Ergänzende Untersuchungen zum Effekt der Bau- und Betriebsphase im Offshore-Testfeld alpha ventus auf marine Säugetiere

Transkript

1 DOTI Matthias Ibeler Ergänzende Untersuchungen zum Effekt der Bau- und Betriebsphase im Offshore-Testfeld alpha ventus auf marine Säugetiere Schlussbericht zum Projekt Ökologische Begleitforschung am Offshore-Testfeldvorhaben alpha ventus zur Evaluierung des Standarduntersuchungskonzeptes des BSH (StUKplus) Dr. Anita Gilles, Michael Dähne, Dr. Katrin Ronnenberg, Sacha Viquerat, Dr. Sven Adler, Ole Meyer-Klaeden, Verena Peschko, Prof. Dr. Ursula Siebert Im Auftrag des Bundesamts für Seeschifffahrt und Hydrographie (BSH) Büsum, Oktober 2014

2 Auftraggeber: Bundesamt für Seeschifffahrt und Hydrographie (BSH) Bernhard-Nocht-Straße Hamburg Auftragnehmer: Stiftung Tierärztliche Hochschule Hannover (TiHo) Institut für Terrestrische und Aquatische Wildtierforschung (ITAW) Werftstraße Büsum Stand: 06. Oktober 2014 Die diesem Bericht zugrunde liegenden Untersuchungen wurden im Rahmen des Forschungsvorhabens Ökologische Begleitforschung am Offshore-Testfeldvorhaben alpha ventus zur Evaluierung des Standarduntersuchungskonzeptes des BSH (StUKplus) durchgeführt. Das StUKplus-Vorhaben wird mit Mitteln des Bundesministeriums für Umwelt, Naturschutz und Reaktorsicherheit unter dem Förderkennzeichen A gefördert. Es ist Bestandteil der Forschungsinitiative Research at alpha ventus (RAVE). Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren. Seite 2

3 Ergänzende Untersuchungen zum Effekt der Bau- und Betriebsphase im Offshore-Testfeld alpha ventus auf marine Säugetiere Auftragnehmer Institut für Terrestrische und Aquatische Wildtierforschung (ITAW), Stiftung Tierärztliche Hochschule Hannover (TiHo) Projektbezeichnung Auftragsnummer A/TiHo1 Ergänzende Untersuchungen zum Effekt der Bau- und Betriebsphase im Offshore-Testfeld alpha ventus auf marine Säugetiere Laufzeit des Projektes Projektbeteiligte: Dr. Anita Gilles, Michael Dähne, Dr. Katrin Ronnenberg, Sacha Viquerat, Dr. Sven Adler, Ole Meyer-Klaeden, Verena Peschko, Prof. Dr. Ursula Siebert über die gesamte Laufzeit außerdem: Dr. Harald Benke, Anja Brandecker, Anja Gallus, Els de Jong, Kathrin Krügel, Dr. Klaus Lucke, Linn Lehnert, Sabine Müller, Dr. Andreas Ruser, Janne Sundermeyer, Kora Thomsen, Dr. Ursula Verfuß Ernst Shrijver & ITAW, Kollage: Michael Dähne Seite 3

