1 Einführung
Der Klimawandel ist für menschliche Begriffe ein allmählicher Prozeß, aber ein erdgeschichtlicher Schock, und Ökosysteme einschließlich Agrarlandschaften werden genötigt, sich daran fortlaufend anzupassen. Klimazonen verlagern sich mit der Zeit (Beck et al. 2018, Beck et al. 2023), und können als selektive Zeitmaschine benutzt werden, wenn man sich von einer Fokusregion in eine Region begibt, in der bereits jetzt das zukünftige Klima der Fokusregion oder eine weitgehende Annäherung daran herrscht. Das Reiseziel ist dann ein (Rückwärts-)Klimaanalog. (Ein Vorwärtsanalog wäre der Ort, an dem das jetzige Klima der Fokusregion in der Zukunft herrscht, aber wir beschränken uns im weiteren auf Rückwärtsanaloge.)
Die Zeitmaschinenwirkung muß nicht auf das Klima beschränkt sein, da sowohl Ökosysteme als auch kulturelle Aspekte (Architektur, menschliche Verhaltensweisen) normalerweise an das regionale Klima angepaßt sind. Eine ausführliche Darstellung zu Klimaanalogen in der Forschung liefern Yegorova et al. (2025).
Wir sind hier vor allem an Landwirtschaft interessiert: Welche Fruchtarten werden (bereits) erfolgreich in den Klimaanalogen kultiviert, spielen aber in den Fruchtartenspektren der drei Fokusregionen des KARO-Projekts (noch) keine Rolle? Ein fundamentales Problem dabei ist die Definition von Klimaähnlichkeit, insbesondere in bezug auf das Pflanzenwachstum. Die Klimaanalogforschung hat hierfür noch keine universelle Lösung hervorgebracht.
1.1 Exkurs in die Geschichte der Klimaanalogforschung
Die Bezeichnung »agroklimatische Analoge« (agro-climatic analogues) wurde wahrscheinlich erstmals von Howe (1948) verwendet, bezog sich aber auf Regionen, in denen Kulturpflanzen, die ursprünglich in anderen Teilen der Welt endemisch waren, ebenfalls angebaut werden konnten. Ein wichtiger Vorläufer der Klimaanalogforschung waren die bioklimatischen Forschungen zu Verbreitungsgebieten einzelner Arten (u. a. Sutherst & Maywald 1985, Sykes et al. 1996, Thuiller 2004), von denen viele bereits den Klimawandel in den Blick nehmen.
Die Idee, mit Hilfe von Klimaanalogen die Effekte des Klimawandels auf die Landwirtschaft zu untersuchen, wurde wahrscheinlich erstmals von Parry & Carter (1988, 1989) vorgestellt. Bis in die Nullerjahre hinein gab es keine einheitlichen Ansätze zur Bestimmung von »Klimaähnlichkeit«. Die vielzitierte Arbeit von Thuiller (2004) basierte auf einer Überlagerung von Verbreitungskarten verschiedener Pflanzenarten und Klimarastern mit sieben Variablen: jährliche, Winter- und Sommerniederschläge, Jahresmitteltemperatur, Minimumtemperatur des kältesten Monats, Wachstumsgradtage und ein Feuchtigkeitsindex. Welche Kombinationen dieser Variablen für welche Pflanzenart maßgeblich waren, wurde mit etwas intransparenten Mustererkennungsansätzen festgelegt; die Verlagerungen der Verbreitungsgebiete wurden dann mit Klimaszenariodaten ermittelt.
Peacock & Worner (2006) suchten die Klimaanalogregionen (analogous climate regions) von Auckland, Neuseeland, über Korrelationen mit durchschnittlichen Temperaturmaxima und -minima sowie monatlichen Niederschlägen, während andere Autoren die Wetterwerte erst in saisonale Streßfaktoren umrechnen, was trotz Verwendung derselben Software nicht immer einheitliche Ergebnisse zeitigt (vgl. Sutherst 2003).
Mit zunehmender Verfügbarkeit von Klimaszenariendaten wurde die systematische Zeitscheibenkartierung von Klimaanalogen möglich. Wie Klimaanaloge jedoch im einzelnen definiert wurden, lag jedoch weiterhin im freien Ermessen der jeweiligen Autoren. Ohlemüller et al. (2006) lieferten ein Beispiel für Europa mit vier Szenarioläufen des globalen Hadley-Zirkulationsmodells. Ihre fünf Vergleichsvariablen waren mittlere Jahrestemperatur, Mitteltemperatur des kältesten Monats, Wachstumsgradtage, mittlerer Jahresniederschlag und das jährliche Wasserdefizit. Für jede dieser Variablen wurden Toleranzbereiche nach freiem Ermessen gesetzt, und das Analogiekriterium war mit vier der fünf Variablen im Toleranzbereich erfüllt.
Hallegatte et al. (2007) visualisierten ihre Ergebnisse eindrucksvoll über Karten mit verlagerten Städten – London findet sich dort in Portugal und Stockholm an der Adria. Allerdings verorteten Kopf et al. (2008, Hallegatte war hier Koautor) Stockholms klimatische Zukunft auf der Grundlage derselben Klimaszenarien aber anderer Klimavariablen und mit einem verteilungsbasierten Ansatz in Spanien.
Der vielleicht wichtigste Schritt zur Objektivierung klimatischer Ähnlichkeit (oder Verschiedenheit) war die Einführung standardisierter Euklidischer Distanzen durch Williams et al. (2007) anstelle der uneinheitlich definierten Toleranzbereiche. Ein Fokus der Entwicklung lag nun auf der Suche nach objektiven Distanzdefinitionen (vgl. Grenier et al. 2013). Der nächste Meilenstein war die Einführung von Mahalanobis-Distanzen, dargestellt als Sigma-Unähnlichkeiten (sigma dissimilarities) durch Mahony et al. (2017). Diese berücksichtigen nicht nur die Mittelwerte sondern auch die Variabilitäten der Klimavariablen, und sie wurden dann in zahlreichen Studien verwendet, etwa von Parks et al. (2022), Chaudhary et al. (2023) oder Paik et al. (2024). Auch die vorliegende Arbeit stützt sich auf dieses Verfahren, welches im nachfolgenden Abschnitt 2.2 näher erläutert wird.
Kürzlich neu ins Spiel gebracht wurden Wasserstein-Distanzen (Bulut et al. 2025), die auch noch mögliche Korrelationen zwischen Klimavariablen berücksichtigen. Der Einfluß dieser weiteren Verfeinerung auf die damit erzielten Ergebnisse dürfte allerdings geringer sein als die Auswahl der zu berücksichtigenden Klimavariablen oder der verwendeten Klimamodelle (vgl. Bastin et al. 2019, denen bereits die Euklidischen Distanzen gut genug sind).
