AI kan minska riskerna för fladdermöss vid havsvind

En sak är redan tydlig: vindkraft på land dödar fladdermöss i stor skala. En uppskattning från 2024 landade på nästan 800 000 fladdermöss per år i bara fyra länder (Kanada, Tyskland, Storbritannien och USA) där man ens räknar årligen. När vi nu bygger ut havsbaserad vindkraft—inte minst flytande parker—är det frestande att tänka att problemet ”försvinner” ute till havs.

Most companies get this wrong: man antar att frånvaro av bevis är bevis på frånvaro. I Kalifornien började forskare faktiskt mäta, och de hittade något som ställer hela magkänslan på ända: mexikansk fri­svansfladdermus (en vanlig art) hördes och registrerades över en mil (över 16 km) från kusten. Det var ny kunskap—och den kom från en studie som nu fått sin finansiering borttagen.

Det här är mer än en amerikansk nyhet. Det är ett case i hur policybeslut kan bromsa hållbar energiutbyggnad genom att skapa dataluckor, osäkerhet och konflikter. Och det är precis där vår serie AI inom energi och hållbarhet blir konkret: AI och datadriven miljöövervakning är ofta det mest pragmatiska sättet att både skydda biologisk mångfald och få fram mer fossilfri el snabbare.

Vad vi vet (och inte vet) om fladdermöss till havs

Svaret först: Vi vet att landbaserad vindkraft orsakar stora fladdermusförluster, men för havsbaserad vindkraft är kunskapsläget fortfarande tunt—och den bästa datainsamlingen riskerar att avbrytas när forskningsmedel dras in.

På land finns två decenniers forskning om varför fladdermöss dör vid turbiner. Dels kollisionsrisk, dels det som ofta kallas barotrauma—tryckförändringar nära rotorbladen som kan skada lungor. Vi har också lärt oss att riskerna varierar kraftigt med:

• Art (vissa är mer benägna att flyga i turbinernas höjd)
• Säsong (migration och sensommar är ofta kritiska)
• Tid på dygnet (skymning och natt)
• Vindhastighet (många arter flyger mer vid lägre vind)

Till havs har man länge antagit att fladdermöss inte är där i någon större omfattning. Men när forskare i Kalifornien satte ut akustiska lyssnare på en seglande drönare fick man bevis på motsatsen. Om fladdermöss faktiskt utnyttjar havsmiljön mer än vi trott kan framtida havsvindparker få en större biodiversitetspåverkan än planeringsmodellerna idag räknar med.

Varför dataluckor blir ett affärsproblem

När data saknas händer tre saker samtidigt:

1. Tillståndsprocesser blir segare (myndigheter kan kräva mer underlag eller försiktighetsprincipen slår hårdare).
2. Projekt får dyrare villkor (mer manuell övervakning, större buffertzoner, senarelagd drift).
3. Förtroendet sjunker (lokalsamhällen och intressegrupper upplever att industrin chansar).

Det paradoxala är att nedskärningar i forskning ofta säljs in som ”kostnadsbesparingar”, men i praktiken kan de göra energiomställningen dyrare.

När politiken kapar mätningar: vad händer då?

Svaret först: När finansiering för miljöforskning dras in skapas osäkerhet som fördyrar och fördröjer havsvind—och öppnar för en mer polariserad debatt där fakta ersätts av antaganden.

I RSS-artikeln beskrivs hur ett forskningsprojekt (1,6 miljoner dollar) för att studera fladdermöss i Kaliforniens planerade havsvindområden abrupt avslutades. Det är extra känsligt eftersom flytande havsvind är ett relativt nytt område: fundamenten är annorlunda, parkerna placeras ofta längre ut, och vi saknar standardiserade metoder för biologisk övervakning i dessa miljöer.

Det finns också en logik i att detta blir en symbolfråga. Havsbaserad vindkraft har under 2024–2025 blivit mer politiserad internationellt, inte minst kring påverkan på havsdjur, fiske och landskapsbild. När forskningen stryps ökar risken för att:

• Myter får större utrymme än mätdata
• Branschen hamnar i försvarsställning
• Miljöhänsyn blir ett ”ja/nej”-argument istället för ett optimeringsproblem

Och jag tycker det är fel ram. Miljöpåverkan är i praktiken en optimeringsfråga. Den kräver mätning, modellering och adaptiv styrning—exakt det AI är bra på.

En mening att bära med sig: Utan data kan du inte minimera påverkan—du kan bara gissa.

AI som kan täppa igen forskningsluckan

Svaret först: AI kan minska osäkerheten genom att automatisera upptäckt, klassificering och riskprognoser—men den kräver bra sensordata och tydliga processer för hur resultaten används i drift.

När man pratar ”AI i energi” fastnar många i elprognoser och smarta nät. Men en av de mest underskattade tillämpningarna är AI för miljöövervakning kopplad till förnybar energi: att upptäcka djur, förutse risk och styra anläggningen därefter.

