SPECIES DISTRIBUTION PROJECTIONS UNDER INTERNAL CLIMATE VARIABILITY REVEAL MULTIPLE PLAUSIBLE FUTURES REQUIRING FLEXIBLE CLIMATE-READY DECISIONS

Die Studie zeigt, dass interne Klimavariabilität zu qualitativ unterschiedlichen und teilweise widersprüchlichen Verbreitungsprojektionen für marine und terrestrische Arten führt, was flexible, auf ein Spektrum möglicher Szenarien ausgerichtete Entscheidungen für den Biodiversitätsschutz erfordert.

Das Wesentliche

🌍 Wenn das Wetter ein Würfel ist: Warum wir nicht auf eine einzige Zukunftswette setzen sollten

Stellen Sie sich vor, Sie planen eine große Gartenparty für das Jahr 2050. Sie wollen wissen, ob Sie dann noch genug Schattenbäume haben oder ob die Hitze die Blumen vertreibt. Normalerweise schauen Wissenschaftler auf ihre Computermodelle und sagen: „Basierend auf den aktuellen Trends wird es so und so aussehen." Sie geben Ihnen eine Vorhersage – eine einzige, feste Karte.

Diese neue Studie sagt jedoch: Das ist zu riskant.

Die Forscher haben herausgefunden, dass das Klima nicht nur von den Treibhausgasen abhängt, die wir ausstoßen, sondern auch von einem chaotischen, inneren „Zittern" des Systems. Sie nennen das interne Klimavariabilität (ICV).

🎲 Der Würfel-Vergleich

Stellen Sie sich das Klimasystem wie einen riesigen, unsichtbaren Würfel vor. Selbst wenn Sie die Regeln (die Treibhausgase) exakt gleich lassen, fällt der Würfel bei jedem Wurf anders.

• Früher: Wissenschaftler haben den Würfel 100 Mal geworfen, alle Ergebnisse gemittelt und gesagt: „Schauen Sie, das ist das durchschnittliche Ergebnis."
• Jetzt: Die Forscher sagen: „Nein! Schauen Sie sich die 100 einzelnen Würfe an!"

Bei manchen Würfen (denen, die wir als „Startbedingungen" bezeichnen) wird die Party im Schatten stattfinden. Bei anderen Würfen könnte es so heiß sein, dass die Pflanzen vertrocknen. Beide Ergebnisse sind gleich wahrscheinlich, aber sie führen zu völlig unterschiedlichen Entscheidungen.

🐦 Was passiert mit den Tieren?

Die Forscher haben 34 verschiedene Arten untersucht – von Kelpwäldern im Meer bis zu Mücken an Land. Sie haben ihre Computermodelle 100 Mal laufen lassen, jedes Mal mit einem leicht anderen „Startwürfel". Das Ergebnis war überraschend:

1. Das Meer ist stabiler: Für viele Meeresbewohner (wie Kelp) waren die Ergebnisse ziemlich ähnlich, egal wie der Würfel fiel. Das ist wie ein Schiff im ruhigen Ozean – es schwankt, aber es bleibt auf Kurs.
2. Das Land ist chaotisch: Für Tiere an Land (wie Füchse oder Hirsche) waren die Ergebnisse extrem unterschiedlich. Je nach „Würfelwurf" könnte ein Tiergebiet wachsen, schrumpfen oder sogar ganz verschwinden. Das ist wie ein Blatt im Wind – es kann in jede Richtung wehen.

🚦 Die vier Szenarien für Entscheidungsträger

Die Studie teilt die Zukunft in vier Kategorien ein, damit Politiker und Naturschützer wissen, wie sie reagieren sollen:

• Fall 1: „Alles ruhig." (Keine große Veränderung).
  • Analogie: Der Himmel bleibt blau.
  • Handlung: Einfach beobachten, nichts Großes tun.
• Fall 2: „Klarer Trend." (Alle Würfel zeigen das Gleiche).
  • Analogie: Es wird definitiv regnen.
  • Handlung: Handeln! Regenschirme kaufen oder Schutzgebiete ausbauen. Wir sind uns sicher.
• Fall 3: „Richtung klar, aber wie stark?" (Alle sagen „es wird kälter", aber keiner weiß, ob es nur ein kühler Sommer oder ein Eiszeitalter wird).
  • Analogie: Es wird regnen, aber ob es ein Nieselregen oder ein Orkan ist, ist unklar.
  • Handlung: Flexible Pläne machen. Man braucht einen Plan B und C.
• Fall 4: „Völliges Chaos." (Einige Würfel sagen „Wärmer", andere „Kälter").
  • Analogie: Der Wetterbericht sagt mal Sonne, mal Schnee.
  • Handlung: „No-Regrets"-Maßnahmen. Dinge tun, die gut sind, egal was passiert (z. B. Lebensräume schützen), und ständig beobachten.

🌊 Warum ist das wichtig?