Bezüglich der verwendeten Variablen gibt es zumindest Tendenzen zur Vereinheitlichung. Fundamentale Klimafaktoren für das Pflanzenwachstum sind Sonnenschein (photosynthetisch aktive Strahlung), Temperatur und Wasserverfügbarkeit. Da die komplexen Prozesse der Wolkenbildung von den Zirkulationsmodellen nur unvollkommen dargestellt werden, ist die Einstrahlung der unsicherste der drei Parameter; er ist aber auch antikorreliert zum Niederschlag und damit am ehesten verzichtbar.
Nicht vernachlässigt werden darf dagegen der Jahresgang bzw. die Saisonalität des Klimas. Hier stellen Jahreszeitenmittel einen günstigen Kompromiß zwischen Repräsentativität und möglichst niedriger Variablenanzahl dar, die dann mit je vier Temperatur- und Niederschlagsmitteln bei acht liegt.
Außer Mahony et al. (2017) verwenden eine ganze Reihe von Autoren, beispielsweise Veloz et al. (2012) oder Dahinden et al. (2017), diese acht Variablen; Bulut et al. (2025) ergänzen lediglich um Jahreszeitenmittel der täglichen Maximum- und Minimumtemperaturen. Auch die hier vorgelegte Arbeit basiert auf den acht jahreszeitlichen Mittelwerten von Temperatur und Niederschlag. Dagegen verwenden viele Klimaeignungsstudien für Feldfrüchte lediglich Temperaturwerte oder beschränken sich auf die Hauptwachstumszeit (z. B. Pugh et al. 2016, Agarwal & Sinha 2019 oder Nesbitt et al. 2022).
1.2 Nicht-klimatische Analogfaktoren
Um auf die Frage, welche Fruchtarten zukünftig in unseren Fokusregionen angebaut werden können, zurückzukommen: das Klima ist natürlich nicht der einzige entscheidende Faktor. Es ist insbesondere wichtig, die Bodeneigenschaften in den Klimaanalogregionen im Blick zu behalten. Wenn in der Fokusregion beispielsweise, wie in der Region Ost, sandige Böden vorherrschen und die Klimaanalogregion sich sowohl über sandige und tonige Standorte erstreckt, sollten nach Möglichkeit nur die Verhältnisse an den sandigen betrachtet werden, selbst wenn die Unähnlichkeitsindizes für das Klima an den tonigen Standorten noch ein wenig geringer sind.
Diese Überlegung betrifft hier insbesondere die Gegenüberstellungen der prozentualen Fruchtartenverteilungen von Fokus- und Analogregionen in Kapitel 4. Weitere Einflußfaktoren, insbesondere unterschiedliche wirtschaftliche und agrarpolitische Rahmenbedingungen in den Vergleichsregionen, die hier nicht berücksichtigt wurden, schränken allerdings die Verwendbarkeit der Ergebnisse als Zukunftsprojektion ein. Besonderes Augenmerk sollte auf mögliche Unterschiede zwischen den Regionen bei der Bewässerung gelegt werden. Der wichtigste Aspekt der Vergleiche der Fruchtartenverteilungen liegt wahrscheinlich in der Identifikation von Kulturen, die (bislang) nur in der Analogregion angebaut werden und sich damit als Kandidaten für den zukünftigen Anbau in der Fokusregion empfehlen.
2 Material und Methoden
2.1 Verwendete Klimaszenariodaten
Diese Analyse wurde mit globalen Klimasimulationen der CMIP6-Modelle erstellt, welche auch für den sechsten Sachstandsbericht des »Weltklimarats« (IPCC 2021) maßgebend waren. Davon wurden bias-adjustierte und auf ein geographisches 0,5°-Gitter vereinheitlichte Produkte des Inter-Sectoral Impact Model Intercomparison Project (ISIMIP) für das gegenwärtig am realistischsten erscheinende Emissionsszenario SSP 370 ausgewertet; zu den SSP-Szenarien siehe Riahi et al. (2017) und Abschnitt 1.6 in Chen et al. (2021).
Konkret wurden zehn verschiedene Läufe (Klimarealisationen) der in Tabelle 2.1 genannten Modelle verwendet. Diese bestehen aus täglichen Wetterdaten für die Jahre 1991 bis 2100; bis 2014 unter den historischen Treibhausgasemissionen, ab 2015 unter jenen des SSP 370-Szenarios. Aus den globalen Datenfeldern wurde ein Bereich von 25° westlicher bis 38° östlicher Länge von Greenwich und von 34° bis 72° nördlicher Breite extrahiert, um die Auswertung auf Europa (mit Ausnahme dessen östlichster Teile) zu begrenzen. Dieser Bereich enthält entsprechend 126 × 76 = 9576 Rasterzellen.
| Modell | Betreiber-ID, Land | KARO-ID |
|---|---|---|
| GFDL-ESM4 | NOAA-GFDL, USA | 40 |
| IPSL-CM6A-LR | IPSL, Frankreich | 41 |
| MPI-ESM1-2-HR | MPI-M, Deutschland | 42 |
| MRI-ESM2-0 | MRI, Japan | 43 |
| UKESM1-0-LL | MOHC, Vereinigtes Königreich | 44 |
| CanESM5 | CCCMA, Kanada | 45 |
| CNRM-CM6-1 | CNRM-CERFACS, Frankreich | 46 |
| CNRM-ESM2-1 | CNRM-CERFACS, Frankreich | 47 |
| EC-Earth3 | EC-Earth Consortium, international | 48 |
| MIROC6 | MIROC, Japan | 49 |
Wie bereits am Ende von Abschnitt 1.1 beschrieben, wurden die Temperatur- und Niederschlagsdaten zu Jahreszeitenmitteln aggregiert. Als Zeitscheibe für das Klima der Gegenwart fungierten die 29 Jahre 2006–2034, die symmetrisch um das Referenzjahr 2020 liegen, als Zukunftszeitscheiben wurden 2036–2064 (Referenz 2050) und 2066–2094 (Referenz 2080) extrahiert. Die Jahreswerte in der Gegenwartszeitscheibe wurden auch zur Berechnung der lokalen Klimavariabilität verwendet, wobei die langjährigen Trends vorher herausgerechnet und die Aggregate der angeschnittenen Winterperioden zu Beginn und am Ende der Zeitscheibe entfernt wurden.
Mit diesen Daten wurden die Sigma-Unähnlichkeiten (s.u.) zunächst gesondert für jede Klimarealisation berechnet. Für die Kartierung der Ergebnisse in bezug auf einzelne Fokusregionen bzw. -Rasterzellen wurden je Rasterzelle die Medianwerte aller dafür errechneten Unähnlichkeitswerte verwendet. Mit der Beschränkung der Eingangsdaten auf in sich konsistente Modellausgaben sollen systematische Fehler der Modelle in bezug auf das reale Klima minimiert und mit der Median-Ausgabe Verzerrungen durch extreme Realisationen vermieden werden.