4 1. Zusammenfassung Im Rahmen des StUKplus-Teilprojektes TiHo1 wurden die Auswirkungen der Bau- und Betriebsphase in alpha ventus, dem ersten deutschen Offshore-Windpark, auf marine Säugetiere untersucht. In Ergänzung zum betreiberseitigen StUK3-Monitoring mit 12 akustischen Schweinswal-Klickdetektoren und regelmäßigen Flugerfassungen, wurden im Jahr 2008 weitere 23 Messpositionen mit C-PODs (Cetacean-POD, tonaler autonomer Schweinswaldetektor) ausgebracht und im Zeitraum 2008 bis 2012 jährlich 4-5 Flugsurveys zur Erfassung von Schweinswalen in einem deutlich größeren Umfeld der südlichen Deutschen Bucht durchgeführt. Zusätzlich wurden kleinskalige Erfassungen von marinen Säugetieren durch fünf kombinierte visuelle und akustische Schiffsurveys im Nahbereich von alpha ventus durchgeführt, zur detaillierten Beschreibung des näheren Umfeldes der Baustelle. Nach anfänglich starken Verlusten an C-PODs wurde die Anzahl der Messstellen von 23 auf 12 reduziert. Die verbleibenden 12 Messstellen konnten nach dieser Maßnahme erfolgreich gewartet werden und lieferten beständige akustische Daten. Da Schweinswale Echoortung nahezu kontinuierlich betreiben, stehen diese Daten stellvertretend für An- bzw. Abwesenheitsmuster von Schweinswalen. Für die Bauphase von alpha ventus wurde festgestellt, dass Schweinswale das Gebiet während der lärmintensiven Arbeiten zur Installation der OWEA-Fundamente (Vergrämung, Impulsrammung) weiträumig mieden. Während an Positionen bis 10,8 km Entfernung von der Baustelle ein negativer Einfluss auf die Präsenz von Schweinswalen (d.h. reduzierte Registrierungsraten) nachgewiesen wurde, konnte an Positionen in 25 und 50 km ein positiver Einfluss festgestellt werden. Dies deutet darauf hin, dass eine Verhaltensreaktion von Schweinswalen nicht allein durch einen Vertreibungsradius beschrieben werden kann. Weiterhin wurde festgestellt, dass die Länge der Abwesenheit von Schweinswalen aus dem Untersuchungsgebiet mit der Rammdauer korreliert war: Je länger die Rammaktivitäten andauerten, desto länger wurden die Schweinswale vertrieben. Dementsprechend ist die Vertreibung von Schweinswalen aus dem Baugebiet ein allmählicher Prozess, der zum Ende der Rammung kein direktes Maß für den potentiellen Vertreibungsradius 1 darstellt. Die mittlere Abwesenheit (im Sinne der ersten Wartezeit) von Schweinswalen während der Rammungen dauerte ca. 16,8 h für Stationen in einem Radius von 25 km an. Durch die Flugsurveys konnte ebenfalls ein Effekt der Rammarbeiten festgestellt werden, dieser war jedoch aufgrund der oft fehlenden zeitlichen Überlappung von Befliegung und Rammaktivität nicht so deutlich wie innerhalb der POD-Untersuchungen. Zwischen 2008 und 2012 wurden 19 Flugsurveys an insgesamt 31 Flugtagen zur Erfassung der Dichte und Verteilung von Schweinswalen im km 2 großen Untersuchungsgebiet um alpha ventus durchgeführt. Bei einem effektiven Suchaufwand von km wurden Sichtungen von Schweinswalgruppen mit Individuen (davon 107 Kälber) im Verlauf der fünf Untersuchungsjahre aufgenommen. Es zeigte sich, dass im Jahr 2009 die niedrigste Dichte im 1 Potentieller Vertreibungsradius Radius bis zu dem Tiere auf Grund ihrer Reaktionsschwelle (z.b. in Bezug auf Lärm gekennzeichnet durch eine Schallenergie oder einen Schalldruck) vertrieben werden, wenn die Lärmquelle kontinuierlich eingesetzt wird. Dieser Radius muss nicht dem gemessenen Vertreibungsradius entsprechen, der durch die Rammdauer beeinflusst ist. Seite 4

