflanzen um sie herum dokumentieren und je besser die Fernerkundungstechnologien werden, desto klarer und nützlicher wird unser Bild der lebenden Erdoberfläche für den Naturschutz und Klimaschutz.

Zitation: Lusk, D., Wolf, S., Svidzinska, D. et al. Crowdsourced biodiversity monitoring fills gaps in global plant trait mapping. Nat Commun 17, 1203 (2026). https://doi.org/10.1038/s41467-026-68996-y

Schlüsselwörter: Pflanzenmerkmale, Citizen Science, Fernerkundung, Biodiversitätskartierung, Ökosystemfunktion