2.2 Klimavergleiche nach Mahony et al.
2.2.1 Euklidische Distanzen
Das von Williams et al. (2007) eingeführte Unähnlichkeitsmaß der standardisierten Euklidischen Distanzen (ED) für n verschiedene Klimavariablen ist für einen Ort oder eine Klimarasterzelle i in bezug auf die Fokusregion bzw. Rasterzelle j folgendermaßen definiert:
In der Klammer steht die Differenz zwischen aik, der k-ten Klimavariable der Gegenwart in Gitterzelle i und bjk, ihrem Gegenpart in der Zukunft in der Fokusgitterzelle j. Das Quadrat dieser Differenz wird mit s2jk, der quadrierten Standardabweichung der interannuellen Variabilität der Variable in der Fokusgitterzelle normiert.
2.2.2 Mahalanobis-Distanzen
Die Mahalanobis-Distanzen (MD) von Mahony et al. (2017) werden auf ähnliche Weise bestimmt, allerdings mit transformierten Klimavariablen auf der Basis einer Hauptkomponententransformation. Ausgangspunkt sind drei Matrizen: A mit den betrachteten gegenwärtigen Klimanormalvariablen, B mit deren für die Zukunft erwarteten Werten für jede Zelle des Klimarasters und Cj mit jährlichen Werten (z. B. der letzten 30 Jahre oder der Klimanormalperiode) der meteorologischen Variablen für die Fokus-Rasterzelle j, die als lokale Referenz für die gegenwärtige Klimavariabilität dienen. Die Rasterzellen oder Einzeljahre sind in den Jahren, die Klimavariablen in den Spalten geordnet.
Wenn man nun die Variablenwerte der Einzeljahre (Index t) in Cj als standardisierte Anomalien
darstellt (sjk ist die Standardabweichung der Klimavariable k am Fokusort), erhält man die Matrix C′j mit z-Werten. Im Triplett mit den Matrizen A′ und B′, die aus entsprechenden Standardisierungen
hervorgehen, ergibt eine Rotation auf die Hauptkomponenten von C′j die linear transformierten Matrizen X, Y und Zj. Hauptkomponenten mit marginalen Varianzen (<0,01) werden verworfen, wodurch es m ≤ n orthogonale Variablen gibt. Und mit diesen ist die Berechnung der Mahalanobis-Distanz praktisch äquivalent zu Gleichung 2.1; σjp ist hierbei die Standardabweichung auf der Hauptkomponente p, also der Werte in der entsprechenden Spalte von Zj:
Alternativ hierzu läßt sich das MD-Feld aus den Klimanormalwerten am Ort i und deren im Fokusort für die Zukunft simulierten Gegenstücken mit einer Matrixoperation bestimmen. Neben den Zeilenvektoren a′i und b′j, deren Werte in bezug auf das Referenzklima Cj standardisiert wurden (siehe oben), wird die Korrelationsmatrix Rj zu Cj benötigt:
Zum besseren Verständnis illustrieren Mahony et al. (2017) das Vorgehen exemplarisch für zwei Klimavariablen mit einer Graphik, die hier aus Urheberrechtsgründen leider nicht reproduziert werden kann. Die Achsen dieses Diagramms bezeichnen zwei bereits in bezug auf das rezente Klima in j standardisierte Klimavariablen, mittlere tägliche Temperaturmaxima im Winter auf der x- und winterliche Niederschlagssummen auf der y-Achse. Eine graue Punktwolke im Hintergrund stellt die Verteilung der rezenten Klimate im gesamten Klimaraster dar, entspricht also der Information in A′.
Ein kleines Nest blauer Punkte markiert die jährlichen Witterungsverhältnisse der letzten drei Jahrzehnte am Fokusort, Inhalt der Matrix C′j. Deren Schwerpunkt, gekennzeichnet durch ein schiefstehendes Koordinatenkreuz, entspricht den daraus bestimmten Klimanormalwerten in j, also dem Ursprung des von den standardisierten Klimavariablen aufgespannten Koordinatensystems. Der Übergang vom Koordinatensystem der Graphik auf das eingezeichnete rotierte Koordinatenkreuz wird durch die Hauptkomponententransformation bewirkt, bei der die erste Variable bzw. Komponente (PC1) in Richtung der größten Varianz orientiert ist.
Weitere Variablen (hier ist es nur eine, PC2) sind orthogonale Komponenten mit absteigend geordneten Varianzen. Die so transformierten Variablen sind auf Standardabweichungen von eins normiert, was die Streckung bzw. Stauchung der Achsenabschnitte gegenüber dem Ausgangssystem bewirkt, und es ist dieses transformierte System, in welchem die Mahalanobis-Distanzen nach Gleichung 2.4 bestimmt werden.
Zum Vergleich der gegenwärtigen Klimate (graue Punktwolke) mit dem zukünftigen Klima des Fokusortes muß der Ausgangspunkt der Distanzmessung auf dessen Position im Koordinatensystem verschoben werden. Daß der Punkt, der die gegenwärtigen Klimanormale des Fokusortes repräsentiert, sich nicht im Ursprung des rotierten Achsenkreuzes befindet, liegt an einer vom Zeitraum der Jahreswerte (blaue Punkte) abweichenden Klimanormalperiode.
An dieser Stelle zeigt sich aber auch, was bei der Methode nicht klar definiert und weiterhin im Ermessen des Anwenders liegt. Welche Klimanormalperiode ist repräsentativ für die jüngere Vergangenheit? Sollte nicht die Varianzbestimmung dieselben Jahre verwenden? Und sollen überhaupt reale Wettermessungen als Ausgangsdaten verwendet werden, wenn zukünftige Klimate nur mit systematischen Fehlern simuliert werden können? Die letzte Frage wurde bei der hiermit vorgelegten Analyse im Gegensatz zu Mahony et al. (2017) mit Nein beantwortet: aus Konsistenzgründen wurden dieselben Klimarealisationen verwendet, um Gegenwart und Zukunft darzustellen.
2.2.3 Sigma-Unähnlichkeiten
Euklidische und Mahalanobis-Distanzen sind für sich selbst genommen noch keine idealen Maße für die Ähnlichkeit bzw. Unähnlichkeit verschiedener Klimate, weil sie mit zunehmender Anzahl der betrachteten meteorologischen Variablen zu höheren Werten tendieren. Nicht von diesem Mangel betroffen sind Sigma-Unähnlichkeiten, die den Grundgedanken fortführen, klimatische Verschiedenheit relativ zur Variabilität des Klimas am Fokusort zu messen.
Die Verteilung der Anomalien einzelner Jahreswerte gegenüber dem Klimanormal, gemessen in MD-Einheiten, folgt einer χ-Verteilung mit m Freiheitsgraden. Die Unähnlichkeit eines Vergleichsklimas kann nun in Standardabweichungen dieser Verteilung angegeben werden. Bei Unähnlichkeiten von weniger als 1σ liegt der Abstand der Klimate im Bereich der Variabilität einzelner Jahre, und erst ab 2σ kann von signifikant verschiedenem Klima gesprochen werden.
3 Vergleiche mit früheren Analysen
Mit der beschriebenen Methode wurden bereits in einem früheren Agrarforschungsprojekt mit Verbundpartnern aus Estland, Österreich und der Schweiz, an dem das PIK beteiligt war (SALBES, BMBF FKZ 16LC1809B, Laufzeit 2019–2022) Klimaanaloge berechnet. Dafür konnte auf räumlich höher aufgelöste EURO-CORDEX-Realisationen, also Ausgaben regionaler Klimamodelle, die von Globalmodellen angetrieben wurden, zurückgegriffen werden. Allerdings handelte es sich dabei um die ältere Vorgänger-Modellgeneration CMIP5.