5 Gebiet festgestellt wurde und 2011 die höchste. In einer auf den visuellen Daten basierenden kleinräumigen Modellierung konnte eine deutliche Heterogenität in der räumlichen Verteilung von Schweinswalen um alpha ventus festgestellt werden. Bezogen auf Jahresmittel sowie saisonale Mittel konnten so lokale hotspots der Schweinswaldichte innerhalb des Untersuchungsgebietes identifiziert werden; diese befanden sich westlich von alpha ventus im Bereich des Borkum Riffgrunds und erstreckten sich bis in niederländische Gewässer. Ergebnisse einer Bayesischen Trendanalyse, basierend auf einem vergrößerten Datensatz aus dem Zeitraum 2002 bis 2012, spiegeln diese Beobachtungen wider und beschreiben einen positiven Trend der Gesamtdichte der Schweinswale in der südlichen Deutschen Bucht seit Im Jahr 2012 scheint dieser positive Trend jedoch etwas rückläufig zu sein und ist nicht mehr so deutlich ausgeprägt wie in den Jahren zuvor. Die Erfassungen durch visuelle Schiffsurveys stellten sich wetterbedingt als schwierig heraus und sind im Ergebnis weniger belastbar als jene der visuellen Flugsurveys. Für die Bewertung der Betriebsphase von alpha ventus wurde anhand der POD-Daten überprüft, ob der Betrieb der 12 Offshore-Windenergieanlagen (OWEA) einen Effekt auf Schweinswale auslösen. Die Modelle zeigten keine deutliche Auswirkung der OWEA. Da im Nahbereich der OWEA (< 750 m) keine POD-Stationen ausgelegt waren, kann über mögliche kleinräumige Effekte keine Aussage getroffen werden. Weiterhin wurde ein Modell zur Abschätzung eines generellen Einflusses von Umweltvariablen sowie Rammungen an den drei im Untersuchungszeitraum errichteten Offshore-Windparks Borkum West II, BARD Offshore 1 und alpha ventus erstellt. Dieses Modell zeigte, dass die Betriebsphase von alpha ventus keinen statistisch signifikanten Einfluss auf die Registrierungsraten (dpm/d) hatte. Hingegen waren neben den Umweltvariablen Temperatur und Salinität die Rammereignisse an allen errichteten Fundamenten im jeweilig umliegenden Bereich signifikant und zeigten bei der auf Grund der vorliegenden Umweltdaten gewählten täglichen Skala (dpm/d) eine Vertreibung bis in ca. 13 km Entfernung an. Diese Vertreibung bis in 13 km Entfernung repräsentiert die durchschnittliche Vertreibung für alle Tage, an denen zumindest ein einzelnes Rammereignis stattfand. Einzelne Rammereignisse oder die gesamte Rammphase einzelner Windparks können andere Ergebnisse zeigen. Diese Modellergebnisse zeigen deutlich, dass Langzeituntersuchungen zur Betriebsphase von OWEAs die Rammzeiträume aller umliegenden Offshore-Windparks aus dem Monitoringzeitraum berücksichtigen müssen und diese Informationen auch für die Beurteilung der Betriebsphase anderer Offshore-Windparks zugänglich gemacht werden müssen. Seite 5

