Klimamodelle

CMIP6

ISIMIP3b

Für das Webportal Climate Impacts Online wurden bias-korrigierte ISIMIP3b-Klimaeingangsdaten des Inter-Sectoral Impact Model Intercomparison Project (ISIMIP) verwendet. Dieser Datensatz basiert auf den ursprünglichen Ausgaben globaler Klimamodelle (GCM) aus dem CMIP6-Archiv. Weitere Informationen zu diesem Datensatz finden Sie auf der ISIMIP-Website
Zur Korrektur von Verzerrungen und zur statistischen Herunterskalierung wurden die ISIMIP3BASD-Methode und der Beobachtungsdatensatz W5E5 v2.0 angewendet (Lange, 2019a; Lange, 2020).

Die Daten umfassen drei Zeiträume:

• - Vorindustriell (1601–1849)
• - Historisch (1850–2014)
• - Zukunft (2015–2100)

• - piControl (Vorindustrielles Steuerungsexperiment)
• - historisch
• - ssp126 (SSP1–RCP2.6)
• - ssp370 (SSP3–RCP7.0)
• - ssp585 (SSP5–RCP8.5)

Modelle im Detail

Das Klimamodell GDFL-ESM4, das Teil des CMIP6-Projekts ist, wurde 2018 veröffentlicht. Es besteht aus:
Aerosol: interaktiv (einschließlich indirekter Aerosolwirkung), Atmosphäre: GFDL-AM4.1 (Würfelkugel (c96) – nominelle horizontale Auflösung 1 Grad; 360 x 180 Längen-/Breitengrad; 49 Ebenen; oberste Ebene 1 Pa), Atmosphärenchemie: GFDL-ATMCHEM4.1 (vollständige Atmosphärenchemie), Land: GFDL-LM4.1 (Landmodell mit einem neuen Vegetationsdynamikmodell, das Pflanzenalter, Höhenstruktur und Bodenmikroben explizit berücksichtigt und tägliche Brand-, Anbau-, Weide- und Beweidungs-Kacheln enthält), Landeis: GFDL-LM4.1, Ozean: GFDL-OM4p5 (GFDL-MOM6, tripolar – nominell 0,5 Grad; 720 x 576 Längen-/Breitengrad; 75 Ebenen; oberste Gitterzelle 0–2 m), Ozean-Biochemie: GFDL-COBALTv2, Meereis: GFDL-SIM4p5 (GFDL-SIS2.0, tripolar – nominal 0,5°; 720 x 576 Längen-/Breitengrade; 5 Schichten; 5 Dickenkategorien), mit Strahlungstransport und C-Gitter-Dynamik zur Kompatibilität mit MOM6. Das Modell wurde von der National Oceanic and Atmospheric Administration, Geophysical Fluid Dynamics Laboratory, Princeton, NJ 08540, USA (NOAA-GFDL) in den nativen nominalen Auflösungen betrieben: Aerosol: 100 km, Atmosphäre: 100 km, Atmosphärenchemie: 100 km, Land: 100 km, Landeis: 100 km, Ozean: 50 km, Ozean-Biochemie: 50 km, Meereis: 50 km.
Quelle: WDC-Klima - GDFL-ESM4

Das Klimamodell IPSL-CM6A-LR wurde 2017 veröffentlicht und ist ebenfalls Teil des CMIP-Projekts. Das Modell umfasst die Komponenten: „Atmosphäre: LMDZ (NPv6, N96; 144 x 143 Längen-/Breitengrad; 79 Ebenen; oberste Ebene 80000 m), Land: ORCHIDEE (v2.0, Wasser/Kohlenstoff/Energie-Modus), Ozean: NEMO-OPA (eORCA1.3, tripolar, primär 1°; 362 x 332 Längen-/Breitengrad; 75 Ebenen; oberste Gitterzelle 0–2 m), ocnBgchem: NEMO-PISCES, Meereis: NEMO-LIM3. Das Modell wurde vom Institut Pierre Simon Laplace, Paris 75252, Frankreich (IPSL) in den nativen nominalen Auflösungen betrieben: Atmosphäre: 250 km, Land: 250 km, Ozean: 100 km, ocnBgchem: 100 km, Meereis: 100 km.“
Quelle: WDC-Klima - GDFL-ESM4

Das MPI-ESM besteht aus den gekoppelten allgemeinen Zirkulationsmodellen für Atmosphäre und Ozean, ECHAM6 (spektral T127; 384 x 192 Längen-/Breitengrad; 95 Ebenen; oberste Ebene 0,01 hPa) und MPIOM (tripolar TP04, ca. 0,4°; 802 x 404 Längen-/Breitengrad; 40 Ebenen; oberste Gitterzelle 0–12 m), sowie den Subsystemmodellen für Land und Vegetation JSBACH3.20 und für die marine Biogeochemie HAMOCC6. Es wird vom Max-Planck-Institut für Meteorologie, Hamburg 20146, Deutschland (MPI-M), in folgenden nominalen Auflösungen betrieben: „Aerosol: 100 km, Atmosphäre: 100 km, Land: 100 km, Landeis: keine, Ozean: 50 km, marine Biogeochemie: 50 km, Meereis: 50 km.“
Quelle: WDC-Klima - GDFL-ESM4