Das Wichtigste an dieser Studie ist die Erkenntnis: Es gibt keine „eine wahre Zukunft".

Wenn wir nur auf eine einzige Karte schauen (den Durchschnitt aller Würfe), täuschen wir uns selbst. Wir könnten glauben, ein Gebiet sei sicher, während es in einer anderen realistischen Zukunft schon überflutet ist. Oder wir denken, eine Art stirbt aus, während sie in einer anderen Version der Zukunft sogar profitiert.

Die Lektion für uns alle:
Wir müssen aufhören, nach dem „perfekten Vorhersage-Modell" zu suchen. Stattdessen müssen wir Entscheidungen treffen, die robust sind. Das bedeutet: Wir müssen Pläne entwickeln, die funktionieren, egal welcher der vielen möglichen Würfel fällt.

Statt zu fragen: „Was wird passieren?", sollten wir fragen: „Was tun wir, wenn jeder dieser möglichen Szenarien eintritt?" Nur so können wir wirklich klimaresilient werden.

Technische Zusammenfassung

Titel: Projektionen der Artenverteilung unter interner Klimavariabilität offenbaren multiple plausible Zukünfte, die flexible, klimaresiliente Entscheidungen erfordern

1. Problemstellung

Traditionelle Modelle zur Artenverteilung (Species Distribution Models, SDMs) gehen oft davon aus, dass ein bestimmter Emissionspfad eine weitgehend vorhersagbare ökologische Reaktion impliziert. In der Praxis werden SDMs häufig mit einem einzigen Klimaszenario oder dem Mittelwert eines Ensembles (Ensemble-Mittel) gefüttert. Dabei wird die interne Klimavariabilität (ICV) – die Divergenz zwischen verschiedenen Realisierungen desselben Klimamodells, die allein auf unterschiedliche Anfangsbedingungen zurückzuführen ist – ignoriert oder herausgemittelt.

Das zentrale ungelöste Problem ist nicht die Existenz von ICV, sondern wie deren Unsicherheit systematisch in ökologische Schlussfolgerungen übersetzt werden kann. Da SDMs nichtlineare Abbildungen von Klimahistorien auf Lebensraumprojektionen sind, können bereits kleine Unterschiede in der Abfolge von Anomalien und Extremereignissen dazu führen, dass Arten Schwellenwerte überschreiten oder unterschiedliche Reaktionsregime aktivieren. Dies kann zu qualitativ unterschiedlichen Ergebnissen führen, selbst wenn die externe Forcierung (Emissionen) identisch ist. Bisherige Ansätze bieten wenig Orientierung, wann das Zusammenfassen dieser Unsicherheit harmlos ist und wann sie zu überzogenen oder richtungsfehlerhaften Schlussfolgerungen führt.

2. Methodik

Die Autoren entwickelten einen vollständig ICV-bewussten Rahmen für die Modellierung und Analyse von Artenverteilungen, der folgende Kernaspekte umfasst:

• Datengrundlage: Es wurden 34 Arten (12 marine, 22 terrestrische) ausgewählt, die eine hohe Datenverfügbarkeit und diverse Lebensstrategien aufweisen.
• Klimaprojektionen: Die Projektionen basieren auf 100 Anfangsbedingungen-Mitgliedern (Initial-Condition Members) des großen Ensembles CESM2-LENS2 unter dem Szenario SSP3-7.0 für die Zeiträume Mitte des Jahrhunderts (2031–2060) und Ende des Jahrhunderts (2071–2100).
• Isolierung der ICV: Um ICV als eigenständige Unsicherheitsquelle zu isolieren, wurden Emissionsforcierung, Klimamodellstruktur und SDM-Formulierung konstant gehalten. Nur die Anfangsbedingungen variierten.
• Bias-Korrektur: Alle dynamischen Umweltprädiktoren wurden für jedes IC-Mitglied separat gegenüber ERA5 (terrestrisch) und CMEMS (marin) für den Zeitraum 1981–2014 bias-korrigiert, um Konsistenz mit Beobachtungen bei gleichzeitiger Erhaltung der internen Variabilität zu gewährleisten.
• Modellierung: Für jede Art wurde ein einziges SDM (XGBoost-Algorithmus via biomod2) mit Beobachtungsdaten trainiert und dann auf alle 100 bias-korrigierten IC-Realisierungen projiziert.
• Metriken: Aus den Projektionen wurden vier entscheidungsrelevante ökologische Metriken abgeleitet:
  1. Potenzielle Flächenänderung (PAC)
  2. Potenzieller Flächenzuwachs (PAG)
  3. Potenzieller Flächenverlust (PAL)
  4. Änderung des potenziellen Eignungsverhältnisses (PSRC)

3. Wichtige Beiträge und Ergebnisse

A. Divergente Ergebnisse durch ICV allein
Die Studie zeigt, dass ICV allein ausreicht, um qualitativ unterschiedliche Ergebnisse zu erzeugen, einschließlich der Umkehrung von projizierten Verbreitungsverschiebungen.