6 2. Summary We monitored the impact of the construction and operation phase of the first German offshore wind farm alpha ventus on marine mammals. Expanding the mandatory StUK3 monitoring by the offshore windfarm operator using 12 acoustic porpoise click detectors and regular aerial surveys, 23 additional sampling units using C-PODs (Cetacean-POD, autonomous porpoise detectors) were deployed in 2009, and 4-5 additional, annual aerial surveys of a considerably larger area were conducted. Five ship board surveys combining visual and acoustic detection methods assessed harbour porpoises in the immediate vicinity of alpha ventus. After the loss of multiple C-PODS in the initial project phase, a total of 12 units were regularly maintained and recorded continuously through 2009 to Since harbour porpoises incessantly use echolocation, the recorded data show relative measures of presence (or absence) of porpoises. The data suggests the avoidance of construction sites during the construction phase due to excessive noise levels. We found decreased detection rates up to 10.8 km from the noise source, while detection rates increased at distances of 25 and 50 km from the noise source. We also found that the avoidance of areas correlates with the duration of pile driving: The longer the pile-driving, the longer the harbour porpoise remained absent. We thus conclude that the displacement of harbour porpoises is a gradual process that does not necessarily end once pile-driving has been concluded. Displacement (mean absence in terms of the first waiting time) time of porpoises during pile-driving was recorded at up to 16.8 hours within a 25 km radius around the noise source. Pile-driving and noise effects were also visible in the aerial survey data. However, due to the coarse temporal scale of aerial surveys (being snapshot methods), the effect of pile-driving was not as pronounced as in the POD data. During , we conducted 19 aerial surveys over 31 days assessing the density and spatial distribution of harbour porpoises within a km² area covering alpha ventus. A total of 1,999 porpoise groups (2,392 individuals, of these 107 calves) were recorded along 23,338 km of effort. In the course of the five study years it has been shown, that 2009 has been the year with the lowest porpoise density and in 2011 the highest density was estimated. Modelling seasonal and annual aggregations of our data, we detected a distinctive temporal pattern in porpoise distribution in the vicinity of alpha ventus. We identified a local hotspot west of alpha ventus along Borkum Reef Ground extending well into Dutch waters. A Bayesian analysis of temporal trends, based on an enlarged data set from 2002 to 2012, supports this result and showed a gradual increase in porpoise density since However, the porpoise density in 2012 was lower than expected and the positive trend in porpoise density seems to have slowed down. The ship based surveys had to cope with difficult weather conditions and the results are less robust than those derived from aerial surveys. We used POD data to assess the impact of offshore wind farms during the operation phase of alpha ventus. The modelling showed no clear effect of the operating wind farm on porpoise acoustic detection rates. However, we cannot exclude small distance effects, since the closest POD was deployed in a distance of 750 m to the next pile of alpha ventus. We also modelled detection rates of PODs using environmental factors and pile-driving events in any wind farm constructed between 2009 and 2012 within the general vicinity of alpha ventus (i.e., Borkum West II, BARD Offshore 1 and alpha ventus). The model showed no significant Seite 6

7 impact on porpoise detection rates (dpm/d) during the operation phase. However, besides the environmental variables temperature and salinity, pile-driving events from all three construction sites in the vicinity of alpha ventus showed a significant impact on daily detection rates within about 13 km distance. This displacement up to 13 km distance represents the mean measured displacement distance per day at which a pile-driving event occurred. However, single pile-driving events or the total pile-driving period of single wind farms could yield different results. These results emphasize the need for long-term monitoring projects to consider all possible sources of noise pollution, including noise emanating from sources outside of designated survey areas. This strictly implies the need to make information such as piledriving and mitigation protocols readily available to all involved stakeholders. Seite 7

8 3. Inhaltsverzeichnis 1. Zusammenfassung 4 2. Summary 6 3. Inhaltsverzeichnis 8 4. Tabellenverzeichnis Abbildungsverzeichnis Abkürzungsverzeichnis Einleitung Marine Säugetiere und der Ausbau der Offshore-Windenergie Untersuchungsfragen und Vorhabensziele Stand von Wissenschaft und Technik Marine Säugetiere im Umfeld von alpha ventus Erfassungsmethoden Visuelle Surveys Akustische Surveys Potentielle Auswirkungen der Offshore-Windenergie auf marine Säugetiere Bauphase Betriebsphase Material und Methoden Untersuchungsdesign und -frequenz Statisch akustisches Monitoring Visuelle Surveys Details zur Bauphase und zu Rammarbeiten bei alpha ventus Linientransekterfassung Durchführung der Flugsurveys Durchführung der Schiffsurveys Statisch akustisches Monitoring C-PODs Kalibrierung Ausbringungsdesign der C-PODs Messgrößen Statistische Auswertungen und Modellierung von visuellen und akustischen Daten 35 Seite 8