1) Akustisk AI: identifiera arter i realtid

Fladdermöss ”syns” sällan, men de hörs. Akustiska sensorer kan spela in ultraljud och med maskininlärning kan man:

• Klassificera art eller artgrupp
• Mäta aktivitet (antal passager/”calls”)
• Bygga riskindex per timme/dygn/vecka

Poängen: istället för att manuellt analysera tusentals timmars ljud kan AI ge operatören en tydlig signal: ”Hög aktivitet nu—höj cut-in speed under 2 timmar.”

2) Sensorfusion: ljud + väder + radar

Den riktigt användbara modellen kombinerar flera datakällor:

• Vindhastighet och vindriktning
• Temperatur, luftfuktighet, lufttryck
• Tid på dygnet, säsong, månfaser (relevanta för vissa beteenden)
• Akustik (aktivitet)
• I vissa fall radar eller värmekamera (för flygbanor)

Det här är klassisk AI inom hållbarhet: prediktiva modeller som kan säga när risk är hög, inte bara att fladdermöss finns.

3) Digitala tvillingar för ”nature impact forecasting”

En digital tvilling av en havsvindpark används ofta för prestanda och underhåll. Samma princip kan användas för biodiversitet:

• Simulera risk under olika driftsstrategier
• Testa hur layout och avstånd mellan turbiner påverkar sannolik flygkorridor
• Optimera mot två mål samtidigt: max kWh och minimerad påverkan

Det är här jag tycker branschen borde vara tuffare: biodiversitetsarbete ska inte vara en pdf i tillståndsansökan. Det ska vara ett system som förbättras varje månad med nya data.

Praktiska åtgärder som redan fungerar: ”curtailment” och smart drift

Svaret först: Den mest beprövade åtgärden för att minska fladdermusdöd är curtailment—att begränsa drift när risken är hög—och den kan styras mer exakt med AI.

I artikeln lyfts cut-in speed som nyckel: den vindhastighet där turbinen får börja snurra. Genom att höja cut-in speed under tider med hög fladdermusaktivitet kan man minska dödlighet kraftigt. Ett konkret tal från forskningen som nämns: att vänta med att starta rotorn tills vinden når 5 m/s kan minska dödlighet med i snitt 62% för många arter i landmiljö.

För havsvind är ”rätt” inställningar fortfarande oklara—arter, beteenden och vädermönster skiljer sig—men principen är solid: styr bort risk timmarna, inte hela säsonger.

Så gör man curtailment smart istället för dyrt

Det som ofta oroar projektägare är produktionsbortfall. Här är en praktisk modell jag sett fungera i andra sammanhang (och den passar havsvind särskilt bra):

1. Sätt ett risktröskelvärde (baserat på akustik + väder)
2. Kör curtailment bara när tröskeln passeras
3. Utvärdera veckovis: hur mycket energi tappades och hur mycket risk reducerades?
4. Justera modellen (”adaptive management”)

Det fina är att AI här inte är en futuristisk idé—det är ett beslutsstöd som kan reducera curtailment till precis de timmar som behövs.

Checklista: så kan svenska aktörer ligga före

Svaret först: Sverige kan undvika samma dataproblem genom att kräva mätbar miljöuppföljning, standardisera datadelning och upphandla AI-baserad övervakning som del av projektet.

Även om RSS-fallet gäller Kalifornien är lärdomen relevant för svenska förhållanden i Östersjön, Kattegatt och Skagerrak: när havsvind tar fart kommer frågorna om naturpåverkan snabbt. Här är en konkret checklista för projektutvecklare, energibolag och myndigheter:

• Gör datainsamling till en del av CAPEX, inte ett ”extra” konsultspår.
• Kravställ öppna format så att ljud-, väder- och driftdata kan analyseras över tid.
• Inför adaptiva villkor i tillstånd: inte bara ”gör X”, utan ”mät, rapportera, optimera”.
• Bygg en AI-pipeline tidigt: märk data, kvalitetssäkra, skapa modeller innan byggstart.
• Planera för oberoende granskning: det höjer förtroendet och minskar konflikter.

Det är också en lead-fråga i praktiken: företag som kan visa hur de mäter och minimerar påverkan vinner lättare stöd, får smidigare dialog med myndigheter och tar färre dyra omtag.

Vad betyder det här för energiomställningen 2026?

Svaret först: Havsbaserad vindkraft behöver mer data, inte mindre—och AI är verktyget som gör miljöhänsyn skalbar när utbyggnaden accelererar.

När forskningsmedel kapas flyttas kostnaden. Antingen hamnar den hos projektutvecklaren (mer osäkerhet, dyrare utredningar) eller hos naturen (större risk för felbeslut). Jag tar ställning här: det är en dålig idé att bygga storskalig energiinfrastruktur utan att samtidigt bygga storskalig mätning.

För dig som arbetar med energi, hållbarhet eller digitalisering finns en tydlig möjlighet: att koppla ihop havsvindens utbyggnad med AI-driven miljöövervakning, där driftoptimering och naturhänsyn inte är motsatser utan två mål i samma modell.

Frågan som avgör nästa fas är enkel men obekväm: när havsvind byggs ut i snabb takt—har vi modet att kräva att varje park också blir ett lärande system som faktiskt blir bättre för naturen år för år?