Das Modell MRI-ESM2.0 wurde 2017 veröffentlicht und wird vom Meteorologischen Forschungsinstitut Tsukuba, Ibaraki 305-0052, Japan (MRI) betrieben. Es umfasst die folgenden Komponenten: „Aerosol: MASINGAR mk2r4 (TL95; 192 x 96 Längen-/Breitengrad; 80 Ebenen; oberste Ebene 0,01 hPa), Atmosphäre: MRI-AGCM3.5 (TL159; 320 x 160 Längen-/Breitengrad; 80 Ebenen; oberste Ebene 0,01 hPa), atmosChem: MRI-CCM2.1 (T42; 128 x 64 Längen-/Breitengrad; 80 Ebenen; oberste Ebene 0,01 hPa), Land: HAL 1.0, Ozean: MRI.COM4.4 (tripolar, primär 0,5° Breite/1° Länge mit meridionaler Verfeinerung bis zu 0,3° innerhalb von 10° nördlich und südlich des Äquators; 360 x 364 Längen-/Breitengrad; 61 Ebenen; oberste Gitterzelle 0-2 m), ocnBgchem: MRI.COM4.4, seaIce: MRI.COM4.4. Das Modell wurde in den nativen nominalen Auflösungen ausgeführt: Aerosol: 250 km, Atmosphäre: 100 km, atmosChem: 250 km, Land: 100 km, Ozean: 100 km, ocnBgchem: 100 km, seaIce: 100 km.
Quelle: WDC-Klima - GDFL-ESM4

UKESM1 besteht aus dem Ozeanmodell NEMO und dem Meereismodell CICE sowie dem Landoberflächenmodell JULES mit der dynamischen Vegetationssimulation TRIFFID. Darüber hinaus simuliert das Modell die Atmosphärenchemie und Aerosole mit UKCA, die marine Biogeochemie mit MEDUSA und die dynamischen Eisschilde mit dem Modell BISICLES. Quelle: UKESM - UKESM1

Quellen:

Klimaszenarien

Die sogenannten repräsentativen Konzentrationspfade (RCPs) wurden für den fünften Sachstandsbericht des Zwischenstaatlichen Ausschusses für Klimaänderungen (IPCC) entwickelt. Sie beschreiben verschiedene Stufen des durch Treibhausgase verursachten Strahlungsantriebs, die im Zeitraum von 2011 bis 2100 auftreten könnten. Allerdings enthielten sie keine begleitenden sozioökonomischen Szenarien. In den letzten Jahren hat ein internationales Team aus Klimawissenschaftlern, Ökonomen und Experten für Energiesystemmodellierung eine Reihe neuer Szenarien entwickelt, die untersuchen, wie sich die globale Gesellschaft, Demografie und Wirtschaft im Laufe des nächsten Jahrhunderts verändern könnten. Diese Szenarien sind als „Gemeinsame sozioökonomische Pfade“ (SSPs) bekannt. Die SSPs wurden 2017 veröffentlicht (Riahi et al., 2017) und werden im sechsten Sachstandsbericht des IPCC in den Jahren 2021/2022 eine wichtige Rolle spielen.

SSPs (Shared Socioeconomic Pathways, gemeinsame sozioökonomische Entwicklungspfade) sind Basisszenarien, die zukünftige Entwicklungen ohne neue Klimapolitiken – über die bereits bestehenden hinaus – beschreiben. Sie bieten fünf mögliche Entwicklungspfade. Die fünf SSPs unterscheiden sich hauptsächlich hinsichtlich Bevölkerungswachstum, Urbanisierung, Wirtschaftswachstum, Investitionen in Bildung und Gesundheit, Energiesystem und Landnutzung, Geschwindigkeit der technologischen Entwicklung sowie Nachfragetreibern wie beispielsweise Lebensstiländerungen (Riahi et al., 2017).

Wie die RCPs (Representative Concentration Pathways, repräsentative Konzentrationspfade) sind auch die SSPs für sich genommen unvollständig: Sie beschreiben nur gesellschaftliche Zukünfte und berücksichtigen die Auswirkungen des Klimawandels nicht. Darüber hinaus sind in diesen Szenarien keine Minderungs- oder Anpassungsmaßnahmen vorgesehen (O'Neill et al., 2020). Aus diesem Grund verwendet KlimafolgenOnline drei SSP-RCP-Kombinationen, um Klimadaten für verschiedene sozioökonomische und Strahlungsszenarien zu visualisieren.