Nachfolgend sind die für SALBES mit den CMIP5-Daten für das pessimistische RCP 8.5-Szenario und die mit den CMIP6-Daten des aktuellen SSP 370-Szenarios neu errechneten Klimaanaloge für das Referenzjahr 2050 dargestellt. Die alte und die neue Ergebniskarte für jede der vier SALBES-Fokusregionen Münsterland, Schwarzbubenland (Schweiz), Wienerwald und den Kreis Lääne in Estland sind dabei direkt übereinander positioniert.
Erfreulicherweise sind die Unterschiede zwischen den Unähnlichkeitsfeldern bei keiner Region grundsätzlich verschieden. Generell zeigt sich ein niedrigeres Niveau der Unähnlichkeiten in den früheren Auswertungen, zu sehen etwa an den größeren blauen Zonen in den oberen Karten oder dem stärkeren »Gelbschleier« im Falle des Wienerwalds. Diese systematische Abweichung dürfte darauf zurückzuführen sein, daß in den CMIP5-EURO-CORDEX-Klimrastern die Flächen der Fokusregionen jeweils mit allen überlappenden Rasterzellen angenähert wurden, während im 0,5°-Raster der CMIP6-Läufe nur eine, möglichst repräsentative Zelle per Fokusregionen verwendet wurde. Die alten Auswertungen wurden für jede Zelle der Fokusregion einzeln durchgeführt und die so entstandenen Unähnlichkeitsfelder nach dem Minimalprinzip zur Ergebniskarte aggregiert. Das Kalkül war, daß jeder Ort innerhalb einer auf diese Weise ermittelten Klimaanalogregion mit mindestens einer Rasterzelle innerhalb der Fokusregion korrespondiert.
Von den früheren Ergebnissen, deren technische Richtigkeit hiermit im Nachhinein bestätigt wurde, hat es leider nur das für das Schwarzbubenland in eine Publikation geschafft (Nishizawa et al. 2023, Supplement 1). Dieses aus mehreren Exklaven bestehende Gebiet im Nordwesten der Schweiz wurde dabei klimatisch durch die einschließenden Kantone Solothurn und Basel Landschaft repräsentiert, um für parallele Analysen von Stationsdaten eine gemeinsame Flächenbasis zu haben.
Münsterland
Schwarzbubenland
Wienerwald
Läänemaa
4 Ergebnisse für die KARO-Gebiete
4.1 Fokusregion Nord
Als erstes Ergebnis für die Fokusregionen des KARO-Projekts betrachten wir die Klimaanalogregionen der Fokusregion Nord zur Mitte des 21. Jahrhunderts in Abbildung 4.1. Sehr gute Entsprechungen zum zukünftigen Klima in der Fokusregion finden sich im südlichen Schleswig-Holstein, der niederländischen Provinz Nordholland und im Südostzipfel Belgiens. Eine fast perfekte Analogie mit Sigma-Unähnlichkeiten bis hinunter zu 0,016 besteht jedoch im niedersächsischen Landkreis Cuxhaven, vgl. Abbildung 4.2.
Abbildung 4.3 zeigt die Flächenanteile der wichtigsten Ackerbaukulturen (mit mehr als einem Prozent Anteil an den Ackerflächen einer Region) in den Landkreisen Schleswig-Flensburg als Stellvertreter der Fokusregion Nord und Cuxhaven im Vergleich. Die Unterschiede sind moderat; Silomais ist jeweils die dominierende Leitkultur. Es bestätigt sich, was die Ertragssimulationen vermuten ließen: Die Klimawirkung in der Region Nord ist am geringsten, und man wird hier mit Sicht auf die nächsten Jahrzehnte im Vergleich zu den anderen Fokusregionen noch am ehesten mit den bislang üblichen Kulturen weiter Landwirtschaft betreiben können. Die hohe Klima-Selbstähnlichkeit (niedriger Sigma-Unähnlichkeitswert) in der Fokusrasterzelle paßt ebenfalls in dieses Bild.
Ein großer Anteil an Dauergrünland an der gesamten landwirtschaftlichen Nutzfläche, im Kreis Schleswig-Flensburg sind es 30,8 %, wird im Landkreis Cuxhaven mit 54,0 % noch übertroffen; auch diesbezüglich herrscht strukturelle Ähnlichkeit. Es bleibt allerdings zu bedenken, daß Bodenverhältnisse, agrarpolitische Rahmenbedingungen oder regional tradierte Wirtschaftsweisen ebenfalls für Ähnlichkeiten und Unterschiede zwischen Fokusregion und Klimaanalog verantwortlich sein können.
Die niederländische Provinz Nordholland als zweitbestes Klimaanalog hat beispielsweise eine ganz andere Flächennutzung: Das Niederländische Statistikamt (CBS) tabelliert hier für 2020 zwar auch einen 54,5-prozentigen Grünlandanteil, aber damit enden bereits die Gemeinsamkeiten. Auf 16,6 % der landwirtschaftlichen Nutzfläche Nordhollands wird Gartenbau betrieben, zum allergrößten Teil zur Erzeugung von Tulpenzwiebeln. Gewächshäuser nehmen fast ein Prozent der Gesamtfläche ein, in ihnen werden zu gleichen Teilen Gemüse und Zierpflanzen kultiviert. Am Ackerland haben Freilandgemüse einen enormen Anteil (11,66 %), aber noch bedeutender sind die Anteile von Zuckerrüben (16,32 %) und Kartoffeln (31,95 %).
Abgesehen von den sehr speziellen Tulpenfeldern kann für die beiden betrachteten Analogregionen Nordholland und Cuxhaven aber konstatiert werden, daß in ihnen keine noch nicht in der Fokusregion Nord vorhandenen Feldfrüchte angebaut werden, die aufgrund des Klimawandels in den nächsten Jahrzehnten dort interessant werden könnten. Bei den »anderen Hülsenfrüchten« im Landkreis Cuxhaven (Abbildung 4.3) handelt es sich jedenfalls nicht um Sojabohnen.
Zum Vergleich der Bodenverhältnisse zeigt Abbildung 4.4 einen Ausschnitt der europäischen Bodenkarte mit den Landkreisen Schleswig-Flensburg und Cuxhaven.
Klimaanalogregionen der Fokusregion Nord zum Ende des 21. Jahrhunderts (Referenzjahr 2080) sind die Kölner Bucht und Gebiete entlang der Nordostgrenze Frankreichs, vgl. Abbildung 4.5. Obwohl wegen der höheren Unsicherheit und geringeren Paßgenauigkeit dieser längerfristigen Analoge detaillierte Analysen heutiger Fruchtartenverteilungen wenig sinnvoll sind, kann konstatiert werden, daß Körnermais in diesen Regionen eine größere Rolle spielt und auch regelmäßig kleine Anteile Sojabohnen angebaut werden.
