Hem / Forskning / Miljö och samhälle / Using machine learning for improved eel downstream passage design

Projekt:

jan 2024

dec 2026

Pågående

Using machine learning for improved eel downstream passage design

Det här projektet syftar till att ta fram ny kunskap som ökar förståelsen kring blankålars rörelsemönster utifrån rådande miljöfaktorer och därmed bidra till en optimerad design av passageåtgärder för ål.

Inledningsvis i projektet kommer ett befintligt dataset innehållande högupplöst hydraulik och ålvandringsdata samt abiotiska faktorer från en studie i Ätran 2017 (Kjaerås et al., 2023) att analyseras. Totalt märktes 98 blankålar med akustiska telemetrisändare med djupsensor och spårades därefter när de passerade Hertings kraftverk i Ätran, både via en avledare (β-galler med flyktöppning) och via spill ner i en naturlik fiskväg. Flödesdata har modellerats med CFD och en rad andra abiotiska parametrar finns att tillgå. Alla data är kontrollerad och analyserad sedan tidigare, men det som återstår är att analysera kopplingen mellan ålens rörelser och de abiotiska parametrarna inklusive hydrologi och hydraulik. Denna analys kommer följa det protokoll som tagits fram för laxsmolt i Mandalselva.

Den nya kunskap som genereras kommer att vara överförbar till andra platser, precis som tidigare studier där åtgärder utvärderats. Till skillnad från tidigare liknande studier kommer den här studien, med hjälp av hög upplösning, kunna studera hur ålarna rör sig och hur vägval och beteenderespons beror av till exempel bottenstruktur, vattnets rörelser (hastighet, riktning, turbulens etc), temperatur, ljus m.m. Detta är ett unikt dataset som i dagsläget saknar motsvarighet, eftersom det inkluderar en effektiv åtgärd för nedströmspassage (både lax och ål) i kombination med högupplöst data både för ålens rörelser och hydrodynamik.

Sammantaget kommer resultaten bidra till en mer robust design av åtgärder för nedströmsvandrande ål, ett område där det i dag råder en betydande kunskapsbrist. Dessutom utgör projektet ett nödvändigt första steg i processen med att utveckla en prediktiv modell som framgent kommer göra det möjligt att ”in silico” testa, utvärdera och förbättra åtgärder innan de implementeras vid vattenkraftverk.

Kontakt

Olle Calles

Projektledare

Karlstad universitet

Epost