AI som minskar risker för fladdermöss vid havsvind

En siffra borde få varje projektledare inom havsbaserad vind att stanna upp: landbaserade vindkraftverk uppskattas döda nästan 800 000 fladdermöss per år i bara fyra länder (USA, Kanada, Storbritannien och Tyskland). Det är inte en “småfråga” i miljöprövningen – det är en verklig biologisk kostnad som redan påverkar tillstånd, opinion och i praktiken projekttakt.

Samtidigt händer något som borde göra branschen nervös: forskningen som skulle svara på den mest grundläggande frågan för havsbaserad vind – hur mycket fladdermöss rör sig faktiskt till havs, när och varför? – har i vissa fall fått finansieringen indragen. I ett uppmärksammat exempel stoppades en amerikansk studie på Kaliforniens kust efter att forskare börjat hitta mer fladdermusaktivitet till havs än vad många trott.

Här är min ståndpunkt: om vi vill bygga havsvind snabbt och hållbart måste vi acceptera att miljöövervakning inte är “nice to have” – den är en del av själva ingenjörskonsten. Och när politiska beslut skapar datagap är AI inte en mirakellösning, men den kan vara det mest praktiska sättet att fortsätta fatta bra beslut.

Vad som hände – och varför det spelar roll för havsvind

Kärnan: En forskningsinsats som kartlade fladdermöss i områden där flytande havsvind planeras blev av med sin finansiering, trots att den redan levererat överraskande fynd.

I Kalifornien pågår planering för flytande havsbaserad vindkraft i stor skala. Just flytande parker är extra intressanta, eftersom de ofta hamnar längre ut och i djupare vatten – där vi historiskt haft ännu mindre naturdata. Forskare hade börjat använda akustiska sensorer (bland annat placerade på autonoma plattformar) och hittade mexikanska fransfladdermöss långt ute till havs. För arten var det ett beteende man inte ens visste fanns.

Konsekvensen av att stoppa den typen av projekt är större än “en studie mindre”:

• Tillståndsprocesser blir svårare, eftersom osäkerhet tenderar att leda till fler krav, fler kompletteringar och längre handläggning.
• Risk blir dyrare kapital, när långivare och investerare prisar in att miljöfrågor kan skapa förseningar.
• Skyddsåtgärder blir gissningar, vilket är det sämsta av två världar: antingen skyddar man för lite, eller så begränsar man produktionen i onödan.

Det här är exakt den sortens systemproblem som passar serien AI inom energi och hållbarhet: energisystemet behöver växa, men naturdata och policy hänger inte alltid med.

Fladdermöss till havs: varför vi inte bara kan anta “färre problem”

Kärnan: Det är logiskt att tro att havsvind dödar färre fladdermöss än landbaserad vind – men utan data är det bara en hypotes.

På land känner vi igen mönstret: fladdermöss kolliderar med rotorblad och kan också drabbas av tryckförändringar nära bladen (barotrauma). Därför har man i många marknader infört driftåtgärder som minskar dödlighet.

Till havs har antagandet länge varit att fladdermöss mest “hör hemma” på land. Men kustnära ekosystem fungerar inte så snyggt. Fladdermöss kan:

• följa migrationskorridorer längs kuster,
• jaga insekter som driver ut över vatten,
• använda fartyg och plattformar som tillfälliga vilopunkter,
• påverkas av väderomslag som “pressar ut” dem över havet.

När en studie plötsligt registrerar artaktivitet många kilometer från kusten förändras riskbilden: då måste vi veta vilka arter, vilka tider på dygnet, vilka säsonger och vilka väderlägen som är mest kritiska.

Det praktiska problemet: data kostar – och tar tid

Att samla in biologisk data offshore är dyrt. Man behöver robust utrustning, logistik, fartygstid eller autonoma farkoster, samt expertis för att tolka signaler och validera fynd.

När finansiering skärs ned hamnar projekt i ett läge där man antingen:

1. fortsätter med mindre underlag (högre risk), eller
2. bromsar utvecklingen (högre samhällskostnad), eller
3. överkompenserar med konservativa driftbegränsningar (högre produktionskostnad).

AI kan inte ersätta fältdata. Men AI kan göra fältdata mycket mer värdefull.

Där AI faktiskt gör skillnad: från sensorer till beslutsstöd

Kärnan: AI kan fylla datagap genom att kombinera begränsade mätningar med väder, driftdata och geografi för att skapa prediktiva riskmodeller.

Om du har jobbat med vindkraft vet du att “mer mätning” inte automatiskt ger “bättre beslut”. Det som avgör är om du kan översätta observationer till styrbara åtgärder: när ska verken begränsas, vilka verk, hur länge – och med vilken effekt på både natur och produktion?

Här är tre AI-tillämpningar jag ser som mest användbara för fladdermöss och havsvind.

1) Art- och aktivitetsigenkänning i akustik (bioakustisk AI)

Svar först: Maskininlärning kan automatisera tolkning av ultraljudsinspelningar och snabbare skilja mellan arter och aktivitetsnivåer.

Akustiska detektorer genererar enorma mängder ljuddata. Med AI-modeller (ofta djupa neurala nät) kan man:

• identifiera art eller artgrupp,
• klassificera beteenden (t.ex. födosök vs transit),
• flagga osäkra fall för manuell granskning.