„Nachhaltigkeit“ SSP1 - 2.6

„Regionale Rivalität“ SSP3 – 7,0

„Fossile Entwicklung“ SSP5 – 8,5

SSP-Datenbank

Gemeinsame sozioökonomische Entwicklungspfade (SSPs): Ein Überblick (Poster)
Quellen:

O’Neill, BC, Carter, TR, Ebi, K. et al. Errungenschaften und Bedarf des Klimawandel-Szenariorahmens. Nat. Clim. Chang. 10, 1074–1084 (2020). https://doi.org/10.1038/s41558-020-00952-0

Riahi, K. et al., Gemeinsame sozioökonomische Entwicklungspfade und ihre Auswirkungen auf Energie, Landnutzung und Treibhausgasemissionen: Ein Überblick, Global Environmental Change, Band 42, 153–168 (2017). https://doi.org/10.1016/j.gloenvcha.2016.05.009.

Beobachtungsdaten

Der W5E5-Datensatz besteht aus Beobachtungs- und Reanalysedaten und dient der Repräsentation der Beobachtungsdaten. Er ist Teil des Impact Model Intercomparison Project (ISIMIP3b), wo er zur Korrektur von systematischen Fehlern in Wirkungsanalysen verwendet wird. Der Datensatz umfasst die landbasierten WFDE5-Daten und den ozeanbasierten ERA5-Datensatz (Beobachtungs- und Reanalysedaten) (Cucchi et al., 2020; Hersbach et al., 2020). Eine zusätzliche Datenquelle sind die Niederschlagsdaten der Version 2.3 des Global Precipitation Climatology Project (Adler et al., 2003).

W5E5 Version 1.0 umfasst Daten für den Zeitraum von 1979 bis 2017. Das bedeutet, dass für das Jahrzehnt 2011–2020 nur Daten für sechs Jahre vorliegen und die Differenzkarten sich dementsprechend nur auf die Jahre 1991–2014 beziehen. Wir werden die W5E5-Daten in diesem Jahrzehnt kontinuierlich aktualisieren und weitere Daten veröffentlichen. Der Datensatz bietet eine horizontale räumliche Auflösung von 0,5° und eine tägliche zeitliche Auflösung.
Die im Datensatz enthaltenen Variablen sind: relative Luftfeuchtigkeit in Bodennähe (Abkürzung: hurs, Einheit: %), spezifische Luftfeuchtigkeit in Bodennähe (huss, kg kg⁻¹), Niederschlag (pr, kg m⁻² s⁻¹), Schneefallmenge (prsn, kg m⁻² s⁻¹), Luftdruck in Bodennähe (ps, Pa), Luftdruck auf Meereshöhe (psl, Pa), absteigende langwellige Strahlung an der Oberfläche (rlds, W m⁻²), absteigende kurzwellige Strahlung an der Oberfläche (rsds, W m⁻²), Windgeschwindigkeit in Bodennähe (sfcWind, m s⁻¹), Lufttemperatur in Bodennähe (tas, K), tägliche maximale Lufttemperatur in Bodennähe (tasmax, K), tägliche minimale Lufttemperatur in Bodennähe (tasmin, K), Höhe über dem Meeresspiegel (orog, m) und WFDE5-ERA5-Maske (mask, 1) (Lange, 2019). Die W5E5-Daten der Variablen sind über Land und Ozean die Tagesmittelwerte der stündlichen WFDE5-Daten. Die terrestrischen Variablen hurs, pr, psl, tasmax und tasmin sowie die ozeanischen Variablen tasmax und tasmin werden in einer anderen Berechnung ermittelt. Diese wird auf der folgenden Webseite beschrieben: WFDE5 über Land verschmolzen mit ERA5 über dem Ozean (W5E5).

Durch Auswahl von „Beobachtungen“ im Abschnitt „Historische Daten“ auf der Registerkarte „Einstellungen“ können Sie die beobachteten Daten des W5E5-Datensatzes visualisieren.

Quellen:

Adler, R. F., Huffman, G. J., Chang, A., Ferraro, R., Xie, P.-P., Janowiak, J., Nelkin, E. (2003). The Version-2 Global Precipitation Climatology Project (GPCP) Monthly Precipitation Analysis (1979–Present). Journal of Hydrometeorology, 4(6), 1147–1167. doi:10.1175/1525-7541(2003)004<1147:tvgpcp>2.0.co;2
Cucchi, M., Weedon, G. P., Amici, A., Bellouin, N., Lange, S., Müller Schmied, H., Hersbach, H., & Buontempo, C. (2020). WFDE5: bias-adjusted ERA5 reanalysis data for impact studies. Earth System Science Data, 12(3), 2097–2120. https://doi.org/10.5194/essd-12-2097-2020
Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz‐Sabater, J., Nicolas, J., Peubey, C., Radu, R., Schepers, D., Simmons, A., Soci, C., Abdalla, S., Abellan, X., Balsamo, G., Bechtold, P., Biavati, G., Bidlot, J., Bonavita, M., … Thépaut, J. N. (2020). The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 146(730), 1999–2049. https://doi.org/10.1002/QJ.3803
Lange, Stefan (2019): WFDE5 over land merged with ERA5 over the ocean (W5E5). V. 1.0. GFZ Data Services. https://doi.org/10.5880/pik.2019.023
Lange, S.: ISIMIP3BASD v2.4.1, https://doi.org/10.5281/zenodo.3898426, 2020.

