Dario Schulz, Christian Stetter, Javier Muro, Jonas Spekker, Jan Börner, Anna Cord und Robert Finger*

Grünland macht mit 34 % der gesamten landwirtschaftlichen Nutzfläche einen großen Teil der europäischen Agrarlandschaften aus. Sie sind von enormer Bedeutung für zahlreiche wildlebende Pflanzen- und Tierarten. Grünland erbringt mehrere regulierende Ökosystemleistungen. Dazu gehören die Speicherung von Kohlenstoff, die Regulierung des Wasserhaushalts und die Förderung der Bestäubung. Letztere ist für die Pflanzenvermehrung unerlässlich. Außerdem spielen sie eine entscheidende Rolle bei der Futterproduktion und der Beweidung durch Vieh. Das macht sie für die Ernährungssicherheit unverzichtbar. Doch die Art und Weise, wie wir Grünland bewirtschaften, insbesondere durch Praktiken wie Mähen, Beweidung oder Düngung, kann erhebliche Auswirkungen auf die Entwicklung der biologischen Vielfalt und die Bereitstellung von Ökosystemleistungen haben.

Eine intensive Grünlandbewirtschaftung, wie z.B. häufiges Mähen, wird häufig durchgeführt, um den Heu- oder Silageertrag zu maximieren, kann aber unbeabsichtigte Folgen haben. Während die Flächenproduktivität steigt, nimmt die Vielfalt der Pflanzenarten im Grasland tendenziell ab, was der allgemeinen Gesundheit und Widerstandsfähigkeit des Ökosystems schadet. Daraus ergibt sich eine wichtige Frage: Wie können wir Grünland so bewirtschaften, dass Produktivität und Artenvielfalt ausgewogen bleiben?

Bisherige Studien suggerieren oft einen negativen Zusammenhang zwischen Bewirtschaftungsintensität und Biodiversität, das Ausmaß dieses Zusammenhangs ist jedoch heterogen und kontextabhängig. Die vorhandenen Studien basieren häufig auf Experimenten, aber es fehlen Studien, welche die kausalen zwischen Bewirtschaftungsintensität, Biodiversität und Ertrag sowie eine Quantifizierung der zugrunde liegenden Heterogenität für reale Agrarsysteme und verschiedene Regionen analysieren.

In einem kürzlich in der Fachzeitschrift Communications Earth & Environment veröffentlichten Artikel (Schulz et al. 2024) untersuchen wir, wie und wo die Häufigkeit des Mähens, ein wichtiger Indikator für die Intensität der Grünlandbewirtschaftung, die Anzahl der Pflanzenarten beeinflusst. Mithilfe eines auf Fernerkundung basierenden maschinellen Lernmodells (Muro et al. 2022) prognostizieren wir den Pflanzenartenreichtum auf mehr als 1,3 Millionen landwirtschaftlichen Grünlandfeldern zwischen 2017 und 2020. Diese Kartierung kombinieren wir mit Schätzungen der Mähhäufigkeit (Schwieder et al. 2022) und schätzen mittels Generalised Random Forest die Auswirkungen einer Änderung der Mähhäufigkeit auf den besagten Pflanzenartenreichtum für jedes Feld. In anderen Worten: Wir schätzen, welche Artenvielfalt bei einer anderen, hypothetischen Mähfrequenz zu erwarten wäre. Zu diesem Zweck identifizieren und vergleichen wir Gebiete, die sich in ihren beobachteten Umweltmerkmalen sehr ähneln und sich nur in ihrem Mähregime unterscheiden. Dieser Ansatz ermöglicht einen direkten Vergleich unter gleichbleibenden Bedingungen, so dass wir abschätzen können, was unter einem anderen, nicht beobachteten Mähregime geschehen würde – die so genannte kontrafaktische Situation.

Abbildung 1: Auswirkungen von Änderungen der Mähhäufigkeit auf den Pflanzenartenreichtum. Die Karte zeigt die räumliche Verteilung der vorhergesagten Auswirkungen auf Feldebene bei einer Erhöhung der Mähhäufigkeit um eine Einheit. Die Schätzungen auf Parzellenebene sind zur Visualisierung über vier Jahre (2017-2020) und auf einem Raster von 1 x 1 km gemittelt.

