von Christian Stetter, Robert Huber und Robert Finger*. In einer neuen Studie untersuchten wir, wie maschinelles Lernen genutzt werden kann, um das Verhalten von Landwirten in Landnutzungsmodelle zu integrieren und so Anpassungsstrategien an den Klimawandel zu entwickeln.

Angesichts der zunehmenden Bedrohung durch den Klimawandel stehen Landwirte vor der Herausforderung, ihre Anbaupraktiken anzupassen und widerstandsfähiger gegen extremere Wetterbedingungen zu machen. Landnutzungsmodelle eignen sich, um ex-ante die Auswirkungen des Klimawandels auf die Landwirtschaft zu verstehen und geeignete Anpassungsstrategien zu entwickeln. Diese Modelle helfen, die Entscheidungen von Landwirten unter sich ändernden Klimabedingungen zu simulieren und Auswirkungen und Anpassungsstrategien zu bewerten, aber auch den Einfluss möglicher Politikmassnahmen zu testen (Fei & McCarl, 2023). Bisherige Landnutzungsmodelle stossen oft an ihre Grenzen, wenn es darum geht, das Verhalten und Präferenzen aller Akteure (was einzelne Akteure bevorzugen) in räumlich explizite Modelle zu integrieren (Huber et al., 2018).

In einer in der Fachzeitschrift Applied Economic Perspectives and Policy veröffentlichten Studie zeigen wir, wie innovative Methoden des maschinellen Lernens genutzt werden können, um das Verhalten von Landwirten in räumlich explizite Landnutzungsmodelle zu integrieren und um potenzielle Anpassungsstrategien an den Klimawandel zu untersuchen (Stetter et al., 2024). Kern der Studie ist die Entwicklung eines neuartigen Modellansatzes, der Entscheidungsprozesse von Landwirten auf Basis empirischer Daten zu Landnutzungspräferenzen  und raumbezogenen Klima- und Wetterbedingungen räumlich explizit simuliert. Ziel war es, mit Hilfe des entwickelten Ansatzes herauszufinden, ob und wie Landwirte Agroforstpraktiken als Klimaanpassungsstrategie übernehmen würden, wenn sich Klima-, Markt- und Politikbedingungen ändern.

Im Fokus der Anpassungsstrategie standen Agroforstsysteme, also die Integration von schnell wachsenden Bäumen in Ackerflächen. Sie gilt als vielversprechender Ansatz zur Anpassung an den Klimawandel und kann dazu beitragen, klimabedingte Ertragsschwankungen zu verringern, die Bodenfruchtbarkeit zu verbessern und die Biodiversität zu erhöhen. Darüber hinaus bietet sie zusätzliche Einkommensquellen für Landwirte und trägt zur Widerstandsfähigkeit von Agrarökosystemen bei (van Noordwijk et al., 2021).

Die Innovation der Studie liegt in der Verwendung eines „Recommender Systems“ aus dem Bereich des maschinellen Lernens. Der Algorithmus funktioniert ähnlich wie Empfehlungssysteme, die man aus dem Alltag von Film- und Musikempfehlungen bei Netflix oder Spotify kennt (Silva et al., 2022). Diese Systeme schlagen ihnen Filme oder Musik vor, die mit ihren Präferenzen übereinstimmen, welche sie durch frühere Entscheidungen offenbart haben. In unserem Fall kombinieren wir Informationen aus einem ökonomischen Entscheidungsexperiment und empirischen Daten zu lokalen Wettermustern und landwirtschaftlichen Gegebenheiten. Auf dieser Basis lernt der Algorithmus, Empfehlungen für den Anbau von Agroforst zu machen, sodass der Gesamtnutzen für die Landwirte maximiert wird (siehe Abbildung 1).

Die Präferenzen der Landwirte für verschiedene Landnutzungsformen wurden mit Hilfe eines „Discrete Choice Experiment“ (DCE) mit ermittelt. Dabei mussten sich die Befragten in verschiedenen Entscheidungssituationen zwischen Agroforstwirtschaft und konventionellem Ackerbau entscheiden. Das Experiment wurde im Oktober 2020 online durchgeführt und richtete sich an Ackerbaubetriebe in Bayern.  Insgesamt konnten die Antworten von 198 bayerischen Landwirt:innen verwertet werden, die sich räumlich über ganz Bayern verteilen (Stetter & Sauer,  2024). Diese Daten wurden anschliessend mit historischen Wetterdaten an den jeweiligen Betriebsstandorten kombiniert.

Anhand dieser Daten lernte der Algorithmus, welche Landnutzung unter bestimmten Klima- und Wetterbedingungen und unter Berücksichtigung der Präferenzen der Landwirte am vorteilhaftesten ist. Der Algorithmus konnte dann auch für die Simulation Klimaszenarien genutzt werden, um abschätzen zu können, welche Arten von Agroforstsystemen in welchen Regionen in Zukunft am geeignetsten  sein werden und wie Klimaveränderungen und unterschiedliche Markt- und Politikbedingungen das Anpassungsverhalten beeinflussen.