9 9.6.1 Bauphase Vor der Bauphase, während Bau- und Betriebsphase Methodenkritik Verluste und Anpassung des POD-Untersuchungskonzeptes Einzelbetrachtung von Windparks Erfassung im Rahmen des StUK3 in einem übergeordneten Untersuchungsdesign Vergleichbarkeit der Daten von verschiedenen Generationen der SAM-Geräte und unterschiedlichen Versionen des Detektionsalgorithmus Einfluss des Hintergrundrauschens auf die Datenqualität Ergebnisse Erfassungszeitraum und -umfang der visuellen Erfassungen Flugsurveys Schiffsurveys Erfassungszeitraum und -umfang des statisch akustischen Monito- rings Meidungsverhalten von Schweinswalen im Baustellenumfeld in der Bau- phase von AV Analyse der Bau- und Betriebsphase für den Gesamtzeitraum Modellierung des Einflusses der laufenden Anlagen Modellierung der akustischen Registrierungsraten und Umweltvariablen Diskussion Bewertung der Ergebnisse Einordnung der Ergebnisse Angemessenheit des StUK3-Untersuchungsrahmens Ausblick Veröffentlichungen Danksagung Literaturangaben ANHANG Tabellarische Zusammenfassung der Flugsurveys Kartografische Darstellung der flugzeuggestützten Schweinswalerfassungen Tabellarische Zusammenstellung der Rammzeiten pro Fundament 116 Seite 9

10 4. Tabellenverzeichnis Tabelle 1: Darstellung der Varianzinflation (VIF) jeder numerischen Variable; ein Wert > 10 spricht stark für eine Kollinearität und somit für eine ausreichende Abdeckung durch eine andere Variable. In diesem Fall führte das Entfernen von distk zu einer nahezu vollständigen Auflösung der Kollinearität Tabelle 2: Darstellung der verwendeten Variablen im räumlichen Modell der Schweinswaldichte sowie deren Bedeutung...37 Tabelle 3: Verfügbare Modellvariablen, die für die Modellierung aufbereitet wurden. In der Spalte Genutzt steht X für im Modell getestet; NA = viele fehlende Werte, deshalb im Endmodell nicht berücksichtigt; num. prob = Variable führte zu numerischen Problemen im Modell. Variablennamen anderer Variablen (z.b. Ram, Sandfine, WT) = Variable korrelierte zu mehr als r = 0,75 (Pearson Metrik) mit der genannten Variablen und wurde daher verworfen Tabelle 4: Schweinswalabundanz und -dichte im km 2 Untersuchungsgebiet um alpha ventus. KI = Konfidenzintervall (ermittelt durch bootstrapping); VK = Variationskoeffizient...50 Tabelle 5: Aufwand bezogen auf Seegang (Bft.). Angegeben sind absoluter Aufwand in Kilometern sowie relativer Aufwand bezogen auf den Gesamtaufwand eines Jahres. AVS = alpha ventus Schiffsurvey, AV = alpha ventus; BARD = BARD Offshore I (BARD befindet sich ca. 24 km nordwestlich des westlichsten Schiff-Transektes) Tabelle 6: Darstellung der Schweinswalsichtungen während der Schiffsurveys in den Jahren 2008 bis 2011 (AVS/I bis AVS/V); Seegang = Seegang nach der Beaufort Skala; Sichtungen / Individuen = Anzahl der gesichteten Schweinswalgruppen / Anzahl der gesichteten Schweinswale; Sichtungsrate = Gruppensichtungen pro gefahrenem Kilometer (bei Beaufort 2). AVS = alpha ventus Schiffsurvey...53 Tabelle 7: Ergebnisse der Mark and Recapture Distance Sampling (MRDS) Analyse der Jahre 2009 und 2011; 95% KI Dichte = 95% Konfidenzintervall der Dichte; VK Dichte = Variationskoeffizient der Dichte; g(0) = korrigierter g(0) aus MRDS; esw = effektive halbe Streifenbreite; VK esw = Variationskoeffizient der Streifenbreite Tabelle 8: Zwischen 2008 und 2010 durchgeführte akustische Surveys im Gebiet des Testfeldes alpha ventus. HPD= Harbour Porpoise Detector, RBC= Rainbow Click Porpoise Detector...54 Tabelle 9: Ergebnisse der GAM-Modellierung der einzelnen Stationen (Daten von ). Intercept Mittelwert des Modells, bzw. des smoothing splines der Variablen, Erkl. Var. - Erklärte Varianz, n.s. nicht signifikant, n Größe der Stichprobe Tabelle 10: Darstellung der Ergebnisse eines GAM zur Überprüfung des Effekts von Rammungen auf die saisonale Dichte im Untersuchungsgebiet Testfeld basierend auf Daten von 2008 bis 2012; Variablennamen in Klammern mit vorangestelltem s kennzeichnen durch Glättungsfunktionen modellierte Variablen; hierbei ist jede Rasterzelle (cell.id) für die einzelnen Saisons separat modelliert und auf Signifikanz überprüft worden Tabelle 11: Darstellung der Ergebnisse eines GAM zur Überprüfung des Effekts von Rammungen auf die annuelle Dichte im Untersuchungsgebiet Testfeld basierend auf Daten Seite 10

