Reduced nutritional quality of plants due to climate change

Een globale analyse van meer dan 1450 plantensoorten voorspelt dat klimaatverandering tegen 2050 zal leiden tot een afname van de voedingskwaliteit van planten, met name in droge en tropische gebieden, wat ernstige gevolgen heeft voor de voedselketen en het beheer van landbouwdieren en wilde dieren.

De kern

Titel: Waarom het gras van de toekomst misschien minder "voedzaam" wordt

Stel je voor dat planten de supermarkten van de natuur zijn. Voor koeien, schapen, olifanten, apen en zelfs voor ons mensen (via onze koeien) zijn deze supermarkten de enige bron van energie. Maar wat als de inhoud van de schappen verandert? Wat als de producten die we kopen in de toekomst minder vitaminen bevatten en meer "vulling" hebben?

Dat is precies wat deze studie onderzoekt. De auteurs, Fabio en David, hebben een enorme database gebruikt met metingen van meer dan 1450 verschillende plantensoorten (van bomen tot gras) om te voorspellen hoe de klimaatverandering de "voedingskwaliteit" van planten zal beïnvloeden.

Hier is de samenvatting, vertaald naar alledaags taal:

1. De "Proteïne-vezel-balans" is de sleutel

Stel je een plant voor als een broodje.

• Proteïne is de vulling (de ham of kaas): het bouwmateriaal voor spieren en groei.
• Vezels zijn het brood: het geeft structuur, maar is moeilijk te verteren als er te veel van is.

De kwaliteit van het voedsel wordt bepaald door de verhouding tussen de vulling en het brood. Als er veel vezels en weinig proteïne is, is het broodje "leeg" en zwaar om te verteren. De studie laat zien dat door klimaatverandering dit broodje in veel delen van de wereld steeds meer "brood" en steeds minder "vulling" zal krijgen.

2. De voorspelling voor 2050: Een wereldwijde daling

De onderzoekers hebben een slim computermodel (een soort digitale waarzegger) gebruikt om te kijken hoe het eruitziet in 2050.

• Gemiddeld: De kwaliteit van planten zal wereldwijd met ongeveer 8% dalen.
• Mineralen: De "vitamines en mineralen" (zoals calcium en ijzer) zullen met maar liefst 18% afnemen.
• Verteerbaarheid: Het zal iets moeilijker worden om de planten te verteren (-3%).

3. Niet overal hetzelfde: Een wereld van verschillen

Net zoals het weer niet overal hetzelfde is, is de impact ook niet overal gelijk.

• De "zware" gebieden: In woestijnen en tropische regenwouden zullen planten het zwaarst te verduren krijgen. Hier zal de kwaliteit het sterkst dalen. Het is alsof de supermarkt in deze gebieden zijn beste producten uit de schappen haalt.
• De "lichte" gebieden: In koude en poolstreken gaat het juist beter. Door de opwarming worden deze gebieden iets warmer, wat goed is voor de groei van bepaalde planten. Hier kan de kwaliteit zelfs iets stijgen.
• Het gras-uitzondering: Grassen gedragen zich anders dan bomen of struiken. In sommige droge gebieden kan de kwaliteit van gras juist stabiel blijven of zelfs verbeteren, terwijl bomen en struiken lijden.

4. Waarom maakt dit uit?

Dit is niet alleen een probleem voor boeren die hun koeien willen voeden.

• Voor wilde dieren: Een olifant of een aap kan niet naar de supermarkt gaan om een supplement te kopen als het gras te vezelig wordt. Als hun voedsel minder voedzaam is, moeten ze meer eten om hetzelfde te bereiken, of ze worden zwakker. Dit kan hele ecosystemen destabiliseren.
• Voor ons: Als het voer voor onze koeien minder goed is, krijgen we minder melk en vlees van goede kwaliteit. En als we zelf planten eten, krijgen we minder mineralen binnen.