4.2 Fokusregion Ost
Dieser Abschnitt ist zweigeteilt. Das Vorgehen im ersten Unterabschnitt entspricht dem für die anderen Fokusregionen, deren Analoge allein aufgrund der Klimaähnlichkeit bestimmt wurden. Im zweiten Unterabschnitt wurde versucht, auch die Böden als Ähnlichkeitsmerkmal zu berücksichtigen.
4.2.1 Klima-Analogregionen
Die Klimaanaloge Südbrandenburgs um das Referenzjahr 2050 liegen in dem als »Ried« bekannten Teil der Rheinebene westlich von Darmstadt und beidseitig der Österreichisch-Slowakischen Grenze (Abbildung 4.6). Außerdem kann eine große Analognähe zur direkt benachbarten Lausitz konstatiert werden, aber die Sigma-Unähnlichkeit erreicht hier nicht so niedrige Werte wie in den vorgenannten Gebieten, weswegen auf den kurzen Blick »um die Ecke« verzichtet wird.
Der fragliche Teil des Oberrheintals wird durch die Landkreise Groß-Gerau, Alzey-Worms und Rhein-Pfalz repräsentiert; Abbildung 4.7 zeigt die Region im Detail. Die Anbauverteilungen in den drei Landkreisen sind in Abbildung 4.8 dargestellt.
Eine Detailkarte der südlicheren Analogregion zeigt Abbildung 4.9. In Österreich betrachten wir die Anbauflächen für Niederösterreich, da Statistik Austria nur Bundeslanddaten herausgibt. Auf slowakischer Seite decken sich die Hauptstadtregion (Bratislavský kraj) und der westliche Landesteil (Západné Slovensko) relativ gut mit den dortigen Unähnlichkeitsminima. Außerdem kann noch die ungarische Region Mitteltransdanubien (Közép-Dunántúl) in die Betrachtung einbezogen werden. Abbildung 4.10 zeigt die Flächenanteile aller Kulturen, die in mindestens einem dieser Gebiete mit mehr als einem Prozent Anteil an der Ackerfläche angebaut werden.
Es zeigen sich deutliche Unterschiede zu den Anbaustrukturen in der Fokusregion Ost und ihren Analogregionen. Die beiden Leitkulturen der Fokusregion, Silomais und Roggen mit Wintermenggetreide, brechen in allen Analogen weg, wenn auch aus unterschiedlichen Gründen: Der hohe Grünmais-Anteil verlagert sich durch die im Zukunftsklima leichtere Abreife in die Körnermaisfraktion (Klimawandeleffekt), während für Roggen vermutlich die Böden der Analoge zu fruchtbar sind, dazu gleich mehr. Die sehr hohen Gemüseanteile in den Landkreisen Groß-Gerau und Rhein-Pfalz haben auch nichts mit dem Klima zu tun, sondern mit dem hohen Verstädterungsgrad der Umgebung, welcher die wirtschaftliche Vermarktung erlaubt (vgl. den »Ersten Kreis« bei Thünen 1842). Die hohen Zuckerrüben-Anteile in den Landkreisen am Rhein lassen sich durch die Präsenz des Werks Offstein der Südzucker AG (8°13,1′E, 49°36,0′N) erklären.
Es dürften aber wiederum Klimaeffekte sein, daß Sojabohnen, die in der Region Ost gerade erst auf einzelnen Betrieben ausprobiert werden, bereits in den Analogregionen »angekommen« sind und daß in den südlicheren Regionen auch Ölkürbisse und Hartweizen das Fruchtartenspektrum bereichern. Einen weiterhin guten Stand hat der Winterweizen, auch wenn dessen hohe Flächenanteile in den Analogregionen wegen der schlechten Böden in der Region Ost nicht erreicht werden.
Bei der Betrachtung der Anbauverteilungen auf dem Ackerland fallen Dauerkulturen unter den Tisch, die in der Fokusregion Ost mit 0,5 % Anteil an der gesamten Landwirtschaftsfläche auch keine große Rolle spielen. Es darf daher nicht unerwähnt bleiben, daß in beiden Analogregionen der Weinbau weit verbreitet und am Rhein sogar landschaftsprägend ist.
Große Unterschiede in den Böden zeigen sich zu beiden Analogregionen. Die Situation am Rhein ist in der Bodenkarte in Abbildung 4.11 dargestellt. Etwa ein Drittel der Flächen ist von ärmeren Böden bedeckt, aber diese basenreichen Regosole und Kalksteinrendzinen sind genauso wenig mit den märkischen Sanden zu vergleichen wie die an Lößschluff und lehmigen Substraten reichen restlichen Ackerböden dieser Region. An der Donau dominieren fruchtbare Lößböden das Bild (Abbildung 4.12).
Vor diesem Hintergrund ist die direkte Übertragung der Anbauverteilungen aus diesen Analogregionen als Zukunftsszenario für die Fokusregion Ost natürlich in Frage gestellt, und eine weitere Auswertung im nachfolgenden Unterabschnitt bemüht sich um eine bessere Entsprechung bei den Bodenverhältnissen.
In der ferneren Zukunft verlagern sich die Analoge rund um das Grenzgebiet von Ungarn und Serbien (Abbildung 4.13). Dies könnte in der Fokusregion Ost bislang völlig ignorierte Fruchtarten (Sorghum, Mohn, Paprika u. a.) erlauben, sofern eine ausreichende Wasserversorgung der zur Austrocknung neigenden Sandböden gesichert werden kann.
4.2.2 Klima-Boden-Analogregionen
Um auch bezüglich der Böden eine bessere Entsprechung zu finden, wurde zwar keine kombinierte numerische Auswertung von Klima- und Bodendaten betrieben, aber gezielt nach sandreichen Gebieten in Ungarn gesucht, da dieses Land sowohl in der näheren (Abbildung 4.6) als auch in der ferneren Zukunft (Abbildung 4.13) hohe Klimaähnlichkeiten aufweist.
Eine europaweite Kartierung von Bodenparametern wurde durch das Joint Research Centre der Europäischen Kommission aufgrund von knapp 20 000, seit 2009 einheitlich gesammelten und analysierten Bodenproben durchgeführt. Die so entstandene Karte der Sandgehalte des Oberbodens, dargestellt in Abbildung 4.14, zeigt die Gebiete mit den besten Entsprechungen zu den in der Fokusregion Ost vorherrschenden Sandböden ohne Umwege über Bodentypen oder nationale Systematiken. Zwei magentafarbene Pfeile weisen darin auf die großen Sandgebiete im Süden und Osten Ungarns hin, die als bestmögliche Klima-Boden-Analoge betrachtet werden sollen.
