Un set di dati grigliato a lungo termine della produttività primaria netta aerea per le praterie naturali globali

Perché le praterie contano nella vita di tutti i giorni

Le praterie possono sembrare semplici distese di verde, ma alimentano silenziosamente gran parte del bestiame mondiale e immagazzinano enormi quantità di carbonio. Conoscere quanto materiale vegetale questi ecosistemi producono ogni anno sopra il suolo è fondamentale per prevedere le riserve alimentari, l’habitat della fauna selvatica e gli effetti del cambiamento climatico. Questo articolo presenta un nuovo set di dati globale a lungo termine che traccia quanto siano state produttive in passato le praterie naturali e come potrebbero cambiare in futuro con il riscaldamento climatico.

Misurare il motore verde del pianeta

Gli scienziati descrivono la crescita delle piante come «produttività primaria netta», la quantità netta di carbonio che le piante trasformano in nuovo tessuto. Per le persone e gli animali al pascolo, la parte aerea di quella crescita — foglie e fusti — è particolarmente importante. Le praterie coprono circa la metà delle terre emerse libere dai ghiacci e contribuiscono a circa un terzo di tutta la produzione vegetale terrestre: quindi anche piccoli cambiamenti nella loro crescita possono riverberarsi nei sistemi alimentari globali e nel ciclo del carbonio. Eppure la maggior parte dei dataset globali mescola ciò che avviene sopra e sotto il suolo, oppure descrive solo i paesaggi disturbati attuali, non il riferimento naturale necessario per valutare l’impatto umano.

Costruire un quadro globale dal suolo al cielo

Gli autori hanno creato una mappa mondiale a griglia della crescita aerea delle praterie naturali e indisturbate dal 1958 fino al 2100. Hanno innanzitutto compilato oltre 1.500 misure sul campo provenienti da parcelle di ricerca su quasi tutti i continenti, concentrandosi su siti di controllo senza pascolo. Hanno associato questi dati di sito a una precedente mappa ad alta risoluzione della produttività media a lungo termine delle praterie e a informazioni climatiche dettagliate — temperatura, precipitazioni, luce solare e bilancio idrico — tratte da registri storici e da proiezioni dei modelli climatici moderni. Questo ha permesso loro di investigare come le oscillazioni meteorologiche anno per anno intorno a un riferimento locale contribuiscano a spiegare quanta erba cresce effettivamente ogni anno.

Insegnare a una foresta digitale a prevedere la crescita dell’erba

Per trasformare queste misure frammentarie in un quadro globale continuo, il team ha utilizzato diversi metodi di machine learning e ha riscontrato che l’approccio «random forest» offriva il miglior equilibrio tra accuratezza e robustezza. In termini semplici, questo metodo costruisce molti alberi decisionali che ciascuno suggerisce come il clima e le condizioni di sito a lungo termine si traducano in crescita vegetale; il verdetto combinato fornisce una stima affidabile. Il modello è stato addestrato a collegare la crescita delle praterie misurata in campo con la produttività media a lungo termine e con le «anomalie» climatiche annuali — come il clima di ogni anno differiva dalla norma 1970–2000. Dopo aver testato attentamente le prestazioni con diversi schemi di cross‑validation per evitare overfitting a regioni o climi particolari, hanno selezionato la versione con le migliori prestazioni e l’hanno usata per stimare la produttività annua per ogni cella della griglia terrestre.

Verificare le mappe rispetto ad altre linee di evidenza

Il dataset risultante è stato quindi confrontato con prodotti globali esistenti. Spazialmente, le nuove mappe riproducono schemi ben noti: savane produttive nell’Africa centrale e nell’America del Sud orientale, e una crescita molto più rada su altipiani alti e freddi come il Tibet. I confronti statistici mostrano una forte concordanza con quattro dataset precedenti e livelli realistici di aggregazione spaziale. Nel tempo, il team ha confrontato i propri risultati con due prodotti satellitari di lunga durata sulla crescita vegetale e con gli output di 20 modelli ecosistemici indipendenti. Nella maggior parte delle regioni prative, gli alti e bassi del nuovo dataset seguono da vicino quelle altre fonti, suggerendo che cattura le principali oscillazioni guidate dal clima nella crescita delle praterie. Alcune discrepanze emergono in casi particolari, come luoghi dove piante legnose stanno invadendo le praterie o dove il riscaldamento spinge le piante a investire più crescita nelle radici che nelle foglie.

Limiti, avvertenze e come questo aiuta le persone

Nonostante i suoi punti di forza, il dataset presenta punti ciechi. In praterie molto rigogliose con una produttività estremamente alta, le misure sul campo sono rare, quindi il modello tende a sottostimare la quantità di erba prodotta. Si invita alla prudenza gli utilizzatori che lavorano in queste regioni e, dove possibile, ad adattare i numeri con dati locali. Anche così, le nuove mappe offrono qualcosa che prima non esisteva: un record lungo, coerente e spazialmente dettagliato di quanto foraggio le praterie naturali possano produrre sotto un dato clima, separato dalle perturbazioni antropiche dirette.

Cosa significa questo per il futuro delle praterie

Per i non specialisti, il messaggio chiave è che ora disponiamo di un riferimento più chiaro su quanto siano produttive le praterie naturali del mondo — e su come quella produttività risponda al tempo e ai cambiamenti climatici a lungo termine. Questo rende più semplice valutare quanto dei cambiamenti odierni nella crescita dell’erba derivi dal pascolo, dalle trasformazioni d’uso del suolo o da eventi climatici estremi, e pianificare un uso più sostenibile dei pascoli. Con il proseguire del cambiamento climatico nel corso di questo secolo, il dataset può aiutare decisori politici, allevatori e conservazionisti a prevedere dove le praterie potrebbero soffrire o prosperare, migliorando le decisioni su consistenza degli animali, interventi di ripristino e protezione di questi vitali motori verdi del pianeta.

Citazione: 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

Parole chiave: produttività delle praterie, ciclo del carbonio, impatto dei cambiamenti climatici, machine learning in ecologia, gestione dei pascoli