Wereldwijde datasets voor gewasgeschiktheid van 17 gewassen onder het huidige (2024) en toekomstige klimaatscenario's (2041–2100)

Waarom de toekomst van gewassen ons allemaal aangaat

Nu de wereldbevolking groeit en het klimaat opwarmt, dringt een fundamentele vraag zich op: waar op aarde zullen we onze basisgewassen nog kunnen verbouwen? Deze studie gaat die vraag te lijf door gedetailleerde mondiale kaarten te maken die laten zien hoe geschikt verschillende plekken zijn voor het telen van 17 belangrijke gewassen, zowel vandaag als onder toekomstige klimaatomstandigheden. Deze kaarten kunnen boeren, planners en burgers helpen begrijpen hoe de voedselproductie de komende decennia kan verschuiven.

In kaart brengen waar gewassen kunnen gedijen

De auteurs richten zich op “gewasgeschiktheid”, oftewel hoe goed lokale klimaat- en natuurlijke omstandigheden het volledige groeicyclus van een gewas kunnen ondersteunen, van zaaien tot oogsten. In plaats van te vertrouwen op verouderde vuistregels of grove wereldgemiddelden, stellen zij een zeer grote, actuele dataset samen die weerspiegelt hoe moderne gewasrassen tegenwoordig daadwerkelijk worden geteeld. Ze combineren drie belangrijke bronnen van gegevens over gewasaanwezigheid: veldwaarnemingen uit een biodiversiteitsdatabase, gedetailleerde gewaskaarten van satellieten en een recente mondiale dataset met gewasstatistieken. Samen leveren deze bronnen miljoenen waarnemingspunten voor 17 belangrijke gewassen, waaronder tarwe, rijst, maïs, soja, wortelgewassen, oliegewassen en industriële gewassen zoals katoen en suikerriet.

Van aardgegevens naar een atlas van gewasgeschiktheid

Om te begrijpen waarom gewassen op bepaalde plekken voorkomen, koppelt de studie deze gewaslocaties aan 30 omgevingsfactoren die sterk van invloed zijn op plantengroei. Deze factoren bestrijken drie hoofdaspecten van het landschap. Topografische gegevens beschrijven hoogte en vorm van het land, waaronder elevatie en helling. Bodemgegevens karakteriseren textuur, diepte, zoutgehalte, organische stof en nutriënten. Meteorologische gegevens leggen neerslag, temperatuur, straling, bodemvocht en warmte-eenheden vast die nodig zijn voor de ontwikkeling van gewassen. Voor de huidige periode (2024) komen deze variabelen uit hoogresolutie wereldwijde producten gebaseerd op weerrecords, hydrologische schattingen en satellietwaarnemingen. Voor de toekomst (2041–2100) gebruiken de auteurs klimaatprojecties van de nieuwste generatie wereldwijde klimaatmodellen onder vier verschillende sociaaleconomische en emissiepaden.

Hoe de modellen van het landschap leren

Met deze gecombineerde dataset trainen de onderzoekers voor elk gewas een afzonderlijk machine-learningmodel met behulp van het random forest-algoritme. Voor elk steekproefpunt ziet het model of het gewas aanwezig of afwezig is en welke omgevingsomstandigheden erbij horen. Het leert zo onderscheid te maken tussen plekken die het gewas bevorderen en plekken die dat niet doen. Om overfitting te voorkomen en te zorgen dat de modellen goed over regio's heen generaliseren, gebruiken de auteurs een ruimtelijke kruisvalidatiestrategie waarbij trainings- en testdata geografisch gescheiden blijven. Ze gebruiken ook een procedure voor kenmerkselectie om redundante voorspellers te schrappen en een Bayesiaanse zoekmethode om modelinstellingen te optimaliseren. De resulterende modellen behalen hoge nauwkeurigheid: op onafhankelijke testdata is de gemiddelde totale nauwkeurigheid over 17 gewassen ongeveer 94%, waarbij zowel de categorieën “geschikt” als “niet geschikt” betrouwbaar worden geclassificeerd.

Vandaag's velden zien en morgen's verschuivingen

Zodra de modellen zijn getraind, worden ze toegepast op elk gridcel van 1 km bij 1 km wereldwijd, voor het huidige klimaat en voor drie toekomstige tijdvensters onder vier klimaatscenario's. In plaats van een simpele ja-of-nee-uitkomst geven de modellen een continue geschiktheidsscore tussen 0 en 1, die later in categorieën kan worden ingedeeld voor visualisatie. De auteurs vergelijken hun huidige kaarten met veelgebruikte wereldwijde geschiktheidsdatasets zoals GAEZ en GLUES. Hun kaarten komen globaal goed overeen maar tonen fijnere ruimtelijke details en betere afstemming met onafhankelijke, hoogresolutie gewaskaarten in regio's zoals Noordoost-China en Argentinië. Temperatuurgerelateerde variabelen en warmte-eenheden blijken bijzonder belangrijk bij het verklaren waar gewassen kunnen groeien, wat de gevoeligheid van de wereldwijde landbouw voor klimaatopwarming benadrukt.

Wat dit betekent voor voedsel en planning

De studie levert een vrij beschikbare, hoogresolutie wereldatlas van gewasgeschiktheid voor 17 belangrijke gewassen, die zowel het heden als een reeks toekomstige klimaatpaden beslaat. Hoewel de auteurs benadrukken dat toekomstige projecties niet als exacte voorspellingen moeten worden gelezen—vooral in regio's waar klimaten buiten eerder waargenomen omstandigheden treden—bieden de kaarten een krachtig hulpmiddel om relatieve winsten en verliezen in gewaspotentieel te verkennen. Voor besluitvormers die zich zorgen maken over het voeden van een grotere bevolking op een veranderende planeet kunnen deze datasets informeren waar prime landbouwgrond te beschermen is, waar nieuwe kansen zich kunnen voordoen en waar huidige teeltsystemen zich mogelijk moeten aanpassen of verplaatsen.

Bronvermelding: 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

Trefwoorden: geschiktheid van gewassen, klimaatverandering, voedselzekerheid, remote sensing, machine learning