Globale Eignungs-Datensätze für 17 Nutzpflanzen unter gegenwärtigen (2024) und zukünftigen Klimaszenarien (2041–2100)

Warum die Zukunft der Kulturen uns alle betrifft

Mit wachsender Weltbevölkerung und steigenden Temperaturen stellt sich eine grundlegende Frage dringlicher: Wo auf der Erde werden wir unsere Grundnahrungsmittel künftig noch anbauen können? Diese Studie geht genau dieser Frage nach, indem sie detaillierte globale Karten erstellt, die zeigen, wie geeignet verschiedene Orte heute und unter zukünftigen Klimabedingungen für den Anbau von 17 wichtigen Nutzpflanzen sind. Diese Karten können Landwirtinnen und Landwirten, Planerinnen und Planern sowie der Öffentlichkeit helfen, zu verstehen, wie sich die Nahrungsmittelproduktion in den kommenden Jahrzehnten verschieben könnte.

Kartierung, wo Pflanzen gedeihen können

Die Autorinnen und Autoren konzentrieren sich auf die „Pflanzenanbau-Eignung“, also darauf, wie gut lokale Klima- und Naturräume den vollständigen Wachstumszyklus einer Kultur von der Aussaat bis zur Ernte unterstützen können. Anstatt sich auf ältere Faustregeln oder grobe globale Mittelwerte zu stützen, stellen sie einen sehr großen, aktuellen Datensatz zusammen, der widerspiegelt, wie moderne Sorten heute tatsächlich angebaut werden. Sie kombinieren drei Hauptquellen für Daten zum Vorkommen von Kulturen: Feldbeobachtungen aus einer Biodiversitätsdatenbank, detaillierte Kulturlandkarten aus Satellitenaufnahmen und einen jüngeren globalen Datensatz zu Agrarstatistiken. Gemeinsam ergeben diese Quellen Millionen von Nachweis-Punkten für 17 wichtige Kulturen, darunter Weizen, Reis, Mais, Sojabohnen, Wurzelgemüse, Ölpflanzen und Industriepflanzen wie Baumwolle und Zuckerrohr.

Wie Erd-Daten zu einem Eignungs-Atlas werden

Um zu verstehen, warum Kulturen dort vorkommen, wo sie vorkommen, koppelt die Studie diese Standortdaten mit 30 Umweltfaktoren, die das Pflanzenwachstum stark beeinflussen. Diese Faktoren decken drei Hauptaspekte der Landschaft ab. Topographische Daten beschreiben Höhe und Form des Geländes, einschließlich Elevation und Hangneigung. Bodendaten charakterisieren Textur, Tiefe, Salzgehalt, organische Substanz und Nährstoffe. Meteorologische Daten erfassen Niederschlag, Temperatur, Strahlung, Bodenfeuchte und Wärmesummen, die Pflanzen für ihre Entwicklung benötigen. Für den aktuellen Zeitraum (2024) stammen diese Variablen aus hochauflösenden globalen Produkten, die auf Wetteraufzeichnungen, hydrologischen Schätzungen und Satellitenbeobachtungen beruhen. Für die Zukunft (2041–2100) verwenden die Autorinnen und Autoren Klimaprojektionen der neuesten Generation globaler Klimamodelle unter vier verschiedenen sozioökonomischen und Emissionspfaden.

Wie die Modelle aus der Landschaft lernen

Mit diesem kombinierten Datensatz trainiert das Team für jede Kultur ein eigenes maschinelles Lernmodell unter Verwendung des Random-Forest-Algorithmus. Für jeden Stichprobenpunkt sieht das Modell, ob die Kultur vorhanden oder nicht vorhanden ist, und welche Umweltbedingungen damit verknüpft sind. Anschließend lernt es, Standorte zu unterscheiden, die die Kultur begünstigen, von solchen, die dies nicht tun. Um Überanpassung zu vermeiden und sicherzustellen, dass die Modelle gut zwischen Regionen übertragbar sind, verwenden die Autorinnen und Autoren ein räumliches Kreuzvalidierungsschema, das Trainings- und Testdaten geografisch trennt. Sie wenden außerdem ein Verfahren zur Merkmalsauswahl an, um redundante Prädiktoren zu entfernen, und eine bayesische Suche zur Feinabstimmung der Modellparameter. Die resultierenden Modelle erreichen hohe Genauigkeit: Auf unabhängigen Testdaten liegt die durchschnittliche Gesamtabgenauigkeit über 17 Kulturen bei etwa 94 %, wobei sowohl die Kategorien „geeignet“ als auch „nicht geeignet“ zuverlässig klassifiziert werden.

Die Felder von heute sehen und die Verschiebungen von morgen

Sobald die Modelle trainiert sind, werden sie auf jede 1 km × 1 km-Rasterzelle weltweit angewendet, sowohl für das heutige Klima als auch für drei zukünftige Zeitfenster unter vier Klimaszenarien. Anstelle einer einfachen Ja‑/Nein-Antwort liefern die Modelle einen kontinuierlichen Eignungswert zwischen 0 und 1, der später für Visualisierungen in Kategorien unterteilt werden kann. Die Autorinnen und Autoren vergleichen ihre Karten für die Gegenwart mit weit verbreiteten globalen Eignungsdatensätzen wie GAEZ und GLUES. Ihre Karten stimmen auf großen Maßstäben gut überein, zeigen aber feinere räumliche Details und eine bessere Übereinstimmung mit unabhängigen, hochauflösenden Kulturlandkarten in Regionen wie Nordostchina und Argentinien. Temperaturbezogene Variablen und Wärmesummen erweisen sich als besonders wichtig, um zu erklären, wo Kulturen wachsen können, und unterstreichen die Verwundbarkeit der globalen Landwirtschaft gegenüber der Erwärmung des Klimas.

Was das für Ernährung und Planung bedeutet

Die Studie liefert einen frei verfügbaren, hochauflösenden globalen Atlas zur Eignung von 17 wichtigen Nutzpflanzen, der sowohl die Gegenwart als auch eine Bandbreite möglicher zukünftiger Klimapfade abdeckt. Die Autorinnen und Autoren betonen, dass zukünftige Projektionen nicht als exakte Vorhersagen gelesen werden sollten – insbesondere in Regionen, deren Klima sich in Bereiche verschiebt, die heute nicht beobachtet werden –; dennoch bieten die Karten ein mächtiges Werkzeug, um relative Gewinne und Verluste im Anbaupotenzial zu erkunden. Für Entscheidungsträgerinnen und -träger, die sich Sorgen darüber machen, eine wachsende Bevölkerung auf einem sich wandelnden Planeten zu ernähren, können diese Datensätze dabei helfen zu entscheiden, wo hochwertiges Ackerland zu schützen ist, wo neue Chancen entstehen könnten und wo bestehende Anbausysteme angepasst oder verlagert werden müssen.

Zitation: Wang, T., Dong, J. Global crop suitability datasets for 17 crops under present (2024) and future climate scenarios (2041–2100). Sci Data 13, 691 (2026). https://doi.org/10.1038/s41597-026-06688-4

Schlüsselwörter: Eignung von Nutzpflanzen, Klimawandel, Ernährungssicherheit, Fernerkundung, Maschinelles Lernen