Historische Simulationsdaten

Zur Validierung von Klimamodellen werden vergangene Klimabedingungen simuliert und mit Beobachtungsdaten verglichen. Ein wichtiger Indikator für die Zuverlässigkeit zukünftiger Klimaprojektionen aus Modellen ist die simulierte zeitliche und räumliche Veränderung der globalen mittleren Oberflächentemperatur von der vorindustriellen Zeit bis heute.

Die historische Simulation ist Bestandteil der Teilnahmevoraussetzungen für das Coupled Model Intercomparison Project (Phase 6). Sie wurde in das Diagnose-, Bewertungs- und Charakterisierungsprogramm für Klima (DECK) integriert, um eine bessere Trennung zwischen CMIP und der jeweiligen Phase (CMIP6) zu ermöglichen. Die Simulationen dienen außerdem als Benchmark für die von CMIP6 unterstützten Model Intercomparison Projects (MIPs).

Die Simulationen beginnen mit beliebigen Gleichgewichtsbedingungen aus dem vorindustriellen Kontrollexperiment (piControl). Anschließend werden verschiedene zeitabhängige Antriebsfaktoren, die mit CMIP6 übereinstimmen, wie Treibhausgasemissionen, Landnutzungsänderungen, Aerosole, solare Strahlung und andere, in die Modelle eingespeist. Daraus wird eine Rekonstruktion der historischen Bedingungen erstellt. Die CMIP6-Simulationen decken den Zeitraum von 1850 bis 2014 ab.

Quellen:

Bandbreite

Das von Impact3b bereitgestellte regionale Klimamodellensemble ist relativ klein. Daher wurden Modellunsicherheit und interne (jährliche) Variabilität zusammengeführt, sortiert und die Werte, unterhalb derer 10 %, 50 % und 90 % aller Werte liegen, beschrieben, um die Bandbreiten abzuschätzen (50. Perzentil auf der Karte, 10., 50. und 90. Perzentil im Zeitreihendiagramm).

Für einen Zeitraum von 30 Jahren und ein Modellensemble von 4 Simulationen bedeutet dies einen verfügbaren Pool von 5 x 30 = 150 jährlichen Werten für die jeweiligen Klimaindikatoren.

Landwirtschaftliche Parameter

Die landwirtschaftlichen Parameter sind kulturspezifisch und umfassen Flächen-, Produktions- und Ertragsdaten, aggregiert über den gewählten räumlichen Maßstab und Zeitraum. Öffentlich verfügbare Agrardaten in der Sahelzone sind spärlich: Viele Datensätze weisen einen Zielkonflikt zwischen räumlicher Auflösung und zeitlicher Reichweite auf. Sie sind entweder räumlich grob, enthalten aber lange Zeitreihen (z. B. FAOSTAT), oder räumlich fein (bis auf Haushaltsebene, z. B. RHoMIS), werden aber nur sporadisch in einzelnen Jahren erhoben. Zudem wird die Datenerhebungsmethodik in der Dokumentation der verfügbaren Datensätze selten erläutert, was die Beurteilung der relativen Genauigkeit und damit der Vergleichbarkeit erschwert. Dies ist besonders relevant, da verschiedene Datensätze selten übereinstimmen und oft erhebliche Unterschiede aufweisen! Ein weiteres Problem ist die uneinheitliche Kategorisierung räumlicher Verwaltungseinheiten. Einige Länder (z. B. Niger) haben ihre Verwaltungsgliederung kürzlich geändert oder verwenden unklare Definitionen, die auf lokalen Bezeichnungen und landwirtschaftlichen Praktiken basieren (z. B. Mauretanien).

Daher haben wir uns entschieden, Daten aus allen verfügbaren Quellen zusammenzuführen, um eine möglichst umfassende räumliche und zeitliche Abdeckung zu gewährleisten. Je nach gewähltem räumlichen Maßstab werden die entsprechenden Daten, sofern verfügbar, angezeigt. Stehen für eine Region keine anderen Daten zur Verfügung, werden die nationalen Erntedatensätze von FAOSTAT verwendet.

