Neue Forschungsergebnisse deuten darauf hin, dass die Fähigkeit von Pflanzen, überschüssiges Kohlendioxid (CO2) zu absorbieren, deutlich geringer sein könnte als bisher von Klimamodellen geschätzt. Dies geht aus einer Studie hervor, die am 5. Januar 2026 von der Universität Graz veröffentlicht wurde. Die Studie ergab, dass Klimamodelle die natürliche Stickstofffixierung, ein entscheidendes Element für das Pflanzenwachstum, um etwa 50 Prozent überschätzt haben.

Die Forschung unterstreicht die entscheidende Rolle der Stickstoffverfügbarkeit, damit Pflanzen erhöhte CO2-Werte effektiv für ihr Wachstum nutzen können. Während erhöhte CO2-Werte das Pflanzenwachstum anregen können, ist dieser Effekt von ausreichend Stickstoff abhängig, einem Nährstoff, der für die Photosynthese und die allgemeine Pflanzengesundheit unerlässlich ist. Die Überschätzung der natürlichen Stickstofffixierung in Klimamodellen deutet darauf hin, dass die klimakühlenden Vorteile, die sich aus dem Pflanzenwachstum unter hohen CO2-Bedingungen ergeben, geringer sind als erwartet.

Diese Erkenntnis hat erhebliche Auswirkungen auf Klimaprognosen. Da Pflanzen weniger CO2 absorbieren als erwartet, wird der natürliche Puffer der Erde gegen den Klimawandel verringert, was zu einer erhöhten Unsicherheit bei zukünftigen Klimavorhersagen führt. "Diese reduzierte Fähigkeit von Pflanzen, als Kohlenstoffsenke zu fungieren, bedeutet, dass der atmosphärische CO2-Gehalt schneller ansteigen könnte als vorhergesagt, was die globale Erwärmung potenziell beschleunigen würde", erklärte ein leitender Forscher der Universität Graz.

Klimamodelle sind komplexe Computerwerkzeuge, die das Klimasystem der Erde simulieren und dabei verschiedene Faktoren wie die Zusammensetzung der Atmosphäre, Meeresströmungen und Landoberflächenprozesse berücksichtigen. Diese Modelle stützen sich auf Algorithmen und umfangreiche Datensätze, um zukünftige Klimaszenarien zu projizieren. Wie diese Studie jedoch zeigt, können Unsicherheiten bei Schlüsselparametern, wie z. B. Stickstofffixierungsraten, die Genauigkeit dieser Projektionen erheblich beeinträchtigen.

Die Studie unterstreicht auch die Bedeutung der Einbeziehung genauerer Darstellungen biologischer Prozesse in Klimamodelle. Traditionelle Modelle vereinfachen oft komplexe ökologische Wechselwirkungen, was zu Diskrepanzen zwischen Modellvorhersagen und realen Beobachtungen führen kann. Jüngste Fortschritte in den Bereichen künstliche Intelligenz (KI) und maschinelles Lernen werden untersucht, um die Darstellung dieser Prozesse zu verbessern. KI-Algorithmen können große Datensätze analysieren, um Muster und Beziehungen zu identifizieren, die durch traditionelle Modellierungsansätze möglicherweise nicht erkennbar sind. So können beispielsweise Modelle des maschinellen Lernens trainiert werden, um Stickstofffixierungsraten auf der Grundlage von Umweltfaktoren wie Temperatur, Niederschlag und Bodenzusammensetzung vorherzusagen.

Die Auswirkungen dieser Forschung reichen über die wissenschaftliche Gemeinschaft hinaus. Politiker verlassen sich auf Klimamodelle, um Entscheidungen in Bezug auf Emissionsreduktionen und Klimaanpassungsstrategien zu treffen. Die Erkenntnis, dass Pflanzen möglicherweise nicht so viel CO2 absorbieren wie bisher angenommen, erfordert eine Neubewertung dieser Strategien. Möglicherweise sind aggressivere Emissionsreduktionen erforderlich, um Klimaziele zu erreichen, und es muss möglicherweise mehr Wert auf die Entwicklung von Technologien gelegt werden, die CO2 direkt aus der Atmosphäre entfernen.

Zukünftige Forschung wird sich auf die Verfeinerung von Schätzungen der Stickstofffixierungsraten und die Einbeziehung dieser verbesserten Schätzungen in Klimamodelle konzentrieren. Wissenschaftler untersuchen auch Möglichkeiten, die natürliche Stickstofffixierung durch nachhaltige landwirtschaftliche Praktiken zu verbessern. Es wird erwartet, dass die Integration von KI und maschinellem Lernen in die Klimamodellierung eine zunehmend wichtige Rolle bei der Verbesserung der Genauigkeit und Zuverlässigkeit von Klimaprognosen spielen wird.