Ein langfristiger, gegitterter Datensatz der oberirdischen Nettoprimärproduktivität für globale natürliche Grasländer

Warum Grasländer für den Alltag wichtig sind

Grasländer mögen wie einfache Flächen aus Grün wirken, doch still und leise ernähren sie einen Großteil des Viehs weltweit und speichern enorme Mengen an Kohlenstoff. Zu wissen, wie viel Pflanzenmasse diese Ökosysteme jährlich oberhalb der Bodenoberfläche produzieren, ist entscheidend, um Nahrungsmittelversorgung, Lebensraum für Wildtiere und den Klimawandel vorherzusagen. Dieser Artikel stellt einen neuen, langfristigen globalen Datensatz vor, der verfolgt, wie produktiv natürliche Grasländer in der Vergangenheit waren und wie sie sich in Zukunft mit zunehmender Erwärmung verändern könnten.

Das grüne Triebwerk des Planeten messen

Wissenschaftler beschreiben Pflanzenwachstum als „Netto-Primärproduktivität“ – die Nettomenge an Kohlenstoff, die Pflanzen in neue Biomasse umwandeln. Für Menschen und weidende Tiere ist der oberirdische Anteil dieses Wachstums – Blätter und Stängel – besonders wichtig. Grasländer bedecken etwa die Hälfte der eisfreien Landfläche der Erde und tragen rund ein Drittel der gesamten landbasierten Pflanzenproduktion bei. Kleine Veränderungen in ihrem Wachstum können sich daher durch globale Nahrungssysteme und den Kohlenstoffkreislauf fortpflanzen. Dennoch vermischen die meisten globalen Datensätze, was ober- und unterirdisch passiert, oder sie beschreiben nur heutige gestörte Landschaften statt der natürlichen Basislinie, die nötig ist, um menschliche Einflüsse zu beurteilen.

Ein globales Bild von Boden bis Himmel erstellen

Die Autor:innen erstellten eine weltweite, gitterbasierte Karte des oberirdischen Graswachstums für natürliche, ungestörte Grasländer von 1958 bis 2100. Sie fassten zunächst mehr als 1.500 Feldmessungen aus Versuchsflächen auf nahezu jedem Kontinent zusammen und konzentrierten sich dabei auf Kontrollflächen ohne Beweidung. Diese Standortdaten kombinierten sie mit einer früheren hochauflösenden Karte langfristiger durchschnittlicher Graslandproduktivität sowie mit detaillierten Klimainformationen – Temperatur, Niederschlag, Sonneneinstrahlung und Wasserbilanz – abgeleitet aus historischen Aufzeichnungen und modernen Klimamodellprojektionen. So konnten sie analysieren, wie jährliche Wetterschwankungen um ein lokales Basisniveau erklären helfen, wie viel Gras tatsächlich jedes Jahr wächst.

Einem digitalen Wald beibringen, Graswachstum vorherzusagen

Um diese verstreuten Messungen in ein kontinuierliches globales Bild zu verwandeln, nutzte das Team mehrere Methoden des maschinellen Lernens und fand, dass ein „Random-Forest“-Ansatz das beste Verhältnis von Genauigkeit und Robustheit lieferte. Einfach ausgedrückt baut diese Methode viele Entscheidungsbäume auf, die jeweils vorschlagen, wie Klima und langfristige Standortbedingungen in Pflanzenwachstum übersetzt werden; ihr kombinierter Vergleich liefert eine verlässliche Schätzung. Das Modell wurde darauf trainiert, feldgemessene Grasproduktion mit langfristiger Durchschnittsproduktivität und jährlichen Klima-“Anomalien“ zu verknüpfen – also wie sich das Wetter eines Jahres vom Normwert 1970–2000 unterschied. Nach sorgfältigen Leistungstests mit verschiedenen Cross‑Validation‑Schemata, um Überanpassung an bestimmte Regionen oder Klimazonen zu vermeiden, wählten sie die leistungsfähigste Version aus und nutzten sie, um die jährliche Produktivität für jede Rasterzelle der Erde zu schätzen.

Die Karten mit anderen Belegen abgleichen

Der resultierende Datensatz wurde anschließend gegen bestehende globale Produkte geprüft. Räumlich reproduzieren die neuen Karten bekannte Muster: produktive Savannen in Zentralafrika und im östlichen Südamerika sowie deutlich geringeres Wachstum auf hohen, kalten Plateaus wie Tibet. Statistische Vergleiche zeigen eine starke Übereinstimmung mit vier früheren Datensätzen und realistische Grade räumlicher Clusterbildung. Zeitlich verglich das Team seine Ergebnisse mit zwei langlaufenden satellitengestützten Pflanzenproduktionsprodukten und den Ausgaben von 20 unabhängigen Ökosystemmodellen. In den meisten Graslandregionen folgen Auf- und Abschwünge des neuen Datensatzes diesen anderen Quellen eng, was darauf hindeutet, dass er die hauptsächlichen klimabedingten Schwankungen im Graslandwachstum erfasst. Einige Abweichungen treten in besonderen Fällen auf, etwa dort, wo holzige Pflanzen in Grasländer eindringen oder Erwärmung die Pflanzen dazu veranlasst, relativ mehr Wachstum in die Wurzeln als in die Blätter zu investieren.

Grenzen, Vorbehalte und wie das Menschen nützt

Trotz seiner Stärken hat der Datensatz Lücken. In sehr üppigen Grasländern mit extrem hohem Pflanzenwachstum sind Feldmessungen selten, sodass das Modell dazu neigt, die produzierte Grasmenge zu unterschätzen. Nutzende sollten bei der Arbeit in diesen Regionen vorsichtig sein und, wo möglich, die Zahlen mit lokalen Daten anpassen. Dennoch liefern die neuen Karten etwas, das zuvor nicht existierte: eine lange, konsistente und räumlich fein aufgezeichnete Aufzeichnung darüber, wie viel Futter natürliche Grasländer unter einem gegebenen Klima produzieren können, getrennt von direkter menschlicher Störung.

Was das für die Zukunft der Grasländer bedeutet

Für Nicht‑Spezialist:innen lautet die Kernbotschaft: Wir haben nun eine klarere Basislinie dafür, wie produktiv die natürlichen Grasländer der Welt sind und wie diese Produktivität auf Wetter und langfristigen Klimawandel reagiert. Das erleichtert die Einschätzung, wie viel der heutigen Veränderungen im Graswachstum auf Beweidung, Landnutzungswandel oder Klimaextreme zurückzuführen ist, und unterstützt die Planung einer nachhaltigeren Nutzung von Weideflächen. Während sich das Klima in diesem Jahrhundert weiter verändert, kann der Datensatz Entscheidungsträgern, Viehhalter:innen und Naturschützer:innen helfen vorherzusehen, wo Grasländer schwächer werden oder aufblühen könnten, und so Entscheidungen über Viehbestände, Wiederherstellungsmaßnahmen und Schutz dieser wichtigen grünen Triebwerke des Planeten verbessern.

Zitation: Chen, Z., Zhao, D., Zhang, Z. et al. A long-term gridded dataset of aboveground net primary productivity for global natural grasslands. Sci Data 13, 550 (2026). https://doi.org/10.1038/s41597-026-06944-7

Schlüsselwörter: Produktivität von Grasländern, Kohlenstoffkreislauf, Auswirkungen des Klimawandels, Maschinelles Lernen in der Ökologie, Weidelandmanagement