Da es keinen Datensatz für die gesamte Sahelzone gab, wurden die landwirtschaftlichen Parameter für Zoom-Ebene 1 aus den Datensätzen der Zoom-Ebene 2 (nationale Ebene) aggregiert (als Summe).

Carletto C., Jolliffe D., Banerjee R. (2014a): Der Kaiser hat keine Daten! Agrarstatistik in Subsahara-Afrika [Technischer Bericht der Weltbank]. Verfügbar unter: http://mortenjerven.com/wp-content/uploads/2013/04/Panel-3-Carletto.pdf

Grassini P., van Bussel LGJ, Van Wart J., Wolf J., Claessens L., Yang H., Boogard H., de Groot H., van Ittersum MK, Cassman KG (2015): Wie gut ist gut genug? Datenanforderungen für zuverlässige Ernteertragssimulationen und Ertragslückenanalysen. Feldfruchtforschung 177:49–63; http://dx.doi.org/10.1016/j.fcr.2015.03.004.

Schauberger B., Gornott C., Wechsung F. (2017): Globale Evaluierung eines semiempirischen Modells für Ertragsanomalien und Anwendung zur Ertragsprognose innerhalb einer Vegetationsperiode. Global Change Biology 23(11): 1-15; DOI:10.1111/gcb.13738.

Agrarstatistik, Landnutzung und Erträge

Beobachtete Agrarstatistik: Quelle und Qualität

Die beobachteten Ernteflächen, Erträge und Produktion der Sahelregion stammen aus zwei Quellen. Für die Länder (Kartenebene 2) verwenden wir den FAOSTAT-Bereich Crops and livestock products der Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen (FAO), Jahreswerte 1961–2024 (Stand 31. Dezember 2025). Für die Regionen von Burkina Faso (2009–2018) und Kamerun (1998–2019) verwenden wir die nationalen Agrarstatistiken der beiden Länder. Die Sahelzone (Ebene 1) ist die Summe der Länder; gezählt werden nur Jahre, in denen jedes Land, das eine Kulturart meldet, sie auch meldet.

FAOSTAT stellt die Zahlen zusammen, die nationale Statistikämter und Landwirtschaftsministerien der FAO in jährlichen Fragebögen melden; Lücken füllt die FAO mit eigenen Schätzungen. Die Qualität hängt daher von den nationalen Agrarerhebungen ab. In Afrika südlich der Sahara beruhen diese oft auf kleinen Stichproben, auf von den Landwirten geschätzten statt gemessenen Flächen und auf unregelmäßigen Erhebungsjahren; Mischkulturen (z. B. Hirse mit Kuhbohnen) machen die Zuordnung eines Feldes zu einer Kulturart mehrdeutig (Carletto et al. 2015). Werte einzelner Jahre und kurzfristige Änderungen sind daher mit Vorsicht zu lesen; Niveau und langfristiger Trend sind belastbarer. Unser Auszug enthält für jedes Land nur dessen Hauptkulturen, daher hat nicht jede Kulturart in jedem Land Werte (z. B. keine Hirse in Kamerun und Nigeria).

Rotes und weißes Sorghum meldet nur Burkina Faso, je Region und für 2009–2018. Die Landeswerte beider sind die Summe der 13 Regionen; meldet eine Region eine Produktion, aber keinen Ertrag, wird ihre Fläche aus dem Ertrag der übrigen Regionen geschätzt, sofern auf solche Regionen höchstens 2 % der Landesproduktion entfallen.

Für jeden Zeitraum zeigt das Portal den Median der Jahreswerte (p50) und die Spanne vom 10. bis zum 90. Perzentil (mindestens drei Jahre je Zeitraum).

Landnutzung: LUH2 und die Shared Socioeconomic Pathways

Die künftigen Ernteflächen werden aus den Landnutzungsdaten des Inter-Sectoral Impact Model Intercomparison Project (ISIMIP3b) abgeleitet, also aus demselben Projekt, das die Klima- und Ertragsmodelldaten dieses Portals liefert. Diese Daten bauen auf dem Landnutzungsdatensatz LUH2 (Land-Use Harmonization; Hurtt et al. 2020) auf, der für die Klimamodelle von CMIP6 einheitliche jährliche Landnutzungskarten von 850 bis 2100 bereitstellt. LUH2 unterscheidet fünf funktionale Kulturtypen; ISIMIP teilt sie mit den weltweiten Ernteflächenmustern von Monfreda et al. (2008) in 15 Kulturklassen auf (z. B. Mais, tropisches Getreide, Erdnuss, Hülsenfrüchte, tropische Wurzel- und Knollenfrüchte) und gibt sie als Anteil jeder 0,5°-Gitterzelle an.

