Der Klimawandel bringt häufigere und intensivere klimatische Extremereignisse mit sich. Es ist jedoch unklar, wie genau sich die Klimaextreme auf die Verteilung der Vegetation in der Zukunft auswirken werden. Dies ist eine akute Frage für die Forschung, um kommende Extreme und ihre Auswirkungen auf die Vegetation abmildern zu können.
Eine in der Zeitschrift Global Change Biology veröffentlichte Studie untersucht großräumige Beziehungen zwischen Vegetation und klimatischen Merkmalen mithilfe von maschinellem Lernen. Sie zeigt, dass durch die Kombination von Klima- und Fernerkundungsdaten zur Bodenbedeckung mit baumstrukturierten Vorhersagemodellen, den so genannten Entscheidungsbäumen, die klimatischen Schwellenwerte, die die Verteilung der vorherrschenden Vegetation auf verschiedenen räumlichen Ebenen strukturieren, wirksam extrahiert werden können.
Die Ergebnisse dieser Studie unterstreichen die Bedeutung von Klimaextremen für die Verteilung mehrerer wichtiger Vegetationstypen. So sind beispielsweise Trockenheit oder extreme Kälte für die Dominanz von Savannen und Laubwäldern von entscheidender Bedeutung.
„Eine der wichtigsten Fragen, die es in der weiteren Forschung noch zu beantworten gilt, ist, ob die in dieser Studie erkannten Klimaschwellenwerte statisch sind oder sich mit den zukünftigen Klimaveränderungen verändern“, sagt der Forscher Hui Tang von der Abteilung Geowissenschaften der Universität Oslo.
Zusammenarbeit zwischen maschinellem Lernen und Vegetationsexperten
Die Vorhersage der künftigen Verteilung der Vegetation als Reaktion auf den Klimawandel ist eine anspruchsvolle Aufgabe, die ein detailliertes Verständnis dafür erfordert, wie die Vegetationsverteilung in großem Maßstab mit dem Klima zusammenhängt. Das Forschungsteam, bestehend aus Informatikern, Vegetationsmodellierern und Vegetationsspezialisten, untersucht die Regeln aus den Entscheidungsbaummodellen, um zu sehen, ob sie informativ sind und ob sie zusätzliche Erkenntnisse liefern, die in mechanistische Vegetationsmodelle einfließen könnten.
„Es ist eine schwierige Aufgabe, zu überprüfen, ob ein datenbasiertes Modell informativ und robust ist. Diese Studie unterstreicht die Bedeutung interpretierbarer Modelle, die eine sinnvolle Zusammenarbeit mit den Fachleuten ermöglichen“, sagt die Doktorandin Rita Beigait? von der Fakultät für Informatik der Universität Helsinki.
„Die in der Studie erkannten wichtigen klimatischen Einschränkungen werden für die Verbesserung prozessbasierter Vegetationsmodelle und deren Kopplung mit den Erdsystemmodellen wertvoll sein“, sagt Hui Tang.
Datum: Februar 25, 2022
Quelle: Universität von Helsinki
Journal Reference:
- Rita Beigaitė, Hui Tang, Anders Bryn, Olav Skarpaas, Frode Stordal, Jarle W. Bjerke, Indrė Žliobaitė. Identifying climate thresholds for dominant natural vegetation types at the global scale using machine learning: Average climate versus extremes. Global Change Biology, 2022; DOI: 10.1111/gcb.16110