Future ecosystem services of temperate grasslands: bridging scales towards high-resolution spatio-temporal monitoring

Grünländer bedecken etwa 38% der europäischen Agrarfläche und bieten verschiedene Ökosystemdienstleistungen wie Futterproduktion, Biodiversitätsschutz und Kohlenstoffbindung. Diese Ökosystemleistungen hängen stark von der Biomasseproduktion ab, welche aufgrund des globalen Wandels in Zukunft ungewiss ist. Allem voran wird davon ausgegangen, dass eine steigende atmosphärische CO2-Konzentration ([CO2 ]) die Biomasseproduktivität insbesondere unter trockenen und heißen Bedingungen erhöht (genannt CO2 -Düngeeffekt; CFE), während im Allgemeinen solche wahrscheinlichen zukünftigen Umweltbedingungen die Grünlandproduktivität eher verringern. Jüngst aufgekommene Zweifel an der klassischen Sichtweise auf den CFE erfordern jedoch eine gründliche Analyse der Wechselwirkungen des CFE mit unterschiedlichen Umgebungsbedingungen auf die Grünlandproduktivität, welche in der Regel mittels CO2 -Anreicherungsstudien erreicht wird. Hier haben sich Free Air Carbon dioxide Enrichment (FACE) Experimente aufgrund ihres minimal-invasiven Charakters als am besten geeignete Ansätze bewiesen. Folglich verwendet diese Studie das weltweit am längsten laufende FACE-Experiment auf Grünland, das Giessen FACE (GiFACE), um den potentiellen, zukünftigen Wert verschiedener Ökosystemleistungen unter Einfluss des globalen Wandels besser abschätzen zu können. Zunächst wurde getestet, ob der CFE im GiFACE-Grünland unter extremeren durchschnittlichen Wetterbedingungen und nach extremen Klimaereignissen reduziert ist. Für die Quantifizierung des CFE in Abhängigkeit von durchschnittlichen Wetterbedingungen unter verschiedenen [CO2 ]s wurde ein spezifischer Ansatz, genannt Moving Subset Analyse, entwickelt, um den realen Bedingungen Rechnung zu tragen. Zusätzlich wurde eine Zeitreihenanalyse entwickelt, um einzelne extreme Klimaereignisse (ECEs) mit der Stärke des CFE zu korrelieren. Es wurde festgestellt, dass der CFE unter den lokal durchschnittlichen Wetterbedingungen signifikant und stark ausfiel (definiert durch ±1 SD der langfristigen durchschnittlichen Wetterbedingungen), unter extremeren Wetterbedingungen sich jedoch stark verringerte. Der stärkste Rückgang des CFE unter ECEs war mit intensiven und langen Hitzewellen verbunden und konnte weitgehend durch die Berechnung der Killing Degree Days quantifiziert werden (∼30% der Varianz des CFE). Da festgestellt wurde, dass der CFE unter ungünstigen Umweltbedingungen reduziert ist, wurde das zukünftige Potenzial der Grünlandproduktivität in einem weiteren Schritt bewertet. Hierfür sind potenzielle zukünftige Klimaregime und statistische Modelle für den Biomassezuwachs auf Basis der langfristigen experimentellen Beobachtungen erstellt worden. Der Biomassezuwachs wurde mit leicht veränderten Klimavariablen innerhalb der potenziellen Klimaregime vorhergesagt. Der Vergleich der potentiellen Klimaregime mit den Prognosen von Klimamodellen für die Jahre mit einer ähnlichen [CO2] im Vergleich zu der angereicherten [CO2] ergab, dass die Biomasse in der Mitte des 21. Jahrhunderts trotz der Zunahme von [CO2] voraussichtlich reduziert sein wird. Dies zeigt, dass der CFE Ertragsausfälle durch ungünstige Umgebungsbedingungen nicht kompensieren kann. Kurzfristige Umweltveränderungen wie ECEs wirkten sich nachweislich auf die Produktivität des Grünlandes aus, während ihr Einfluss mittels traditioneller destruktiver Stichprobenverfahren zu den Erntezeiten schwer zu erheben ist. Um diese Einschränkungen durch die Probenahme zu überwinden, wurde im letzten Schritt dieser Studie die Machbarkeit des nicht-invasiven hyperspektralen Monitoring des GiFACE-Grünlands mit einer hohen raum-zeitlichen Auflösung untersucht. Um mit den hyperspektralen Daten und der umfassenden Statistiksoftware CRAN R zu arbeiten wurden spezifische Methoden entwickelt. Mit diesen Methoden wurden Transferfunktionen zwischen hyperspektralen Messungen und verschiedenen im Labor gemessenen Grünlandmerkmalen unter Anwendung maschineller Lernansätze abgeleitet. Gute bis sehr gute Leave-One-Out-Kreuzvalidierung Ergebnisse zeigten, dass die wichtigsten ökosystemleistungen durch hyperspektrale Ansätze präzise vorhergesagt werden können. Hyperspektrale Vorhersagen der wichtigsten Grünlandmerkmale während der Vegetationsperiode zeigten, wie Fernerkundungsansätze das Grünlandmanagement in Zukunft verbessern können. Alarmierend ist, dass ein reduzierter CFE und eine reduzierte Biomasseproduktivität in Grünland unter ungünstigen zukünftigen Umweltbedingungen, wie sie in dieser Arbeit festgestellt wurden, einen abnehmenden Wert an Ökosystemdienstleistungen wie der Kohlenstoffsequestrierung und der damit verbundenen Klimaschutzfunktionen in Zukunft erwarten lassen. Dies kann – einem Teufelskreis ähnlich – zu einer weiteren Verschärfung der erwarteten globalen Veränderungen führen und erfordert dringend bessere Minderungs- und Anpassungsstrategien. Hierfür notwendige Maßnahmen könnten, wie die vorliegende Arbeit zeigt, durch Fernerkundungsmethoden angeleitet und überwacht werden.