Die künftige Landnutzung bis 2100 (Volkholz und Novak 2026) wurde von zwei Landnutzungsmodellen für drei Kombinationen aus sozioökonomischem Pfad und Emissionsszenario berechnet: SSP1-2.6, SSP3-7.0 und SSP5-8.5 (Molina Bacca et al. 2025). Aus den Shared Socioeconomic Pathways (SSP; O'Neill et al. 2017, Riahi et al. 2017) übernehmen die Modelle die Treiber der Nachfrage nach Nahrung und Fläche: Bevölkerung, Wirtschaftswachstum, Ernährungsweise und Lebensmittelverluste, internationalen Handel, die Steigerung der Erträge durch technischen Fortschritt, die Nachfrage nach Bioenergie und den Schutz natürlicher Flächen (Popp et al. 2017). Kurz gefasst:

• SSP1 (Nachhaltigkeit): geringes Bevölkerungswachstum, weniger ressourcenintensive Ernährung, hoher Produktivitätszuwachs und starker Schutz natürlicher Flächen – wenig Ausdehnung der Ackerfläche.
• SSP3 (regionale Rivalität): hohes Bevölkerungswachstum in den heutigen Ländern mit niedrigem Einkommen, langsamer Produktivitätszuwachs und eingeschränkter Handel – Nahrung muss weitgehend dort erzeugt werden, wo sie verbraucht wird, daher starke Ausdehnung der Ackerfläche.
• SSP5 (fossil getriebene Entwicklung): hohe Einkommen und hoher Konsum, rascher technischer Fortschritt und globale Märkte – die wachsende Nachfrage wird teils durch höhere Erträge gedeckt.

Die beiden Landnutzungsmodelle sind agrarökonomische Modelle, die Produktion und Flächen so verteilen, dass die Nachfrage des jeweiligen Szenarios gedeckt wird:

• IMAGE (Integrated Model to Assess the Global Environment, PBL Netherlands Environmental Assessment Agency; Stehfest et al. 2014) koppelt ein ökonomisches Modell der Agrarmärkte mit einer räumlich expliziten Verteilung von Ackerkulturen und Grünland.
• MAgPIE (Model of Agricultural Production and its Impact on the Environment, Potsdam-Institut für Klimafolgenforschung; Dietrich et al. 2019) ist ein partielles Gleichgewichtsmodell, das die Nachfrage nach Nahrung und Rohstoffen zu minimalen globalen Kosten deckt, einschließlich Investitionen in ertragssteigernde Technik und in die Umwandlung von Flächen.

Beide Modelle verwenden biophysikalische Daten des Vegetations- und Ertragsmodells LPJmL – Erträge von Ackerkulturen und Weiden, Wasserverfügbarkeit und Kohlenstoffvorräte. In den hier verwendeten Läufen enthalten diese Daten die Folgen des Klimawandels, berechnet für fünf Klimamodelle (GFDL-ESM4, IPSL-CM6A-LR, MPI-ESM1-2-HR, MRI-ESM2-0, UKESM1-0-LL). Daraus ergeben sich je Szenario zehn Landnutzungsläufe (zwei Landnutzungsmodelle × fünf Klimamodelle), abgestimmt auf die historischen LUH2-Daten.

Methode: von Landnutzungsanteilen zu Ernteflächen

Für jedes Land, jeden Lauf und jedes Jahr ist die Fläche einer Kulturklasse die Summe über die Gitterzellen aus ihrem Anteil mal der Fläche der Zelle innerhalb des Landes. Die absoluten Modellflächen weichen jedoch von der Statistik ab: Für 2005–2014 liegen sie beim Mais zwischen dem 0,6- und 1,0-Fachen der FAOSTAT-Fläche, bei Sorghum und Hirse zusammen (in den Ländern, die beide Kulturen melden) zwischen dem 0,85- und 1,5-Fachen und bei der Erdnuss zwischen dem 0,5- und 2,4-Fachen. Wir verwenden die Landnutzungsdaten deshalb nur für die Veränderung und behalten das beobachtete Niveau bei:

künftige Fläche = beobachtete mittlere Fläche 2010–2019 × (Fläche der Kulturklasse im Jahr / Fläche der Kulturklasse 2015)

• Kulturklassen: Mais → Mais; Sorghum (einschließlich rotem und weißem), Hirse, Fonio und sonstiges Getreide → tropisches Getreide; Erdnüsse → Erdnuss; Kuhbohnen, trockene Erbsen und Hülsenfrüchte → Hülsenfrüchte; Maniok und Yams → tropische Wurzel- und Knollenfrüchte.
• Die Regionen von Burkina Faso und Kamerun übernehmen die Veränderung ihres Landes; die Sahelzone ist die Summe der Länder.
• Für jeden Zeitraum werden p10, p50 (Median) und p90 über die Jahreswerte aller zehn Läufe gebildet.
• Baumwolle, Sesam, Kakao und Ölpalme gehören zu Sammelklassen (sonstige ein- oder mehrjährige Kulturen) und haben keine Zukunftswerte; Länder und Regionen ohne beobachtete Flächen ebenfalls nicht.