5. De grote boodschap

De natuur is complex. Het is niet zo simpel als "het wordt warmer, dus alles sterft". Het is meer als een recept dat verandert: door meer CO2 en veranderende temperaturen, veranderen planten hun interne samenstelling. Ze bouwen meer "steunmateriaal" (vezels) op en minder "bouwstenen" (proteïne).

Conclusie:
Deze studie is een waarschuwing. We moeten ons voorbereiden op een wereld waar het "natuurlijke voedsel" van onze dieren en onszelf minder krachtig wordt, vooral in de warme delen van de wereld. Het is tijd om slimme strategieën te bedenken voor landbouw en natuurbescherming, zodat we niet in de problemen komen met de voedselvoorziening van de toekomst.

Technische samenvatting

Probleemstelling

De impact van klimaatverandering op de voedingseigenschappen van planten is slecht begrepen, ondanks de grote implicaties voor de voedselketen en ecosystemen. Bestaand onderzoek richt zich voornamelijk op opbrengsten van gewassen of habitatgeschiktheid, vaak met beperkte lokale experimenten (bijv. alleen verhoogde CO2 of temperatuur) die de complexiteit van interacties tussen klimaatfactoren niet volledig kunnen nabootsen. Bovendien is er weinig bekend over wilde planten en verschillende plantensoorten (zoals struiken en bomen), terwijl deze cruciaal zijn voor wilde herbivoren die niet kunnen switchen naar supplementen zoals landbouwdieren. Er is een gebrek aan een wereldwijde, geïntegreerde beoordeling van hoe klimaatverandering de eiwit-, vezel-, mineraal- en verteerbaarheidswaarden beïnvloedt.

Methodologie

De auteurs hebben een geavanceerde machine learning-aanpak gebruikt om een wereldwijd model te ontwikkelen:

• Dataset: Er is gebruikgemaakt van een uitgebreide dataset van meer dan 9.000 metingen van voedingseigenschappen van >1.450 plantensoorten (bomen, peulvruchten, struiken, kruiden en grassen) uit 238 unieke locaties, gedekt over de periode 1961-2019. De data zijn afkomstig uit de PNuts-database en aangevuld met literatuur.
• Doelvariabelen: De studie analyseerde vier kernmetingen: ruw eiwit, zure detergentvezel (ADF), as (mineralen) en droge stofverteerbaarheid (DMD). Een belangrijke afgeleide variabele is de verhouding tussen eiwit en vezel (PFR), die dient als proxy voor de algehele voederkwaliteit.
• Predictors: Als inputvariabelen werden klimaat- en omgevingsfactoren gebruikt, waaronder gemiddelde jaartemperatuur, neerslag, seizoensgebondenheid van neerslag, bodemtype, zonne-straling, CO2-concentratie en werkelijke evapotranspiratie. Ook het planttype werd als predictor opgenomen.
• Model: Een Random Forest (RF) algoritme werd getraind om de voedingseigenschappen te voorspellen. De belangrijkheid van elke predictor werd bepaald door de toename in de gemiddelde kwadratische fout (MSE) bij het willekeurig permuteren van de invoervariabelen.
• Projecties: Het getrainde model werd gebruikt om projecties te maken voor het jaar 2050 onder twee Shared Socioeconomic Pathways (SSP) scenario's: SSP2 (+2°C opwarming) en SSP4 (+4°C opwarming). De resultaten van beide scenario's werden gemiddeld vanwege de kleine verschillen op dit tijdsbestek.

Belangrijkste Bijdragen

1. Grootschalige Dataset: Voor het eerst wordt een wereldwijd dataset gebruikt dat meer dan 1.450 soorten omvat, inclusief wilde planten, in plaats van zich alleen te richten op landbouwgewassen.
2. Integratie van Meerdere Eigenschappen: De studie gaat verder dan alleen eiwitgehalte en integreert vezels, mineralen en verteerbaarheid, wat essentieel is voor een realistisch beeld van voederkwaliteit.
3. Differentiatie per Habitat en Type: De analyse onderscheidt effecten per planttype (bomen, grassen, etc.) en per habitat (natuurlijk vs. kunstmatig/landbouw), wat inzicht geeft in de specifieke kwetsbaarheid van wilde ecosystemen versus landbouw.
4. Ruimtelijke Projecties: Het artikel levert de eerste globale kaarten op van toekomstige veranderingen in voedingseigenschappen, met een hoge ruimtelijke resolutie.