Die Entsprechungen dieser Gebiete zu Verwaltungseinheiten mit Anbaudaten aus der Landwirtschaftszählung wurden über die Europäische Bodenkarte bestimmt, deren Kartiereinheiten sich dank Abbildung 4.14 problemlos den sandigen Substraten zuordnen lassen. Abbildung 4.15 zeigt den entsprechenden Kartenausschnitt für das Sandgebiet im Osten Ungarns, welches als Sander verschiedener Zuflüsse aus den nordöstlichen Karpaten entstanden ist (Gábris & Nádor 2007). Die beste administrative Entsprechung ist das Komitat Szabolcs-Szatmár-Bereg, welches jedoch ebenfalls viele Ackerflächen auf schluffigen Schwarzerdeböden im Westen und lehmigen Auenböden im Osten beinhaltet.
Auch die Sandlandschaft im Süden Ungarns, das sogenannte Donau-Theiß-Interfluve, entstanden aus Sedimenten der Donau, während diese ihren Lauf durch Landhebung allmählich nach Westen verlegte (Gábris & Nádor 2007), hat keine optimale Entsprechung in einer ungarischen Verwaltungseinheit. Abbildung 4.16 zeigt zwar zweifelsfrei die größte Überlappung für das Komitat Bács-Kiskun, das aber auch wieder sehr fruchtbare Böden beinhaltet, die im Gegensatz zu den vom Sand dominierten Flächen überwiegend landwirtschaftlich genutzt werden.
Mit der Ebene der Komitate (NUTS-3) befinden wir uns leider schon auf der höchsten räumlichen Disaggregierung, in welcher Daten der Landwirtschaftszählung vom ungarischen Statistikamt veröffentlicht werden. Die »Verunreinigung« der in Abbildung 4.17 dargestellten Anbauverteilungen für Szabolcs-Szatmár-Bereg und Bács-Kiskun durch die Verhältnisse auf sehr fruchtbaren Böden kann also nicht vermieden werden.
Ob die Nutzungen auf den ertragsstarken Anbauflächen verhindern, eine »Sandbodencharakteristik« in den Anbauverteilungen der Komitate erkennen zu können? Die Profile in Abbildung 4.17 passen jedenfalls sehr gut zu der in Abbildung 4.10 gezeigten Gruppe; hohe Anteile an Körnermais und Sonnenblumen sowie das Auftreten von in der Fokusregion Ost nicht oder kaum verbreiteten Kulturen (Durum, Sorghum, Soja) sind die verbindenden Merkmale.
Roggen als Indikator für Sandböden kommt in den Komitaten zwar auf über ein Prozent Flächenanteil, aber in Niederösterreich und dem Bezirk Bratislava werden drei Prozent übertroffen. Vielleicht sind die etwas geringeren Anteile von Winterweizen und »neuen« Kulturen ja den Bodenverhältnissen geschuldet. Das weitgehende Fehlen der Zuckerrübe dürfte hingegen auf einen Mangel an Vermarktungsmöglichkeiten zurückzuführen sein: Ungarns einzige Zuckerfabrik befindet sich in Kaposvár (17°48,7′E, 46°21,4′N), während Niederösterreich und der Westen der Slowakei mit Standorten in Tulln (16°02,3′E, 48°19,5′N), Leopoldsdorf (16°42,1′E, 48°14,4′N; geschlossen 2025) und Sereď (17°44,2′E, 48°16,6′N) ausgestattet waren.
4.3 Fokusregion Südwest
Abbildung 4.18 zeigt die Klimaanaloge des Referenzjahres 2050 für die Fokusregion Südwest erstens bei Straßburg im Nordostzipfel Frankreichs, zweitens im Tal der Saône bei Dijon und dessen Fortsetzung in der Bresse und drittens in der Mitte des nördlichen (pannonischen) Teils Kroatiens.
Auf besagter »Ecke« Frankreichs liegt das Departement № 67 Bas-Rhin. Die Situation an der Saône ist in Abbildung 4.19 detailliert dargestellt. Hier bieten sich die Departements № 21 Côte-d'Or und № 71 Saône-et-Loire als beste Entsprechungen an. Zwar liegen die Rasterzellen mit den niedrigsten Sigma-Unähnlichkeitswerten nur über der Saône-Niederung im Osten dieser zwei Departements, aber dort konzentrieren sich auch die in der Karte hellbeige erscheinenden Ackerflächen. Die westlichen Teile der Verwaltungseinheiten liegen auf den Ausläufern des Morvan-Massivs, wo khakifarben dargestellte Grünlandnutzung dominiert. Allein im Norden des Departements Côte-d'Or liegen noch Ackerflächen im Bereich höherer Sigma-Werte.
Der Vergleich der Fruchtartenverteilung in der Fokusregion Südwest mit den französischen Klimaanalogen in Abbildung 4.20 zeigt wieder deutliche Parallelen zwischen den Analogregionen. Dargestellt sind hier wieder alle Fruchtarten, die in der Fokusregion oder einer Verwaltungseinheit der Analogregionen (einschließlich der kroatischen, die nachfolgend diskutiert werden) auf mehr als einem Prozent der Ackerflächen angebaut wurden.
Der im Vergleich der Fokusregionen höchste Körnermaisanteil wird in zwei der drei Departements übertroffen, in Bas-Rhin drastisch.
Fußnote: Auf Wikipedia heißt es zu den Bewohnern der Bresse (deren Norden von Saône-et-Loire abgedeckt wird): »Die Bressans wurden von ihren Nachbarn als ›Gelbbäuche‹ bezeichnet, wohl deswegen, weil die arme Bevölkerung schon früh Mais anstelle von Getreide aß. […] Der Maisanbau war und ist ein wichtiger landwirtschaftlicher Zweig, da Mais für die Fütterung der Bressehühner unerlässlich ist.«
Auch Sojabohnen sind in der Saône-Niederung schon beinahe eine Leitkultur. Hier fallen auch Sonnenblumen, die in der Fokusregion zu unbedeutend sind, um in der Statistik zu erscheinen, mit nennenswerten Flächenanteilen auf.
Die höheren Feldgras-Anteile in den französischen Analogregionen korrespondieren mit deren höheren Grünlandanteilen. Das Fehlen von Zuckerrüben in den Departements an der Saône hängt mit der Entfernung zu den nächstgelegenen Zuckerfabriken zusammen. Während das Departement Bas-Rhin mit dem Standort Erstein der Cristal Union (7°41.4′E, 48°24.5′N) bestückt ist, müßten Landwirte aus der Bresse ihre Rüben an eine der bei Paris konzentrierten Fabriken anliefern; das wären mindestens 250 km einfache Wegstrecke. Schließlich läßt sich noch festhalten, daß Winterweizen in den französischen Analogen auf praktisch unverändert hohem Niveau angebaut wird.
Nun zu der Klimaanalogregion im Norden Kroatiens (Abbildung 4.21). Diese wird weitgehend durch die drei Gespanschaften Bjelovar-Bilogora, Virovitica-Podravina und Požega-Slavonien repräsentiert. Der nördliche Rand von Bosnien-Herzegovina wird bislang weder von der Aufteilung in NUTS-Regionen noch von der EU-Landwirtschaftszählung erfaßt und entzieht sich damit einer näheren Betrachtung. Abbildung 4.22 zeigt die Anbausituation in den drei Gespanschaften im Vergleich zur Fokusregion Südwest.