Einschränkungen: Die Werte beschreiben Landnutzungsszenarien, keine Vorhersagen. Die Modelle berechnen Ackerfläche; die Erntefläche kann kleiner sein (Brache) oder größer (mehrere Ernten im Jahr). Alle Kulturarten einer Klasse ändern sich gleich, Verschiebungen zwischen Sorghum, Hirse und Fonio werden also nicht abgebildet. Wie bei Molina Bacca et al. (2025) beeinflusst die Wahl des Landnutzungsmodells die Ergebnisse stärker als die Wahl des Klimamodells: Unter SSP3-7.0 berechnet MAgPIE für die Sahelregion nach 2050 eine deutlich stärkere Ausdehnung der Ackerfläche als IMAGE, was die Spanne von p10 bis p90 verbreitert.

Zukünftige Erträge und Produktion

Zukünftige Erträge gibt es für Mais, Hirse und Sorghum (für Burkina Faso auch für rotes und weißes Sorghum). Sie beruhen auf den Kulturpflanzenmodellen des Modellvergleichs GGCMI (Global Gridded Crop Model Intercomparison, Phase 3). Diese Modelle wurden in ISIMIP3b mit dem biaskorrigierten Klima von fünf Klimamodellen (GFDL-ESM4, IPSL-CM6A-LR, MPI-ESM1-2-HR, MRI-ESM2-0, UKESM1-0-LL) für die Szenarien SSP1-2.6, SSP3-7.0 und SSP5-8.5 gerechnet (Jägermeyr et al. 2021; Lange 2019).

• Mais: 13 Kulturpflanzenmodelle (ACEA, CROVER, CYGMA1p74, DSSAT-Pythia, EPIC-IIASA, ISAM, LDNDC, LPJ-GUESS, LPJmL, pDSSAT, PEPIC, PROMET, SIMPLACE-LINTUL5); für SSP3-7.0 nur 8 davon.
• Hirse: 3 Kulturpflanzenmodelle (CYGMA1p74, LPJ-GUESS, LPJmL).
• Sorghum, rotes und weißes Sorghum: 4 Kulturpflanzenmodelle (CYGMA1p74, LPJ-GUESS, LPJmL, SIMPLACE-LINTUL5).

Die verwendeten Modellläufe halten Anbauflächen und Bewirtschaftung auf dem Stand von 2015 fest und berücksichtigen die Wirkung steigender CO2-Konzentrationen auf das Pflanzenwachstum. Für jedes Land werden die simulierten Erträge bewässerter und unbewässerter Flächen gemittelt, gewichtet mit den bewässerten und unbewässerten Flächen der Kultur in den ISIMIP-Landnutzungsdaten von 2015. In den Sahelländern sind nur 0,3 bis 5,5 % dieser Flächen bewässert; das Ergebnis ist daher im Wesentlichen der Ertrag im Regenfeldbau.

Von Modellerträgen zu zukünftigen Erträgen. Die Modellerträge werden nicht unmittelbar verwendet: Es sind Trockenmasseerträge bei vereinheitlichter Bewirtschaftung, und sie geben die Schwankungen der beobachteten Statistik von Jahr zu Jahr nicht wieder (zur Bewertung dieser Modelle siehe Müller et al. 2017). Das haben wir für 1980–2016 mit Modellläufen geprüft, die mit beobachtetem Wetter angetrieben wurden; auch ein an die Statistik angepasstes statistisches Modell (ABSOLUT, Conradt 2022) gab sie nicht wieder. Verwendet wird daher nur die relative Veränderung jedes Modelllaufs: Der zukünftige Ertrag eines Landes ist sein beobachteter mittlerer Ertrag 2010–2019 (rotes und weißes Sorghum: 2010–2018), multipliziert mit dem Verhältnis des Ertrags des Laufs in einem Jahr zu seinem eigenen Mittel 2010–2019. Regionen übernehmen die relative Veränderung ihres Landes. Zukunftswerte gibt es für eine Kultur und ein Szenario nur, wenn mindestens zwei Kulturpflanzenmodelle vorliegen; für SSP3-7.0 haben Hirse und Sorghum daher keine Zukunftswerte. Technischer Fortschritt (neue Sorten, mehr Düngung, mehr Bewässerung) ist nicht enthalten.

Produktion. Die zukünftige Produktion ist die zukünftige Erntefläche mal dem zukünftigen Ertrag. Jeder Landnutzungslauf wird mit jedem Lauf der Kulturpflanzenmodelle kombiniert, der mit demselben Klimamodell angetrieben wurde. Für die Sahelzone werden Flächen und Produktion über die Länder summiert; ihr Ertrag ist die summierte Produktion geteilt durch die summierte Fläche.

