AI kan skydda fladdermöss vid havsbaserad vindkraft

Ett av de mest underskattade hindren för snabb utbyggnad av havsbaserad vindkraft är inte tekniken. Det är tilliten. Och tillit byggs av data – inte av antaganden.

Forskare i Kalifornien hade precis börjat fylla en pinsamt stor kunskapslucka: hur fladdermöss faktiskt rör sig över havet i områden där flytande vindkraftverk planeras. Då drogs finansieringen in. Det är dåligt av två skäl. För det första: vi riskerar att bygga energisystem som inte tar hänsyn till naturen. För det andra: när övervakning och forskning bromsas får myter och överdrifter fritt spelrum.

Här finns en tydlig väg framåt. AI-driven miljöövervakning kan göra det billigare, snabbare och mer kontinuerligt att förstå och minska påverkan på fladdermöss – samtidigt som elproduktionen optimeras. Det här inlägget är en del av serien AI inom energi och hållbarhet, där jag fokuserar på hur datadrivna metoder gör energiomställningen både robust och naturmedveten.

Varför fladdermöss och vindkraft blivit en konflikt

Vindkraft på land dödar fladdermöss. Det är inte en åsikt, det är ett mätbart problem. En uppskattning från 2024 pekade på att landbaserade vindparker dödar nästan 800 000 fladdermöss per år i fyra länder som för statistik (Kanada, Tyskland, Storbritannien och USA). Det är en nivå som tvingat fram praktiska åtgärder – och en mer vuxen diskussion om hur man bygger förnybart utan att blunda för bieffekter.

Havsbaserad vindkraft har däremot länge setts som “säkrare” för fladdermöss, eftersom många arter antogs hålla sig nära land. Problemet är att det antagandet inte varit ordentligt testat i Nordamerika. När forskare i Kalifornien började lyssna med akustiska sensorer ute till havs hittade de något som förändrade spelplanen: mexikansk franssvansfladdermus (Mexican free-tailed bat) verkade vistas mil efter mil från kusten.

Varför kunskapsluckan är extra farlig just nu

Kalifornien planerar flytande havsbaserad vindkraft i stor skala kommande decennier. Flytande parker placeras ofta längre ut och i djupare vatten än bottenfasta. Om fladdermöss faktiskt använder dessa havsmiljöer mer än vi trott kan risken finnas – men utan data blir det omöjligt att:

• bedöma konsekvenser i miljöprövningar
• designa effektiva skyddsåtgärder
• prioritera var parker bör (och inte bör) ligga
• bemöta felaktiga påståenden med fakta

När forskningen stoppas: konsekvenserna för energiomställningen

När en studie avbryts mitt i insamlingen är det inte bara “en rapport som uteblir”. Man tappar tidsserier, säsongsvariationer och jämförbarhet mellan år. Och i naturfrågor är säsong ofta allt: migration, födosök, vädermönster och reproduktion ger toppar och dalar i aktivitet.

I det aktuella fallet drogs en forskningsfinansiering på 1,6 miljoner dollar in efter två års arbete, mitt i en period då teamet samlade in förstahandsdata i de vatten där turbiner planeras. Parallellt stoppades även annan övervakning kopplad till havsbaserad vindkraft och djurliv.

Det är frestande att se detta som “amerikansk politik”. Men effekten är global: resultat från tidiga projekt formar standarder, praxis och förtroende även i Europa. Sverige är inget undantag. När beslutsunderlag blir svagare riskerar vi att få:

• längre tillståndsprocesser (mer osäkerhet → fler kompletteringar)
• högre projektrisk (svårare att prissätta naturpåverkan)
• större konfliktgrad lokalt (tomrum fylls av rykten)

Poängen: finansieringsstopp gör inte naturen tryggare. Det gör bara besluten sämre.

AI som verktyg: så kan vi mäta fladdermöss till havs i praktiken

AI är inte “magisk”. Men den är extremt bra på tre saker som ekologisk övervakning ofta saknar: skala, kontinuitet och mönsterigenkänning. När du kombinerar sensorer (ljud, radar, termiskt video) med maskininlärning kan du övervaka stora ytor under lång tid till en kostnad som är rimlig för energiprojekt.

1) Akustik + maskininlärning: från råljud till artaktivitet

Fladdermöss navigerar med ultraljud. Akustiska “lyssnare” kan fånga deras echolokalisering och aktivitetsnivå.

AI tillför värde genom att:

• filtrera bort brus (vind, vågor, fartyg)
• identifiera “bat passes” automatiskt
• klassificera sannolik art eller artgrupp
• koppla aktivitet till vindhastighet, tid på dygnet och säsong

I en havsmiljö är det extra viktigt att modellen tränas på lokala ljudmönster. Det är här avbruten forskning gör verklig skada: utan robust datainsamling blir även AI-modellerna sämre.

2) Sensorfusion: när en sensor inte räcker

Akustik berättar att fladdermöss är där – men inte alltid hur de flyger i höjdled eller om de närmar sig rotorområdet. Här fungerar sensorfusion bra:

• marin radar för rörelsemönster i luft
• termisk kamera för att se flygande djur i mörker
• väderdata (vind, temperatur, lufttryck) som förklaringsvariabler

AI-modeller kan kombinera dessa signaler och skapa ett “riskindex” per tidsfönster, till exempel per 10-minutersintervall.