Wie in Frankreich spielt Körnermais eine entscheidende Rolle. Sojabohnen sind mit mehr als einem Achtel der Ackerflächen in zwei der drei Verwaltungsgebiete hier definitiv eine der Leitkulturen. Bemerkenswert sind ferner erhöhte Haferanteile in Bjelovar-Bilogora und Požega-Slawonien sowie die Prominenz von Gewürzkräutern und Tabak in Virovitica-Podravina, welche als die ärmste Gespanschaft Kroatiens gilt. Inwieweit hier noch tradierte Wirtschaftsformen (»Kräuterweiblein«) oder lokale Industrien eine Rolle spielen, konnte nicht aufgeklärt werden.
Ebenfalls wie in Frankreich spielen Hackfrüchte keine Rolle in der Analogregion, was bei Kartoffeln sowohl an geringerer Beliebtheit in den regionalen Küchen als auch an mangelnder Wasserverfügbarkeit liegen könnte. Im Falle der Zuckerrüben ist es mit Sicherheit wieder die Positionierung der Zuckerfabriken. Während die Fokusregion Süd von den Werken Offstein und Offenau der Südzucker AG bedient wird, verfügt Kroatien über keine eigene Zuckerindustrie. Ebenso fällt der an nördlichere Standorte besser angepaßte Roggen in den Analogregionen weitgehend aus. Winterweizen bleibt hingegen auch in den kroatischen Klimaanalogen eine der Leitkulturen, wenngleich hier auf etwas niedrigerem Niveau als in der Fokusregion oder den französischen Analogen.
Die Bodenverhältnisse in den Analogregionen sind weitgehend von lehmigen Substraten geprägt (Abbildungen 4.23 und 4.24). Damit besteht eine gewisse Übereinstimmung zu den Verhältnissen in der Fokusregion Südwest, wenngleich die Substrate an der Saône höhere Carbonatgehalte aufweisen.
Zum Ende des 21. Jahrhunderts (Abbildung 4.25) wandern die Klimaanaloge in die Po-Ebene und in das Tal der Save in Kroatien und entlang der Grenze des Landes nach Bosnien-Herzegovina. Auch entlang der kroatischen Adriaküste gibt es teilweise Entsprechungen. In diesen Gebieten ist derzeit bereits der Anbau von Reis unter Bewässerung möglich, was in der Po-Ebene mit japanischen Sorten realisiert wird.
5 Fazit
Auf Sicht von 30 Jahren, in denen sich die Klimawandeltrends weitgehend unabhängig von der weiteren Entwicklung der Treibhausgasemissionen fortsetzen werden, können wir Klimaanalogregionen mitteleuropäischer Ackerbaugebiete in moderaten Entfernungen von wenigen 100 km in südlicher Richtung identifizieren. Fokusregionen im Westen (Münsterland, KARO-Fokusregion Süd, Schwarzbubenland) haben ihre Analoge eher in südwestlichen Richtungen, jene im Osten (KARO-Fokusregion Ost, Wienerwald) dagegen eher in Richtung Balkan. Diese Charakteristik wurde kürzlich auch von Bulut et al. (2025) berichtet und kartiert.
Für 2080, das Referenzjahr der ferneren Zukunft, lassen sich in keinem Fall ähnlich paßgenaue Klimaanaloge finden wie zur Mitte des Jahrhunderts. Grundsätzlich nähern sie sich aber der Großregion des Mittelmeerraums.
Die Verhältnisse der Landwirtschaft in Südwest- und Südosteuropa können die Funktion einer Zeitreise für deutsche Anbauregionen oft nur bedingt wahrnehmen. Zu verschieden sind kulturelle Prägungen, politische Vorgaben und letztlich auch oft die Bodenverhältnisse. Die integrative Betrachtung der Ergebnisse für die Fokusregionen Ost und Südwest sowie einige Ergebnisse aus dem SALBES-Projekt (vgl. Kapitel 3) zeigen aber einige gemeinsame Tendenzen, und zwar
- Körnermais verdrängt Silomais als Anbauvariante.
- Sojabohnen werden von einer Sonderkultur zu einer Hauptfruchtart.
- Neben dem Winterraps etablieren sich Sonnenblumen und Kürbisse als Ölpflanzen.
- Überhaupt bereichern allerhand »neue« Arten die Fruchtfolgen.
- Keine bislang etablierte Kultur verschwindet aber restlos.
- Der Wert von Bewässerungsflächen wird rapide steigen.
Klar ist, daß mit der erhöhten Bearbeitungskomplexität, die erweiterte Fruchtfolgen mit sich bringen, auch die systematische Anpassung von Bewirtschaftungsmaßnahmen an den Klimawandel herausfordernder wird. Das Projekt KARO kann dazu nur einen kleinen, aber vielleicht wichtigen Beitrag leisten. Die vorliegende Analyse kann wiederum dazu hoffentlich ein klein wenig beitragen.
Literatur
Agarwal, N. & A. Sinha (2019). "Future climate analogues of current wheat production zones in India". In: Current Science 116.2, S. 264–271.
Bastin, J.-F., E. Clark, T. Elliot, S. Hart, J. van den Hoogen et al. (2019). "Understanding climate change from a global analysis of city analogues". In: PLoS One 14.7, e0217592. DOI: 10.1371/journal.pone.0217592
Beck, H. E., T. R. McVicar, N. Vergopolan, A. Berg, N. J. Lutsko et al. (2023). "High-resolution (1 km) Köppen–Geiger maps for 1901–2099 based on constrained CMIP6 projections". In: Scientific Data 10, 724. DOI: 10.1038/s41597-023-02549-6
Beck, H. E., N. E. Zimmermann, T. R. McVicar, N. Vergopolan, A. Berg & E. F. Wood (2018). "Present and future Köppen-Geiger climate classification maps at 1-km resolution". In: Scientific Data 5, 180214. DOI: 10.1038/sdata.2018.214
Bulut, B., M. Vrac & N. de Noblet-Ducoudré (2025). "What Will the European Climate Look Like in the Future? A Climate Analog Analysis Accounting for Dependencies Between Variables". In: Earth's Future 13.1, e2024ef004972. DOI: 10.1029/2024EF004972
Chaudhary, S., K. Rajagopalan, C. E. Kruger, M. P. Brady, C. W. Fraisse et al. (2023). "Climate analogs can catalyze cross-regional dialogs for specialty crop adaptation". In: Scientific Reports 13, 9317. DOI: 10.1038/s41598-023-35887-x
Chen, D., M. Rojas, B. Samset, K. Cobb, A. Diongue Niang et al. (2021). "Framing, Context, and Methods". In: Climate Change 2021: The Physical Science Basis. Hrsg. von V. Masson-Delmotte et al. Cambridge University Press. Kap. 1, S. 147–286. DOI: 10.1017/9781009157896.003
Dahinden, F., E. M. Fischer & R. Knutti (2017). "Future local climate unlike currently observed anywhere". In: Environmental Research Letters 12.8, 084004. DOI: 10.1088/1748-9326/aa75d7
ESBN: European Soil Bureau Network, European Commission (2005). Soil Atlas of Europe. Hrsg. von A. Jones, L. Montanarella & R. Jones. Luxembourg: Office for Official Publications of the European Communities. 128 S. ISBN: 92-894-8120-X.