Dargestellte Werte. Karte und Diagramm zeigen für jeden Zeitraum den Median (p50) der Jahreswerte aller Läufe und Jahre dieses Zeitraums; die Spanne reicht vom 10. bis zum 90. Perzentil (p10 bis p90).

Kulturen ohne Zukunftswerte. Erdnüsse, Kuhbohnen, Fonio, Yams, Baumwolle, Sesam, Kakao und Ölpalmen simuliert kein ISIMIP3b-Kulturpflanzenmodell; Maniok und Bohnen nur je eines (LPJmL bzw. LPJ-GUESS), weniger als die erforderlichen zwei. Für diese Kulturen werden nur beobachtete Erträge und Produktion gezeigt; ihre zukünftigen Ernteflächen werden gezeigt, soweit die Landnutzungsdaten eine passende Kulturklasse enthalten.

Einschränkungen. Die Werte beschreiben Szenarien, keine Vorhersagen. Das Klimasignal stammt vollständig aus den Kulturpflanzenmodellen; seine künftige Entwicklung lässt sich nicht an Beobachtungen prüfen. Die Spannweite zwischen den Kulturpflanzenmodellen ist groß, besonders bei Hirse und Sorghum mit nur drei oder vier Modellen. Unter SSP5-8.5 liegt der mittlere Maisertrag (Median) 2071–2100 in den Ländern mit Maisstatistik 16 bis 32 % unter dem beobachteten Mittel 2010–2019; bei Hirse und Sorghum sind die Veränderungen kleiner, außer in Niger, wo die Modelle bei mehr Niederschlag und durch die CO2-Wirkung höhere Erträge simulieren.

Literatur

Carletto, C., Jolliffe, D., Banerjee, R. (2015): From tragedy to renaissance: improving agricultural data for better policies. The Journal of Development Studies 51(2), 133–148. doi:10.1080/00220388.2014.968140

Conradt, T. (2022): Choosing multiple linear regressions for weather-based crop yield prediction with ABSOLUT v1.2 applied to the districts of Germany. International Journal of Biometeorology 66, 2287–2300. doi:10.1007/s00484-022-02356-5

Dietrich, J. P. et al. (2019): MAgPIE 4 – a modular open-source framework for modeling global land systems. Geoscientific Model Development 12, 1299–1317. doi:10.5194/gmd-12-1299-2019

FAO: FAOSTAT, Crops and livestock products. Food and Agriculture Organization of the United Nations, Rom. Stand 31. Dezember 2025, abgerufen am 3. November 2026. www.fao.org/faostat/en/#data/QCL

Hurtt, G. C. et al. (2020): Harmonization of global land use change and management for the period 850–2100 (LUH2) for CMIP6. Geoscientific Model Development 13, 5425–5464. doi:10.5194/gmd-13-5425-2020

Jägermeyr, J. et al. (2021): Climate impacts on global agriculture emerge earlier in new generation of climate and crop models. Nature Food 2, 873–885. doi:10.1038/s43016-021-00400-y

Lange, S. (2019): Trend-preserving bias adjustment and statistical downscaling with ISIMIP3BASD (v1.0). Geoscientific Model Development 12, 3055–3070. doi:10.5194/gmd-12-3055-2019

Molina Bacca, E. J. et al. (2025): Future land-use pattern projections and their differences within the ISIMIP3b framework. Earth System Dynamics 16, 753–801. doi:10.5194/esd-16-753-2025

Monfreda, C., Ramankutty, N., Foley, J. A. (2008): Farming the planet: 2. Geographic distribution of crop areas, yields, physiological types, and net primary production in the year 2000. Global Biogeochemical Cycles 22, GB1022. doi:10.1029/2007GB002947

Müller, C. et al. (2017): Global gridded crop model evaluation: benchmarking, skills, deficiencies and implications. Geoscientific Model Development 10, 1403–1422. doi:10.5194/gmd-10-1403-2017

O'Neill, B. C. et al. (2017): The roads ahead: narratives for shared socioeconomic pathways describing world futures in the 21st century. Global Environmental Change 42, 169–180. doi:10.1016/j.gloenvcha.2015.01.004

Popp, A. et al. (2017): Land-use futures in the shared socio-economic pathways. Global Environmental Change 42, 331–345. doi:10.1016/j.gloenvcha.2016.10.002

Riahi, K. et al. (2017): The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: an overview. Global Environmental Change 42, 153–168. doi:10.1016/j.gloenvcha.2016.05.009

Stehfest, E., van Vuuren, D., Kram, T., Bouwman, L. (Hrsg.) (2014): Integrated Assessment of Global Environmental Change with IMAGE 3.0. Model description and policy applications. PBL Netherlands Environmental Assessment Agency, Den Haag.

Volkholz, J., Novak, L. (2026): ISIMIP3b Future Land Use Input Data (Version 1.0). ISIMIP Repository. doi:10.48364/ISIMIP.848297