3) Prediktiva riskmodeller som styr driften

Den mest användbara AI:n i energiprojekt är ofta den som kopplar ihop miljödata med driftbeslut. För fladdermöss handlar det om att förutse när risken är hög, och då justera driften.

En välbyggd modell kan ge svar av typen:

• “Mellan 19:00–23:00 under sensommarnätter med låg vind och hög temperatur ökar aktiviteten kraftigt.”
• “Vid vind under X m/s och i vissa lufttryckslägen stiger risken.”

Det leder till en central punkt: skydd kan designas som styrning, inte som stopp.

Åtgärden som redan fungerar på land – och hur AI gör den bättre till havs

Den mest beprövade metoden för att minska fladdermusdödlighet vid vindkraft är curtailment – att begränsa drift när risken är som störst. I praktiken justerar man turbinerna så att de inte börjar snurra förrän vinden nått en viss nivå under vissa tider.

I studier på land har en höjning av “cut-in speed” till 5 m/s i vissa fall minskat dödlighet med 62% i genomsnitt, utan stora produktionsförluster.

Skillnaden offshore: mer osäkerhet, men också större potential

Till havs kan det se annorlunda ut:

• vindregimerna skiljer sig (ofta mer vind, men också andra nattmönster)
• arter och beteenden kan vara andra
• logistik och underhåll gör sensorplacering svårare

Samtidigt finns potential att göra curtailment mer precis med AI:

1. Statisk curtailment (enkla regler): “stoppa/justera alltid mellan datum A–B efter 20:00 om vind < 5 m/s.”
2. Dynamisk curtailment (AI-styrd): “justera bara när riskindex passerar tröskel Y baserat på realtidsdata.”

Jag föredrar dynamisk curtailment. Den brukar ge bättre balans mellan naturhänsyn och elproduktion eftersom man inte “släcker ned i onödan”.

Ett bra riktmärke: Målet är inte maximal produktion varje minut, utan maximal produktion inom ramen för tydliga ekologiska gränser.

Så kan svenska aktörer använda lärdomarna redan 2026

Sverige befinner sig i ett läge där havsbaserad vindkraft diskuteras intensivt – samtidigt som elbehovet ökar från elektrifiering av industri, transporter och datacenter. Det är exakt då man ska bygga in smart miljöuppföljning från start, inte som en eftertanke.

För projektutvecklare: bygg ett “AI-ready” övervakningsupplägg

• Definiera vilka beslut övervakningen ska kunna styra (t.ex. curtailment, belysning, servicefönster)
• Välj sensorer som klarar marint klimat och kan fjärrövervakas
• Säkerställ datakvalitet: kalibrering, metadata, standardiserade format
• Planera för modelluppdatering: en modell från år 1 ska inte vara “låst” år 5

För myndigheter och tillstånd: krav som hjälper, inte stoppar

• Efterfråga riskbaserade åtgärder (styrning vid hög risk) snarare än generella stopp
• Kräv delning av anonymiserade miljödata mellan projekt för snabbare lärkurva
• Utvärdera effekter med tydliga nyckeltal: aktivitet, incidentindikatorer, produktionspåverkan

För energibolag och drift: gör miljö till en del av optimeringen

Det blir ofta fel när miljö hamnar i en separat Excel-fil. Den bör ligga i samma beslutsloop som drift och underhåll:

• prediktivt underhåll planeras tillsammans med tider med lägre ekologisk risk
• AI för energiprognoser kombineras med AI för riskprognoser
• driftcentralen får ett enkelt gränssnitt: “nuvarande risk: låg/medel/hög, rekommenderad åtgärd: A/B/C”

Vanliga frågor (och raka svar)

Dödar havsbaserad vindkraft fladdermöss?

Det finns stark evidens för att landbaserad vindkraft dödar fladdermöss. För havsbaserad vindkraft är bilden fortfarande ofullständig, och det är just därför mätningar till havs behövs.

Varför skulle fladdermöss vara ute till havs?

Flera rimliga förklaringar finns: födosök, vinddrift, navigation längs kuster och öar, samt tillfälliga rörelser vid vädersystem. Poängen är att vi inte ska gissa – vi ska mäta.

Kan AI ersätta fältbiologer?

Nej. AI förstärker fältarbetet genom att automatisera sortering och mönsteranalys. Men bra modeller kräver expertmärkta data och ekologisk tolkning.

Nästa steg: gör data till en del av tilliten

Havsbaserad vindkraft är en nyckel i energiomställningen. Men om vi vill ha tempo utan bakslag måste vi samtidigt vara seriösa med ekologi. Att dra ned på forskning och övervakning gör oss inte “mer effektiva” – det gör oss mer blinda.

Min ståndpunkt är enkel: AI-driven miljöövervakning ska vara standard i havsbaserade vindkraftsprojekt. Inte för att det låter modernt, utan för att det är det mest praktiska sättet att förena tre krav som annars krockar: snabb utbyggnad, hög driftsäkerhet och skydd av biologisk mångfald.

Om du arbetar med energiplanering, vindkraftsutveckling eller hållbarhetsstyrning: börja med frågan “vilka beslut vill vi kunna ta baserat på naturdata?” och bygg systemet baklänges därifrån. Vad skulle hända med acceptansen för vindkraft om vi kunde visa – med öppna mätdata och tydliga driftloggar – att vi faktiskt minskar riskerna i realtid?