Gábris, G. & A. Nádor (2007). "Long-term fluvial archives in Hungary: response of the Danube and Tisza rivers to tectonic movements and climatic changes during the Quaternary: a review and new synthesis". In: Quaternary Science Reviews 26.22–24, S. 2758–2782. DOI: 10.1016/j.quascirev.2007.06.030
Grenier, P., A.-C. Parent, D. Huard, F. Anctil & D. Chaumont (2013). "An Assessment of Six Dissimilarity Metrics for Climate Analogs". In: Journal of Applied Meteorology and Climatology 52.4, S. 733–752. DOI: 10.1175/JAMC-D-12-0170.1
Hallegatte, S., J.-C. Hourcade & P. Ambrosi (2007). "Using climate analogues for assessing climate change economic impacts in urban areas". In: Climatic Change 82.1–2, S. 47–60. DOI: 10.1007/s10584-006-9161-z
Howe, G. M. (1948). "Agro-Climatic Analogues". In: Nature 161, S. 983–984. DOI: 10.1038/161983a0
IPCC: Intergovernmental Panel on Climate Change (2021). Climate Change 2021: The Physical Science Basis. Hrsg. von V. Masson-Delmotte et al. Cambridge & New York: Cambridge University Press. DOI: 10.1017/9781009157896
Kopf, S., M. Ha-Duong & S. Hallegatte (2008). "Using maps of city analogues to display and interpret climate change scenarios and their uncertainty". In: Natural Hazards and Earth System Sciences 8.4, S. 905–918. DOI: 10.5194/nhess-8-905-2008
Mahony, C. R., A. J. Cannon, T. Wang & S. N. Aitken (2017). "A closer look at novel climates: new methods and insights at continental to landscape scales". In: Global Change Biology 23.9, S. 3934–3955. DOI: 10.1111/gcb.13645
Nesbitt, A., S. Dorling, R. Jones, D. K. E. Smith, M. Krumins et al. (2022). "Climate change projections for UK viticulture to 2040: a focus on improving suitability for Pinot noir". In: OENO One 56.3, 5398. DOI: 10.20870/oeno-one.2022.56.3.5398
Nishizawa, T., S. Kay, J. Schuler, N. Klein, T. Conradt et al. (2023). "Towards diverse agricultural land uses: socio-ecological implications of European agricultural pathways for a Swiss orchard region". In: Regional Environmental Change 23.3, 97. DOI: 10.1007/s10113-023-02092-5
Ohlemüller, R., E. S. Gritti, M. T. Sykes & C. D. Thomas (2006). "Towards European climate risk surfaces: the extent and distribution of analogous and non-analogous climates 1931–2100". In: Global Ecology and Biogeography 15.4, S. 395–405. DOI: 10.1111/j.1466-822X.2006.00245.x
Paik, S., S.-I. An, A. D. King, S.-K. Kim & S.-K. Min (2024). "Understanding climate changes in East Asia and Europe based on spatial climate analogs". In: Environmental Research Letters 19.4, 044036. DOI: 10.1088/1748-9326/ad32e9
Parks, S. A., L. M. Holsinger, C. E. Littlefield, S. Z. Dobrowski, K. A. Zeller et al. (2022). "Efficacy of the global protected area network is threatened by disappearing climates and potential transboundary range shifts". In: Environmental Research Letters 17.5, 054016. DOI: 10.1088/1748-9326/ac6436
Parry, M. L. & T. R. Carter (1988). "An assessment of effects of climatic variations on agriculture: aims, methods and summary of results". In: The Impact of Climatic Variations on Agriculture. Hrsg. von M. L. Parry, T. R. Carter & N. T. Konijn. Bd. 1. Dordrecht: Kluwer, S. 11–96. ISBN: 978-90-277-2701-5. DOI: 10.1007/978-94-009-2943-2
Parry, M. L. & T. R. Carter (1989). "An assessment of the effects of climatic change on agriculture". In: Climatic Change 15.1–2, S. 95–116. DOI: 10.1007/BF00138848
Peacock, L. & S. Worner (2006). "Using analogous climates and global insect distribution data to identify potential sources of new invasive insect pests in New Zealand". In: New Zealand Journal of Zoology 33.2, S. 141–145. DOI: 10.1080/03014223.2006.9518438
Pugh, T. A. M., C. Müller, J. Elliott, D. Deryng, C. Folberth et al. (2016). "Climate analogues suggest limited potential for intensification of production on current croplands under climate change". In: Nature Communications 7, 12608. DOI: 10.1038/ncomms12608
Riahi, K., D. P. van Vuuren, E. Kriegler, J. Edmonds, B. C. O'Neill et al. (2017). "The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: An overview". In: Global Environmental Change 42, S. 153–168. DOI: 10.1016/j.gloenvcha.2016.05.009
Sutherst, R. W. (2003). "Prediction of species geographical ranges". In: Journal of Biogeography 30.6, S. 805–816. DOI: 10.1046/j.1365-2699.2003.00861.x
Sutherst, R. W. & G. F. Maywald (1985). "A computerized system for matching climates in ecology". In: Agriculture, Ecosystems & Environment 13.3, S. 281–299. DOI: 10.1016/0167-8809(85)90016-7
Sykes, M. T., I. C. Prentice & W. Cramer (1996). "A bioclimatic model for the potential distributions of north European tree species under present and future climates". In: Journal of Biogeography 23.2, S. 203–233. DOI: 10.1046/j.1365-2699.1996.d01221.x
Thuiller, W. (2004). "Patterns and uncertainties of species' range shifts under climate change". In: Global Change Biology 10.12, S. 2020–2027. DOI: 10.1111/j.1365-2486.2004.00859.x
Thünen, J. H. von (1842). Der isolirte Staat in Beziehung auf Landwirthschaft und Nationalökonomie. Zweite vermehrte und verbesserte Auflage. Bd. 1. Rostock: G. B. Leopold's Universitäts-Buchhandlung. 391 S.
Veloz, S., J. W. Williams, D. Lorenz, M. Notaro, S. Vavrus & D. J. Vimont (2012). "Identifying climatic analogs for Wisconsin under 21st-century climate-change scenarios". In: Climatic Change 112.3–4, S. 1037–1058. DOI: 10.1007/s10584-011-0261-z
Williams, J. W., S. T. Jackson & J. E. Kutzbach (2007). "Projected distributions of novel and disappearing climates by 2100 AD". In: PNAS 104.14, S. 5738–5742. DOI: 10.1073/pnas.0606292104
Yegorova, S. V., S. Z. Dobrowski, L. Yung, S. A. Parks, R. K. Bocinsky et al. (2025). "Spatial climate analogs in climate change research, impact assessment, and decision-making". In: BioScience 75.5, S. 362–378. DOI: 10.1093/biosci/biaf031