Wie zu erwarten, zeigen unsere Ergebnisse, dass eine erhöhte Mahdhäufigkeit zu einer signifikanten Abnahme der Artenvielfalt führt. Im Schnitt führt eine zusätzliche Mahd zu 1.6 Pflanzenarten weniger. Frühere Studien haben bereits die ökologischen Mechanismen beschrieben, die diesem Effekt zugrunde liegen. Uns interessiert jedoch, wie dieser Effekt regional variiert und wie wir diese Variabilität nutzen können, um die Effektivität der Naturschutzpolitik zu verbessern. Unsere Ergebnisse zeigen signifikante regionale Unterschiede (siehe Abbildung 1). So hat eine einzige vermiedene Mahd in bereits intensiv genutzten Regionen wie Südbayern oder Niedersachsen einen deutlich geringeren positiven Effekt auf den Artenreichtum als in weniger intensiv genutzten Regionen wie Brandenburg. Wir untersuchen in der Studie auch die Kontextfaktoren, die diese Unterschiede erklären, und zeigen, dass sowohl schlagspezifische Umweltfaktoren als auch sozioökonomische Faktoren auf Kreisebene eine Rolle spielen.

Im darauffolgenden Schritt stellen wir die Frage: Wie hoch sind die möglichen Kosten durch Ertragseinbußen für mehr Pflanzenarten auf einem bestimmten Feld? Dazu verwenden wir ein biophysikalisches Graswachstumsmodell namens LINGRA-N (Wolf 2012), um die Trockenmasseerträge von Heu unter dem beobachteten Bewirtschaftungsregime zu simulieren, und berechnen dann die Veränderung der Erträge im kontrafaktischen Szenario mit einem anderen Mahdregime.

Es zeigt sich, dass im Allgemeinen gilt: Je seltener gemäht wird, desto geringer ist der Trockenmasseertrag. Indem wir also die vorhergesagte Zunahme des Pflanzenartenreichtums durch den vorhergesagten Rückgang des Heuertrags, multipliziert mit dem Heupreis, teilen, ermitteln wir für jedes Feld, wie viel es kosten würde, eine zusätzliche Pflanzenart zu erhalten. Im Durchschnitt bedeutet eine zusätzliche Pflanzenart die durch geringere Mähhäufigkeit erreicht wird, einen Ertragsausfall im Wert von durchschnittlich 126 € pro Hektar und Jahr. Auch diese Werte sind über Deutschland hinweg sehr unterschiedlich, und in den intensiv genutzten Regionen sind die Opportunitätskosten einer zusätzlichen Pflanzenart im Vergleich zu weniger produktiven Regionen bis zu zehnmal höher (Abbildung 2c).

Abbildung 2: Obere Grenze der Opportunitätskosten eines erhöhten Pflanzenartenreichtums. Panel a zeigt die Verteilung des entgangenen Trockenmasseertrags pro Hektar bei einer um eine Einheit niedrigeren Mähfrequenz. Panel b zeigt die kumulative Kurve der oberen Grenze der Opportunitätskosten in Form der entgangenen Heuproduktion unter der Annahme eines durchschnittlichen Heupreises von 70 € pro Tonne. Das graue Konfidenzband zeigt die jährliche Variabilität und den Vorhersagefehler an. Panel c zeigt die räumliche Verteilung der damit verbundenen Opportunitätskosten in Form des Geldwerts des entgangenen Heuertrags pro Einheit Zunahme des Pflanzenartenreichtums.