Det gör att samma sensorpark kan ge fler analyserbara datapunkter per krona. Det är också ett sätt att standardisera analys mellan leverantörer och projekt.

2) Prediktiva “riskfönster” för driftstyrning

Svar först: Kombinera fladdermusaktivitet med väder- och säsongsdata för att förutsäga när risken är hög och begränsa drift just då.

På land är curtailment (driftbegränsning) beprövat: att höja cut-in speed (lägsta vindhastighet när turbinen får börja snurra) under vissa tider kan minska dödlighet kraftigt. En studie visar att en cut-in på 5 m/s kan ge cirka 62 % lägre dödlighet i snitt för många arter, utan stora produktionsförluster.

Översatt till offshore blir frågan mer komplex (andra arter, andra vädermönster, andra turbinlayouter). AI kan hjälpa genom att bygga modeller som ger:

• sannolikhet för fladdermusaktivitet kommande 6–24 timmar,
• rekommenderad åtgärd (t.ex. höjd cut-in, begränsad rpm, stopp i specifika kluster),
• uppskattad energiförlust och uppskattad riskreduktion.

Poängen är att gå från “generella regler” till lokalt anpassad, datadriven drift.

3) Digitala tvillingar för miljörisk i parkdesign

Svar först: AI-stödda simuleringar kan testa designval (placering, avstånd, belysning, driftstrategier) innan man bygger.

En digital tvilling för havsvind är inte bara mekanik och elproduktion. Den kan också inkludera ekologiska lager:

• migrationsmönster och habitat,
• nattliga aktivitetsindex,
• attraktionsfaktorer (ljus, strukturer, insektsansamlingar),
• väderdrivna scenarier.

Med den typen av modell kan man jämföra alternativ redan i planeringen: “Om vi flyttar detta kluster 3 km, vad händer med både kabeldragning, kapacitetsfaktor och naturpåverkan?”

Policy och tillstånd: det dolda priset när övervakning försvinner

Kärnan: När finansiering skärs ned ökar osäkerheten – och osäkerhet är dyrt i energiprojekt.

Miljödata handlar inte bara om naturvård. Den är också ett sätt att hålla projektrisk hanterbar. Färre studier och mindre övervakning brukar leda till:

• fler krav på kompletteringar i MKB,
• mer försiktiga villkor (som kan bli onödigt stränga),
• större risk för överklaganden,
• svårare att bygga social acceptans.

Det finns en extra twist här: när politiken skapar luckor i kunskapen kan diskussionen polariseras. Då får du två dåliga narrativ samtidigt:

1. “Havsbaserad vind förstör naturen” (utan bra data), och
2. “Miljökrav stoppar klimatomställningen” (utan bra data).

AI-baserad övervakning och modellering är ett sätt att avpolarisera: fler mätningar, bättre prognoser, mer transparenta beslut.

Praktisk checklista: så bygger du ett AI-stött program för fladdermöss offshore

Kärnan: Börja smått, men designa för att skala – och koppla alltid modellen till en konkret åtgärd i drift eller design.

Om du arbetar med utveckling, tillstånd, drift eller hållbarhet i energisektorn är det här en rimlig startpunkt:

1. Sätt en beslutsfråga först: “När ska vi curtaila och hur mycket?” eller “Var ska vi inte placera kluster?”
2. Inventera datakällor:
   • akustik (fasta bojar, fartyg, autonoma farkoster),
   • väder (vind, temperatur, lufttryck, sikt),
   • driftdata (rpm, cut-in, stopp),
   • geodata (avstånd till kust, topografi under ytan, farleder).
3. Bygg en enkel baslinjemodell (t.ex. riskindex per natt) innan du jagar perfektion.
4. Validera med fältinsatser: AI behöver “ground truth”, särskilt för artklassning.
5. Knyt modellutdata till åtgärd:
   • dynamisk cut-in speed,
   • stopp i specifika tidsfönster,
   • justerad belysning eller drift vid vissa väderlägen.
6. Mät effekt i två dimensioner:
   • biologisk: minskad aktivitet nära verk / färre incidenter,
   • energimässig: MWh-förlust och ekonomisk påverkan.

Det här är också ett starkt lead-case: när du kan visa “vi minskade risk utan att tappa mycket produktion” blir det lättare att få både interna och externa intressenter med.

Det här borde branschen kräva 2026

Kärnan: Havsvind behöver en ny standard: kontinuerlig miljöövervakning där AI används för att göra åtgärder snabba, lokala och transparenta.

Jag tycker att energibranschen ofta väntar för länge med att operationalisera miljödata. Vi lägger enorm energi på turbinval, nätanslutning och finansiering – och sedan behandlas ekologiska risker som något man “checkar av”. Det håller inte när projekten blir större och när naturfrågorna blir mer synliga.

Det som hände med den stoppade forskningen är en påminnelse: när offentliga program bromsar in måste vi kunna fortsätta lära oss ändå. Inte genom att chansa, utan genom att kombinera smartare insamling med AI som gör data användbar i realtid.

Om du sitter med ansvar för havsvind, miljöprövning eller energistrategi är nästa steg enkelt: kartlägg var dina största osäkerheter finns, och bygg ett AI-stött övervakningsupplägg som minskar dem månad för månad. Frågan framåt är inte om vi har råd att mäta mer – utan om vi har råd att bygga utan att veta.