Wind as Driver of Bird and Bat Abundance, Flight Direction, Altitude, and Speed on the North Atlantic Shelf

Technische Samenvatting: Wind als Drijver van Vogel- en Vleermuisabundantie, Vliegrichting, Hoogte en Snelheid op de Noord-Atlantische Plat

Probleemstelling
De uitbreiding van offshore windenergie langs de noordoostelijke kust van de VS vereist een robuust begrip van het gedrag van vliegende dieren (vogels en vleermuizen) om botsingsrisico's met turbines nauwkeurig te kwantificeren. Huidige botsingsrisicomodellen vertrouwen vaak op aannames over diergedrag, zoals vermijdingspercentages en vliegparameters, die moeilijk te kwantificeren zijn. Hoewel factoren zoals windsnelheid en windrichting de vliegactiviteit beïnvloeden, hebben eerdere studies grotende\lijk vertrouwd op historische klimaatdata met een beperkte temporele en ruimtelijke resolutie (bijv. ERA5-reanalyse) of richtten zij zich op Europese wateren (Noordzee). Bovendien hebben weinig studies gelijktijdig de abundantie, vlieghoogte en vliegsnelheid van dieren geanalyseerd in relatie tot hoogwaardige, gelokaliseerde windmetingen in Amerikaanse wateren. Er is een kritieke behoefte aan begrip over hoe meteorologische omstandigheden de aanwezigheid en vliegdynamiek van dieren aansturen om de beoordeling van botsingsrisico's te verbeteren.

Methodologie
Deze studie presenteert een nieuw methodologisch kader waarbij gegevens van vogelradar en windlidar worden geïntegreerd, verzameld door een onderzoeksschip dat tijdens een 5-weense periode in het najaar van 2024 werd ingezet op het Noordoostelijke Plat van de Verenigde Staten (40,9° N, 70,79° W).

• Data-acquisitie: Een omnidirectionele S-band radar (MERLIN True3D) legde vogel- en vleermuistracen vast, terwijl twee profilerende lidars (WindCube v2.1 en Halo XR+) hoogwaardige windsnelheid- en windrichtingsprofielen leverden.
• Dataverwerking: Radartracen werden gefilterd op basis van detectiebereik (200–1100 m), vliegsnelheid (<35 m/s) en reflectiviteit (−25,5 tot 10 dBsm) om insecten en gegevens van lage kwaliteit uit te sluiten. Tracen werden gekoppeld aan gelijktijdige windgegevens op de vlieghoogte.
• Clusteringbenadering: Om de onmogelijkheid van de radar om soorten te onderscheiden aan te pakken, is een hiërarchische clusteringmethodologie ontwikkeld waarbij reflectiviteit wordt gebruikt als een proxy voor de grootte van het dier. Het algoritme verdeelde de tracen in twee groepen ("klein" en "groot") op basis van de verdeling van het vlieggedrag (uurlijkse abundantie, vlieghoogte, richting en snelheid). De optimale clustering-splitsing werd bepaald bij een reflectivitedrempel van −8,54 dBsm.
• Statistische Analyse: Generalised Additive Models (GAMs) werden toegepast om de drijfveren van de uurlijkse abundantie voor elke cluster te beoordelen. Daarnaast werden cumulatieve distributiefuncties geanalyseerd om de relaties tussen vliegrichting, hoogte en snelheid te onderzoeken ten opzichte van windcondities (rugwind, zijwind, tegenwind).

Belangrijkste Resultaten
De analyse van 67.410 gefilterde tracen onthulde duidelijke gedragspatronen die worden aangestuurd door windcondities en de grootte van het dier:

• Drijfveren van Abundantie: Voor beide grootteclusters was de abundantie van dieren in het voorgaande uur de sterkste voorspeller van de huidige abundantie. Onder de omgevingsfactoren waren windsnelheid en de zonnige azimut het meest impactvol. Hoge windsnelheden onderdrukten de abundantie over het algemeen, met name voor de "grote" cluster bij snelheden boven de 15 m/s.
• Grootte-gebaseerde Verschillen in Gedrag:
  • Kleine Cluster (Lagere Reflectiviteit): Deze dieren (vermoedelijk kleinere trekkende soorten) vertoonden geconcentreerde vliegrichtingen die in lijn lagen met windpatronen. Ze vlogen op verschillende hoogtes en vertoonden een sterke neiging om met rugwind te vliegen (72,4% van de tracen). Hun abundantie vertoonde duidelijke temporele pieken die consistent zijn met migratiepulsen.
  • Grote Cluster (Hogere Reflectiviteit): Deze dieren (vermoedelijk grotere, inheemse soorten) vlogen in een breed scala aan richtingen maar waren geconcentreerd op lagere hoogtes (82,3% onder de 100 m). Zij vlogen vaker in ongunstige windcondities (zijwind en tegenwind) vergeleken met de kleine cluster.
• Vliegdynamiek:
  • Richting: De verdeling van de vliegrichting verschoof met de windrichting. Bij hogere windsnelheden vertoonden beide clusters een vernauwing van de vliegrichtingverdeling, met een hoger percentage dieren dat met rugwind vloog.
  • Hoogte: De vlieghoogte correleerde met de windsnelheid; meer dieren werden gedetecteerd op grotere hoogtes tijdens perioden met snellere wind. Dieren vlogen over het algemeen nabij de hoogte van de maximale windondersteuning.
  • Snelheid: De grondsnelheid nam toe met windondersteuning, terwijl de luchtsnelheid relatief constant bleef (ongeveer 5 m/s voor klein, 8 m/s voor groot). Dit suggereert dat grotere dieren een hogere luchtsnelheid behouden, wat mogelijk wijst op een hogere energie-input.

Betekenis en Claims
De auteurs stellen dat deze studie de eerste inzichten biedt in het gedrag van dieren op offshore windlocaties met behulp van gekoppelde, hoogwaardige radar- en lidargegevens. De primaire bijdragen zijn:

1. Methodologisch Kader: Het artikel vestigt een kader voor het integreren van radar- en lidargegevens om het gedrag van vliegende dieren te analyseren, wat een model biedt voor toekomstige offshore-studies.
2. Gedragsinzichten: De resultaten laten zien dat wind een primaire drijfveer is voor de aanwezigheid, vliegrichting, hoogte en snelheid van dieren. De studie benadrukt dat het gedrag van dieren niet uniform is; verschillende groottegroepen (die waarschijnlijk verschillende ecologische strategieën vertegenwoordigen, zoals migratie versus residentie) reageren verschillend op windcondities.
3. Implicaties voor Botsingsrisico: De bevindingen suggereren dat botsingsrisicomodellen die vliegrichting, hoogte en snelheid behandelen als statische soortspecifieke constanten, mogelijk onvoldoende zijn. De studie geeft aan dat:
   • Het aandeel dieren binnen de rotor-swept zone (RSZ) van de turbine afneemt naarmate de windsnelheid toeneemt.
   • De grondsnelheid toeneemt met windondersteuning, wat de transitietijd door de rotor beïnvloedt.
   • Dieren hun vliegparameters actief aanpassen (bijv. zoeken naar rugwind of specifieke hoogtes) op basis van windcondities.

De auteurs concluderen dat hoewel deze studie beperkt is tot een specifieke 5-weense periode in het najaar, de gecombineerde analyse van radar- en lidargegevens cruciale gedragsnuances onthult die botsingsrisicobeoordelingen kunnen verfijnen. Zij benadrukken dat toekomstig werk langetermijn-datasets moet gebruiken om voorspellende modellen voor het voorspellen van botsingsrisico's te ontwikkelen.