11 von 2008 bis 2012; der Schätzwert hat ausschließlich bei Variablen, die nicht mittels Glättungsfunktion modelliert werden eine Aussagekraft und ist daher nur für den y- Achsenabschnitt (Intercept) und die Rammung (rammung) angegeben, inklusive des Standardfehlers (SE); dabei ist die Rammung (rammung) auf den Unterschied zwischen zwei Stufen angegeben; Variablennamen in Klammern mit vorangestelltem s kennzeichnen durch Glättungsfunktionen modellierte Variablen; hierbei ist jede Rasterzelle (cell.id) für die einzelnen Jahre separat modelliert und auf Signifikanz überprüft worden Tabelle 12: Abundanzen von Schweinswalen basierend auf den Flugzählungen für die Jahreszeiten Frühling, Sommer und Herbst; 95%KI = 95% Konfidenzintervall; Mittlere Dichte = Mittelwert der Dichte pro Rasterzelle in einer Saison; SE Dichte = Standardfehler der Dichte innerhalb einer Saison Tabelle 13: Ergebnisse einer GAMM Modellierung über die Jahreszeiten Frühling, Sommer und Herbst; dargestellt sind alle als signifikant identifizierten Parameter; Variable = Name des Parameters und Form der Glättungsfunktion, wie sie in das Modell eingehen; p-wert = Irrtumswahrscheinlichkeit; Signifikanzniveau für α = 0,05 = *** p < 0,001, ** p < 0,01, * p < 0, Tabelle 14: Abundanzen basierend auf den Flugzählungen für die Jahre 2008 bis Mittlere Dichte = Mittelwert der Dichte pro Rasterzelle in einem Jahr; SE Dichte = Standardfehler der Dichte innerhalb eines Jahres; 95%KI = 95% Konfidenzintervall Tabelle 15: Ergebnisse einer GAMM Modellierung über die Jahre 2008 bis 2012; dargestellt sind alle als signifikant identifizierten Parameter; Variable = Name des Parameters und Form der Glättungsfunktion, wie sie in das Modell eingehen p-wert = Irrtumswahrscheinlichkeit; Signifikanzniveau für α = 0,05 = *** p < 0,001, ** p < 0,01, * p < 0, Tabelle 16: Abschätzung der Schweinswalabundanz 2009 innerhalb eines 5-, 10-, 15-, 20- und 25 km Radius um den Mittelpunkt des Testfelds; Distanz zu Testfeld = Distanz der Puffergrenze zum Zentrum des Testfelds; Abundanz = Anzahl der Tiere basierend auf den in 1 km² Auflösung modellierten Daten innerhalb der durch die Pufferzone abgedeckten Rasterzellen; Abundanz SE = Standardfehler der Abundanz; Pufferfläche = durch die Pufferzone definierter Flächenbezug; Rasterfläche = Gesamtfläche aller innerhalb der Pufferzone gelegenen und durch sie geschnittenen 1 km² Rasterzellen; Dichte = Dichte der Schweinswale basierend auf der Abundanz und der Rasterfläche; Dichte SE = Standardfehler der Dichte Tabelle 17: Ergebnisse der MCMCglmm Analysen der Schweinswaldichten (Ind./km² pro Transekt; 1. Modell). post.mittel = posteriores Mittel (post.mittel); 95%KI = