Landnutzungssteuerung der Dynamik organischer Bodenkohlenstoffe in Amazonas-Ökosystemen, Brasilien

Warum der Boden unter dem Amazonas wichtig ist

Der Amazonas-Regenwald wird oft als die Lunge des Planeten bezeichnet, aber ein stillerer Riese liegt unter den Füßen: der Boden. Diese Studie untersucht, wie verschiedene Formen der Landnutzung im Amazonas — Bewahrung als Wald, Umwandlung in Weideland oder Bestellung als Ackerland — die Menge an Kohlenstoff verändern, die in der oberen Bodenschicht gespeichert ist. Da Bodenkohlenstoff das Klima mitreguliert und fruchtbaren Boden für Nahrung und Wälder erhält, ist das Verständnis dieser Veränderungen für alle wichtig, die sich für Klimawandel, Biodiversität und nachhaltige Landwirtschaft interessieren.

Verschiedene Arten der Landnutzung

Die Forschenden konzentrierten sich auf einen Abschnitt des brasilianischen Amazonas, der Wälder, Viehweiden und Ackerland umfasst. Anhand von 649 Bodenproben aus den obersten 30 Zentimetern sowie älteren „Legacy“-Bodendaten verglichen sie, wie Bodeneigenschaften zwischen den Nutzungsarten variierten. Waldböden enthielten deutlich mehr organischen Kohlenstoff und Stickstoff als Weide- oder Ackerböden, was Jahrzehnte von Laubfall, Wurzeln und minimalen Störungen widerspiegelt. Ackerflächen zeigten dagegen die niedrigsten Kohlenstoffwerte, wahrscheinlich verursacht durch wiederholte Bodenbearbeitung, Entfernung von Ernterückständen und die Exposition des Bodens gegenüber Sonne und Regen. Weiden lagen meist dazwischen und speicherten mehr Kohlenstoff als Felder, aber weniger als intakte Wälder.

Warum manche Böden mehr Kohlenstoff halten

Über die reine Messung von Kohlenstoff hinaus untersuchte das Team weitere Bodeneigenschaften wie Textur (Sand, Schluff, Ton), Dichte, Säuregehalt und die Fähigkeit von Bodenpartikeln, Nährstoffe zu halten und auszutauschen. Zwei chemische Merkmale stachen hervor: die Kationenaustauschkapazität (ein Maß dafür, wie viele nährstofftragende geladene Stellen der Boden hat) und die Basensättigung (wie sehr diese Stellen mit bestimmten Nährstoffen gefüllt sind). Waldböden wiesen generell höhere Werte für diese Eigenschaften und zugleich reichere Kohlenstoffvorräte auf. Das deutet darauf hin, dass dort, wo Bodenminerale und organische Substanz stark interagieren, Kohlenstoff eher in stabilen Formen geschützt wird, während bestimmte Nährstoffbedingungen seinen Abbau beschleunigen können.

Computern beibringen, den Boden zu lesen

Um von einzelnen Messpunkten zu kontinuierlichen Karten zu gelangen, griffen die Wissenschaftler zu fortgeschrittenen Computermodellen. Sie trainierten mehrere Algorithmen des maschinellen Lernens — Random Forests, Support Vector Machines und neuronale Netze — neben traditionelleren statistischen Methoden, um Bodenkohlenstoff aus den gemessenen Boden- und Umweltvariablen vorherzusagen. Nach rigoroser Kreuzvalidierung erwies sich Random Forest als das genaueste Modell und erfasste nahezu die gesamte Variation des Bodenkohlenstoffs in der Landschaft. Während klassische Modelle leichter zu interpretieren waren, konnten sie nicht die Vorhersagekraft dieser neueren Werkzeuge erreichen, die besonders gut mit komplexen, nichtlinearen Beziehungen umgehen können.

Verborgene Muster und Ursachen erkennen

Da starke Vorhersageleistung nicht automatisch Ursache und Wirkung aufdeckt, nutzte das Team zusätzlich eine Methode namens Strukturgleichungsmodellierung. Damit konnten sie nachzeichnen, wie Bodenchemie, physikalische Struktur und lokale Bedingungen jeweils direkt und indirekt zur Kohlenstoffspeicherung beitragen. Sie fanden heraus, dass die nährstoffhaltende Kapazität tendenziell die Kohlenstoffbindung erhöht, während eine höhere Basensättigung oft den gegenteiligen Effekt hatte, möglicherweise weil sie Mikroben fördert, organische Substanz schneller abzubauen. Bodentemperatur und Verdichtung spielten in dem relativ einheitlichen Klima des Untersuchungsgebiets nur geringe direkte Rollen, was die Idee stärkt, dass lokale Bodenchemie hier ein dominanter Hebel für Bodenkohlenstoff ist.

Karten, die künftige Entscheidungen leiten können

Indem sie das leistungsstärkste Modell auf räumliche Daten anwendeten, erstellten die Forschenden detaillierte Karten des Bodenkohlenstoffs unter Wald, Weide und Ackerland. Waldgebiete zeigten die höchsten und beständigsten Kohlenstoffvorräte; Weiden wiesen moderate und fragmentierte Reserven auf; Ackerflächen hatten die niedrigsten und am stärksten zerteilten Kohlenstoffbestände. Diese Muster bestätigen, dass die Rodung von Wald zugunsten der Landwirtschaft typischerweise Kohlenstoff aus dem Boden entzieht, während das Verbleiben im Wald oder die Wiederbewaldung diesen verborgenen Speicher über die Zeit wieder aufbauen kann. Die Autorinnen und Autoren weisen darauf hin, dass die Studie nur die oberen 30 Zentimeter des Bodens abdeckt und auf gegenwärtigen Zusammenhängen beruht, die sich mit Klima- oder Bewirtschaftungsänderungen verschieben könnten.

Was das für Mensch und Planet bedeutet

Einfach gesagt zeigt die Studie, dass das Bedecken von Amazonasflächen mit Wald — oder zumindest eine schonende Bewirtschaftung — dazu beiträgt, mehr Kohlenstoff im Boden zu binden und damit sowohl Klimastabilität als auch Bodengesundheit zu fördern. Fortgeschrittene Computermodelle, insbesondere Random Forests, bieten eine leistungsfähige Möglichkeit, verstreute Bodenmessungen in praktische Karten zu verwandeln, die Naturschutz- und Landwirtschaftsentscheidungen lenken können. Wenn künftige Arbeiten tiefere Bodenschichten und langfristige Überwachung einbeziehen, könnte dieser Ansatz politischen Entscheidungsträgern und Flächenmanagern helfen zu entscheiden, wo Schutz oder Wiederherstellung von Wäldern und die Verbesserung der Bodenchemie den größten Nutzen für das Klima und für die von Amazonas abhängigen Gemeinschaften bringen wird.

Zitation: Tiruneh, G.A., Righi, C.A., Polizel, J.L. et al. Land-use controls on soil organic carbon dynamics across Amazonian ecosystems, Brazil. Sci Rep 16, 13693 (2026). https://doi.org/10.1038/s41598-026-43978-8

Schlüsselwörter: Bodenkohlenstoff, Amazonas-Regenwald, Landnutzungswandel, maschinelles Lernen, Klimaschutz