Resultaten

De projecties voor 2050 tonen een overwegend negatieve trend in de voedingse kwaliteit, maar met aanzienlijke ruimtelijke variatie:

• Algemene Trend: Er is een wereldwijde daling van de voedingse kwaliteit (-8% gemiddeld), gemeten als de eiwit-vezelverhouding (PFR).
• Specifieke Componenten:
  • Mineralen: Een sterke daling van gemiddeld -18%.
  • Verteerbaarheid: Een kleine daling van -3%.
  • Eiwit-vezelverhouding (PFR): Daling van -8%.
• Regionale Verschillen:
  • Grootste achteruitgang: Droge (aride) en tropische gebieden (respectievelijk -13% en -9%).
  • Matige achteruitgang: Gematigde en koude gebieden (-7% en -3%).
  • Verbetering: Koudere en poolgebieden tonen een lichte verbetering in kwaliteit, mogelijk door het milderen van het klimaat.
• Invloed van Planttype:
  • Grassen: Toonen een unieke respons; in droge gebieden kan de PFR zelfs stijgen, terwijl deze in andere gebieden stabiel blijft of daalt.
  • Bomen: Toonen wereldwijd een lichte stijging (+1%).
  • Kruiden, Struiken, Peulvruchten: Daling van 2-3%.
• Habitat Verschil: In natuurlijke habitats (voor wilde dieren) is de daling in kwaliteit overwegend negatief. In kunstmatige habitats (landbouw) is de trend minder negatief of zelfs licht positief voor grassen en bomen.
• Mineralen vs. PFR: De daling in mineralen is consistent over alle klimaatzones (10-30%), maar de daling is het grootst in koude gebieden, terwijl de PFR-daling juist daar het kleinst is.

Betekenis en Implicaties

De bevindingen hebben verstrekkende gevolgen voor landbouw, natuurbeheer en voedselzekerheid:

• Dierlijke Productie en Voedselzekerheid: Een lagere voedingse kwaliteit (minder eiwit, meer vezels, minder mineralen) kan leiden tot verminderde gewichtstoename, lagere melkproductie en verhoogde methaanemissies bij landbouwdieren. Voor wilde herbivoren (zoals primaten, olifanten en insecten) kan dit leiden tot ondervoeding en verstoring van de voedselwebben, omdat zij minder flexibel zijn in hun dieetkeuze.
• Aanpassingsstrategieën: De resultaten suggereren dat landbouwers in bepaalde regio's mogelijk moeten investeren in meststoffen of irrigatie om de daling in kwaliteit te compenseren. Voor natuurgebieden zijn nieuwe beheersstrategieën nodig om de beschikbaarheid van kwalitatief hoogwaardig voer voor wilde populaties te waarborgen.
• Beleid en Planning: De studie onderstreept dat klimaatadaptatieplanning niet alleen gericht mag zijn op opbrengst (hoeveelheid), maar ook op voedingse kwaliteit. De hoge ruimtelijke variatie betekent dat lokale maatregelen noodzakelijk zijn; wat voor de ene regio geldt (bijv. verbetering in het noorden), geldt niet voor de andere (bijv. achteruitgang in de tropen).
• Methodologische Vooruitgang: De studie demonstreert dat machine learning-modellen, gecombineerd met diverse datasets, een krachtig hulpmiddel zijn om complexe eco-fysiologische responsen op klimaatverandering te voorspellen, verder dan wat traditionele experimenten kunnen bieden.