Unsere Simulationen zeigen, dass sich der Nutzen für die Landwirtinnen und Landwirte durch die Möglichkeit des Anbaus von  Agroforstsystemen insgesamt um mehr als 20% erhöhen.

Dabei zeigt unsere Simulation insbesondere, dass es unter zukünftigen Klimaveränderungen nicht zwangsläufig zu einer Ausdehnung der Agroforstsysteme kommt, sondern  zu einer räumlichen Umverteilung der bevorzugten Anbauregionen. Im Wesentlichen würde sich unter Klimaveränderungen das „wo“ dieser Landnutzungen anpassen und nicht das “wie viel”.

Hingegen würde sich in Szenarien, in denen die Wirtschaftlichkeit von Agroforstsystemen durch Marktbedingungen oder politische Massnahmen (z.B. Agrarumweltzahlungen) beeinflusst wird, auch die  Anbauflächen von Agroforstsysteme massgeblich erhöhen (Abbildung 2).

Der entwickelte Ansatz zur Modellierung von Entscheidungsprozessen in der Landwirtschaft bietet eine vielversprechende Möglichkeit, die komplexe Dynamik zwischen dem Verhalten von Landwirten und dem Klimawandel besser zu verstehen. Die Flexibilität und Effizienz des entwickelten Modellansatzes ermöglicht nicht nur die Abbildung bestehender landwirtschaftlicher Entscheidungsprozesse, sondern auch die Simulation neuer und zukünftiger Szenarien. Dies könnte insbesondere für die ex-ante Evaluationen von neuen Politikmassnahmen von grossem Wert sein. Der Ansatz kann kontinuierlich mit neuen Daten gefüttert werden, um sich ändernde Bedingungen und Präferenzen der Landwirte noch besser abzubilden.

Die Ergebnisse zeigten auch, dass räumlich explizite Anreizstrukturen (z.B. durch Agrarumweltmassnahmen)  wichtige Instrumente sein können, um den Übergang zu nachhaltigeren landwirtschaftlichen Praktiken zu fördern. Durch die räumlich explizite Darstellung des Nutzens von Anpassungsmassnahmen können auch räumlich gezielte Informations- und Förderprogramme entwickelt werden.

Für zukünftige Forschung könnte es interessant sein, weitere Verhaltens- und Umweltvariablen in die Modelle zu integrieren und grössere Datenmengen zu nutzen, um die Modelle weiter zu verfeinern und spezifischere lokale Bedingungen abzubilden. Auch die Kombination mit anderen methodischen Ansätzen, wie z.B. agentenbasierten Modellen, könnte interessante Synergien und wertvolle Einblicke in räumlich und zeitlich differenzierte Anpassungsstrategien liefern.

*Christian Stetter, Robert Huber und Robert Finger arbeiten in der Gruppe Agrarökonomie und Agrarpolitik an der ETH Zürich.

Kontakt: cstetter@ethz.ch

Referenzen

Studie: Stetter, C., Huber, R., & Finger, R. (2024). Agricultural land use modeling and climate change adaptation: A reinforcement learning approach. Applied Economic Perspectives and Policy, aepp.13448. https://doi.org/10.1002/aepp.13448

Fei, C. J., & McCarl, B. A. (2023). The Role and Use of Mathematical Programming in Agricultural, Natural Resource, and Climate Change Analysis. Annual Review of Resource Economics, 15(1), 1–24.

Huber, R., Bakker, M., Balmann, A., Berger, T., Bithell, M., Brown, C., Grêt-Regamey, A., Xiong, H., Le, Q. B., Mack, G., Meyfroidt, P., Millington, J., Müller, B., Polhill, J. G., Sun, Z., Seidl, R., Troost, C., & Finger, R. (2018). Representation of decision-making in European agricultural agent-based models. Agricultural Systems, 167(September), 143–160.

Silva, N., Werneck, H., Silva, T., Pereira, A. C. M., & Rocha, L. (2022). Multi-Armed Bandits in Recommendation Systems: A survey of the state-of-the-art and future directions. Expert Systems with Applications, 197(October 2021), 116669.

Stetter, C., Huber, R., & Finger, R. (2024). Agricultural land use modeling and climate change adaptation: A reinforcement learning approach. Applied Economic Perspectives and Policy, aepp.13448.

Stetter, Christian & Sauer, Johannes. (forthcoming). Tackling climate change: Agroforestry adoption in the face of regional weather extremes. Ecological Economics.

van Noordwijk, M., Coe, R., Sinclair, F. L., Luedeling, E., Bayala, J., Muthuri, C. W., Cooper, P., Kindt, R., Duguma, L., Lamanna, C., & Minang, P. A. (2021). Climate change adaptation in and through agroforestry: Four decades of research initiated by Peter Huxley. Mitigation and Adaptation Strategies for Global Change, 26(5), 18.

Anmerkung: Teile des Textes wurden mittels GPT-4 and DeepL bearbeitet und generiert.