• Beispiele: Bei der Gelbfiebermücke (Aedes aegypti) bestimmen die IC-Realisierungen, welche Städte in Risikozonen fallen. Bei Kelpwäldern in Südaustralien führen unterschiedliche ICs zu stark variierenden Mustern von Kontraktion und Fragmentierung.
• Konsensanalyse: Es wurden vier Fälle zunehmender Divergenz klassifiziert:
  • Fall 1: Nahezu neutrale Änderung mit hoher Übereinstimmung (robuste Abwesenheit von Veränderung).
  • Fall 2: Robuste gerichtete Reaktion (alle Mitglieder stimmen Richtung und Ausmaß zu).
  • Fall 3: Konsistente Richtung, aber große Divergenz im Ausmaß (hohe Unsicherheit bezüglich der Schwere).
  • Fall 4: Richtungswechsel (Divergenz im Vorzeichen der Änderung; z. B. von Expansion zu Kontraktion). Dies macht den Ensemble-Mittelwert irreführend.
• Statistik: 44 % aller Artenklassifikationen fallen in Fall 3 oder 4, was bedeutet, dass fast die Hälfte der Projektionen durch ICV erheblich verändert wird.

B. Marine-Terrestrische Kluft
Ein ausgeprägter Unterschied zwischen marinen und terrestrischen Systemen wurde identifiziert:

• Marine Arten: 80 % fallen in Fall 2 (robuste, vorhersagbare Reaktionen). Sie zeigen höhere Signal-zu-Rausch-Verhältnisse (SNR).
• Terrestrische Arten: Verteilen sich gleichmäßiger, wobei 60 % in die unsicheren Fälle 3 und 4 fallen. Die terrestrischen Projektionen bleiben über das gesamte Jahrhundert hinweg anfälliger für ICV.

C. Nicht-Proportionalität zur ICV-Magnitude
Die Studie widerlegt die Annahme, dass die lokale Amplitude der Klimavariabilität direkt die Diskrepanz in den SDM-Projektionen bestimmt.

• Große Klimaspreads in Temperatur oder Niederschlag korrelieren nicht systematisch mit den Zellen, in denen die SDM-Mitglieder am stärksten divergieren.
• Stattdessen scheint die nichtlineare Antwort der SDMs auf kleine Unterschiede in der multivariaten Umweltumgebung (gemessen durch "Energy Distance") die Ursache zu sein. Selbst wenn die Umweltdaten nur geringfügig variieren, können nichtlineare Schwellenwerte zu binär unterschiedlichen Ergebnissen (Präsenz vs. Abwesenheit) führen.

D. Abhängigkeit von der gewählten Metrik
Die Klassifizierung eines Falls hängt stark von der gewählten ökologischen Metrik ab. Sessile oder spezialisierte Arten zeigen oft stabile Klassifikationen über alle Metriken hinweg, während hochmobile Generalisten (z. B. Vulpes vulpes) je nach Metrik (Flächenverlust vs. Eignungsänderung) unterschiedliche Fälle durchlaufen.

4. Signifikanz und Implikationen

• Paradigmenwechsel: Die Arbeit fordert einen Wechsel weg von "Best-Estimate"-Karten (Einzelprojektionen oder Ensemble-Mittel) hin zu einem Envelope-Ansatz, der multiple plausible Zukünfte explizit berücksichtigt.
• Entscheidungsrahmen: Die Autoren schlagen einen Entscheidungsbaum vor, der Projektionen in vier handlungsrelevante Pfade übersetzt:
  • Fall 1: Basis-Monitoring.
  • Fall 2: Gezielte Interventionen (hohe Sicherheit).
  • Fall 3: Flexible Politikgestaltung (Richtung klar, Ausmaß unsicher).
  • Fall 4: "No-regrets"-Maßnahmen und verstärktes Monitoring (Richtung unklar).
• Robuste Entscheidungsfindung: Biodiversitätsplanung muss Entscheidungen über den gesamten Bereich plausibler Klimarealisierungen hinweg "stress-testen", anstatt sie auf eine einzige Trajektorie zu optimieren. Dies ist besonders für terrestrische Systeme und mittelfristige Planungshorizonte kritisch.
• Verfügbarkeit: Die Ergebnisse werden durch eine interaktive Shiny-Anwendung zugänglich gemacht, die eine detaillierte Exploration artspezifischer Projektionen ermöglicht.

Fazit:
Die interne Klimavariabilität ist keine bloße "Rauschkomponente", die herausgemittelt werden kann, sondern eine fundamentale Quelle irreduzibler Unsicherheit, die die Richtung und das Ausmaß von Artenveränderungen verändern kann. Ignoriert man ICV, riskiert man falsche Managemententscheidungen. Ein flexibler, ICV-bewusster Ansatz ist essenziell für eine robuste Anpassung an den Klimawandel.