Dies hat wichtige politische Implikationen, die wir in unserem Artikel diskutieren. Unsere Ergebnisse deuten unter anderem darauf hin, dass eine einheitliche Politik, die die Schnitthäufigkeit auf allen Grünlandflächen regelt, wahrscheinlich nicht der beste Weg ist. Die Lösung besteht vielmehr darin, auf der Grundlage ökologischer und sozioökonomischer Bedingungen Gebiete zu identifizieren, in denen Naturschutzmaßnahmen wie Ausgleichszahlungen am kostengünstigsten sind. Durch die Konzentration von Maßnahmen auf Gebiete, in denen der Kompromiss zwischen Ertrag und Artenreichtum weniger gravierend ist, können wir die Gesamtkosten für die Erhaltung der biologischen Vielfalt senken. Unsere Studie zeigt, dass die räumliche Konzentration von Naturschutzmaßnahmen auf Gebiete, in denen die Wirkung am größten und die Opportunitätskosten am geringsten sind, zu erheblichen Effizienzgewinnen führt.

In einer Szenarioanalyse zeigen wir, dass eine optimal ausgerichtete Politik, die Landwirte für Ertragsverluste entschädigt, die gleiche Wirkung auf die biologische Vielfalt hat, aber bis zu 60 % günstiger ist als eine Politik, die nicht räumlich ausgerichtet ist. Diese Ergebnisse sind von entscheidender Bedeutung für das Erreichen globaler Ziele wie der „30 X 30“ Initiative, die darauf abzielt, 30 Prozent der terrestrischen Ökosysteme bis 2030 zu schützen, und für die Umsetzung des kürzlich verabschiedeten EU-Gesetzes zur Wiederherstellung der Natur. Es ist von entscheidender Bedeutung, dass wir diese Zielkonflikte besser verstehen und bewältigen. Mit der groß angelegten Anwendung und der Diskussion möglicher künftiger Verbesserungen stellen wir ein praktisches und skalierbares Instrument vor. Es dient als erster Schritt, um politischen Entscheidungsträgern und Raumplanern dabei zu helfen, ein Gleichgewicht zwischen der Nachfrage von landwirtschaftlichen Produkten einerseits und der Notwendigkeit, die biologische Vielfalt zu schützen und die Bereitstellung von Ökosystemleistungen zu gewährleisten andererseits, herzustellen.

Artikel (Open Access): Schulz, D., Stetter, C., Muro, J., Spekker, J., Börner, J., Cord, A. F., & Finger, R. (2024). Trade-offs between grassland plant biodiversity and yields are heterogenous across Germany. Communications Earth & Environment, 5(1), 514. https://doi.org/10.1038/s43247-024-01685-0

Referenzen zu den Aussagen und weitere Diskussionspunkte finden Sie im Artikel.

*Autoren: Dario Schulz (European Forest Institute, Bonn, Germany. Ehem. University of Bonn, Germany), Christian Stetter (ETH Zürich, Zürich, Switzerland), Javier Muro (Thünen Institute, Braunschweig, Germany), Jonas Spekker (University of Bonn, Bonn, Germany), Jan Börner (University of Bonn, Germany), Anna Cord (University of Bonn, Bonn, Germany) and Robert Finger (ETH Zürich, Zürich, Switzerland).

Kontakt:  dario.schulz@efi.int

Referenzen

Muro, J., Linstädter, A., Magdon, P., Wöllauer, S., Männer, F. A., Schwarz, L.-M., Ghazaryan, G., Schultz, J., Malenovský, Z., & Dubovyk, O. (2022). Predicting plant biomass and species richness in temperate grasslands across regions, time, and land management with remote sensing and deep learning. Remote Sensing of Environment, 282(1), Article 1. https://doi.org/10.1016/j.rse.2022.113262

Schwieder, M., Wesemeyer, M., Frantz, D., Pfoch, K., Erasmi, S., Pickert, J., Nendel, C., & Hostert, P. (2022). Mapping grassland mowing events across Germany based on combined Sentinel-2 and Landsat 8 time series. Remote Sensing of Environment, 269, 112795. https://doi.org/10.1016/j.rse.2021.112795

Wolf, J. (2012). LINGRA-N: Simple generic model for simulation of grass growth under potential, water limited and N limited conditions [Software]. https://models.pps.wur.nl/lingra-n-grassland-model-potential-water-limited-and-n-limited-conditions-fortran