Een langdurige gegroepeerde dataset van bovengrondse netto primaire productie voor wereldwijde natuurlijke graslanden

Waarom graslanden ertoe doen in het dagelijks leven

Graslanden lijken misschien eenvoudige groene vlaktes, maar ze voeden stilletjes een groot deel van ’s werelds vee en slaan enorme hoeveelheden koolstof op. Weten hoeveel plantaardig materiaal deze ecosystemen elk jaar boven de bodem produceren is cruciaal om voedselvoorraden, leefgebieden voor wilde dieren en klimaatverandering te voorspellen. Dit artikel presenteert een nieuwe, langlopende wereldwijde dataset die bijhoudt hoe productief natuurlijke graslanden in het verleden zijn geweest en hoe ze in de toekomst kunnen veranderen naarmate het klimaat opwarmt.

Het meten van de groene motor van de planeet

Wetenschappers beschrijven plantengroei als “netto primaire productie”, de netto hoeveelheid koolstof die planten omzetten in nieuw weefsel. Voor mensen en grazende dieren is het bovengrondse deel van die groei—bladeren en stengels—met name belangrijk. Graslanden bedekken ongeveer de helft van het ijsvrije landoppervlak en leveren ongeveer een derde van alle landgebonden plantproductie, dus kleine verschuivingen in hun groei kunnen brede gevolgen hebben voor mondiale voedselsystemen en de koolstofcyclus. Toch vermengen de meeste mondiale datasets wat boven- en ondergronds gebeurt, of beschrijven ze alleen de hedendaagse verstoorde landschappen, niet de natuurlijke referentie die nodig is om menselijke invloed te beoordelen.

Een wereldwijd beeld opbouwen van grond tot hemel

De auteurs maakten een wereldwijde, roostergebaseerde kaart van bovengrondse grasgroei voor natuurlijke, onaangetaste graslanden van 1958 tot 2100. Ze verzamelden eerst meer dan 1.500 veldmetingen van proefpercelen op bijna elk continent, met focus op controlegebieden zonder begrazing. Deze locaties werden gekoppeld aan een eerdere hoog-resolutiekaart van langjarige gemiddelde graslandproductiviteit en aan gedetailleerde klimaatgegevens—temperatuur, neerslag, zonlicht en waterbalans—geput uit historische gegevens en moderne klimaatmodelprojecties. Dat stelde hen in staat te onderzoeken hoe jaar-op-jaar schommelingen rond een lokale basislijn helpen verklaren hoeveel gras elk jaar daadwerkelijk groeit.

Een digitaal bos leren grasgroei te voorspellen

Om deze verspreide metingen in een continu wereldbeeld om te zetten, gebruikte het team verschillende machine-learningmethoden en ontdekte dat een “random forest”-benadering de beste balans bood tussen nauwkeurigheid en robuustheid. In eenvoudige termen bouwt deze methode vele beslissingsbomen die elk suggereren hoe klimaat en langjarige sitecondities zich vertalen naar plantengroei; hun gecombineerde oordeel geeft een betrouwbare schatting. Het model werd getraind om veldgemeten grasgroei te koppelen aan langjarige gemiddelde productiviteit en aan jaarlijkse klimaatanomalieën – hoe het weer van elk jaar afweek van de norm van 1970–2000. Na zorgvuldig testen met verschillende cross-validatieschema’s om overfitting op bepaalde regio’s of klimaten te vermijden, selecteerden ze de best presterende versie en gebruikten die om de jaarlijkse productiviteit voor elke roostercel op aarde te schatten.

De kaarten controleren met andere bewijslijnen

De resulterende dataset werd vervolgens vergeleken met bestaande wereldwijde producten. Ruimtelijk reproduceren de nieuwe kaarten goed bekende patronen: productieve savannes in centraal Afrika en oostelijk Zuid-Amerika, en veel schralere groei op hoge, koude plateaus zoals Tibet. Statistische vergelijkingen tonen sterke overeenstemming met vier eerdere datasets en realistische niveaus van ruimtelijke clustering. In de tijd vergeleek het team hun resultaten met twee langlopende satellietgebaseerde producten voor plantengroei en met output van 20 onafhankelijke ecosysteemmodellen. In de meeste graslandregio’s volgen de op- en neergangen van de nieuwe dataset die andere bronnen nauw, wat suggereert dat het de belangrijkste klimaatgedreven schommelingen in graslandgroei vastlegt. Sommige mismatches treden op in bijzondere gevallen, zoals plaatsen waar houtige planten graslanden binnendringen of waar opwarming planten ertoe brengt meer groei in wortels dan in bladeren te investeren.

Beperkingen, kanttekeningen en hoe dit mensen helpt

Ondanks de sterke punten heeft de dataset blinde vlekken. In zeer weelderige graslanden met extreem hoge plantengroei zijn veldmetingen zeldzaam, waardoor het model de neiging heeft de geproduceerde hoeveelheid gras te onderschatten. Gebruikers worden aangeraden voorzichtig te zijn bij werkzaamheden in deze regio’s en, waar mogelijk, de cijfers met lokale gegevens aan te passen. Desondanks bieden de nieuwe kaarten iets wat eerder ontbrak: een lange, consistente en ruimtelijk gedetailleerde reeks van hoeveel ruwvoer natuurlijke graslanden kunnen produceren onder een bepaald klimaat, los van directe menselijke verstoring.

Wat dit betekent voor de toekomst van graslanden

Voor niet-specialisten is de kernboodschap dat we nu een duidelijkere basislijn hebben voor hoe productief de natuurlijke graslanden van de wereld zijn—en hoe die productiviteit reageert op weer en langdurige klimaatverandering. Daarmee wordt het eenvoudiger om in te schatten in welke mate de veranderingen in grasgroei vandaag voortkomen uit begrazing, landgebruiksveranderingen of klimaatextremen, en om duurzamer beheer van begrazingsgebieden te plannen. Naarmate het klimaat deze eeuw blijft veranderen, kan de dataset beleidsmakers, veehouders en natuurbeheerders helpen voorspellen waar graslanden kunnen worstelen of gedijen, waardoor beslissingen over veestapelgrootte, herstelmaatregelen en bescherming van deze vitale groene motoren van de planeet verbeteren.

Bronvermelding: 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

Trefwoorden: graslandproductiviteit, koolstofcyclus, invloed van klimaatverandering, machine learning ecologie, begrazingsbeheer