Het simuleren van verschillende scenario’s voor vegetatiedynamiek onder invloed van menselijke en klimatologische factoren op basis van residual trend-analyse en machine learning

Waarom het lot van een afgelegen stroomgebied ertoe doet

In het hart van Iran ligt het stroomgebied van Gavkhuni, een droge regio waar boerderijen, grazige gebieden en een ooit levendig moerasgebied allemaal afhankelijk zijn van een kwetsbare balans tussen klimaat en menselijk gebruik. Deze studie stelt een vraag die veel verder reikt dan Iran: wanneer planten verdwijnen of groener worden, hoeveel daarvan is te wijten aan een opwarmend, uitdrogend klimaat en hoeveel komt door onze eigen keuzes — steden, landbouw en landherstelprojecten? Door deze invloeden van elkaar te scheiden, biedt het onderzoek inzicht in hoe mensen landdegradatie kunnen versnellen of juist de natuur kunnen helpen herstellen in waterschaarse gebieden wereldwijd.

Planten vanuit de ruimte volgen

De onderzoekers volgden hoe de vegetatie in het Gavkhuni-stroomgebied veranderde van 2001 tot 2023 met behulp van satellietgegevens. Ze maakten gebruik van de Enhanced Vegetation Index (EVI), die een duidelijker beeld van de plantgezondheid geeft dan meer bekende indices doordat hij beter omgaat met lichte bodems en hazy condities die vaak voorkomen in aride gebieden. Voor ieder jaar concentreerden ze zich op mei, de maand waarin planten doorgaans het groenst zijn. Over dezelfde periode berekenden ze een droogte-indicator genaamd de Standardized Precipitation Evapotranspiration Index (SPEI), die neerslag en temperatuur combineert om te laten zien hoeveel water er werkelijk beschikbaar is voor planten.

Het voetspoor van het klimaat scheiden van dat van ons

Vegetatieverandering alleen waarnemen is niet genoeg; de uitdaging is vast te stellen of klimaat of mensen er hoofdzakelijk verantwoordelijk voor zijn. Hiervoor gebruikte het team een techniek die residual trend-analyse wordt genoemd. Eerst gebruikten ze de droogte-index om te voorspellen hoe de vegetatie eruit zou zien als alleen het klimaat de drijvende kracht was. Vervolgens vergeleken ze deze ‘alleen-klimaat’ voorspelling met wat de satellieten daadwerkelijk registreerden. Waar het land groener was dan het klimaat alleen zou suggereren, concludeerden ze een positieve menselijke invloed, zoals irrigatie of herstelwerkzaamheden. Waar het bruiner was dan verwacht, schreven ze extra schade toe aan menselijke druk, zoals stedelijke uitbreiding of overbegrazing.

Waar het land vergroent en waar het verdwijnt

Het beeld dat naar voren kwam was geen simpele achteruitgang, maar een lappendeken van verlies en herstel. Het klimaat was de belangrijkste oorzaak van vegetatieafname in ongeveer eenvijfde van het stroomgebied, vooral in drogere noordelijke, oostelijke en zuidelijke zones met lage neerslag en hoge temperaturen. Daarentegen waren menselijke activiteiten de dominante reden voor vegetatietoename in bijna 38 procent van het gebied. Een groot deel van deze vergroening vond plaats in westelijke en centrale delen van het bekken, waar landbouw, boomgaarden, herstel van grazige gebieden en aanplantingen zijn uitgebreid. Menselijke en klimatologische invloeden versterkten elkaar soms, waarbij beide bijdroegen aan groenere condities in ongeveer 12 procent van de regio.

Verborgen waarschuwing in een uitdrogend moeras

Niet alle toename in het vegetatiesignaal was goed nieuws. Aan de benedenloop van het stroomgebied ligt het Gavkhuni-moeras, dat in de afgelopen decennia gekrompen en uitgedroogd is. In satellietgegevens verschijnt open water met zeer lage of negatieve vegetatiewaarden. Naarmate het moeras uitdroogde en kale grond blootlegde, steeg de index richting nul — zelfs als planten niet herstelden. Door kaarten te combineren met lokale kennis lieten de onderzoekers zien dat zowel klimaatverandering als upstream watergebruik deze uitdroging hebben versterkt, waardoor een ooit belangrijk moeras veranderde in een bron van warmere lokale omstandigheden en potentiële stofvorming.

Hoe machine learning het beeld verfijnt

Om dieper te graven gebruikte het team een machine-learningmethode genaamd random forests om te onderzoeken welke factoren het beste verklaarden waar vegetatie toenam of afnam. Ze voedden het model niet alleen met klimaat- en mensgebonden variabelen zoals landgebruik, maar ook met terrein- en bodemgerelateerde informatie, waaronder hoogte, helling en grondwaterzoutgehalte. De resultaten bevestigden dat klimaatextremen bepalend waren voor vegetatieafname in veel arme grazige gebieden, terwijl menselijke acties — vooral landbouw, tuinbouw en herstel van grazige gebieden — centraal stonden bij vegetatiewinst. Hoogte bleek een bijzonder belangrijke factor te zijn, omdat die lokale temperatuur- en neerslagpatronen vormt en helpt verklaren waarom hooggelegen westelijke zones groenere landschappen kunnen ondersteunen.

Wat dit betekent voor mensen en beleid

Voor niet-specialisten is de kernboodschap helder: klimaatverandering duwt grote delen van dit droge stroomgebied richting bruinigere, fragielere landschappen, maar menselijke beslissingen kunnen die trend verergeren of tegengaan. In Gavkhuni veroorzaakten droogte en hitte veel van het vegetatieverlies, terwijl beter landbeheer en gerichte landbouw veel van de vergroening opleverden. Door satellietgegevens te combineren met slimme analyse en machine learning biedt de studie een praktisch instrumentarium voor andere regio’s: identificeer waar het klimaat de hoofdschuldige is, waar menselijke druk schade aanricht en waar zorgvuldige interventie — zoals minder begrazing, efficiënte irrigatie of herbeplanting — de vegetatie een kans op herstel kan geven.

Bronvermelding: Abolhasani, A., Tavili, A. & Khosravi, H. Simulating different scenarios of vegetation dynamics under the influence of human and climatic factors based on the residual trend analysis and machine learning. Sci Rep 16, 6485 (2026). https://doi.org/10.1038/s41598-026-35649-5

Trefwoorden: vegetatiedynamiek, klimaatverandering, menselijke activiteiten, drogegebied-ecosystemen, remote sensing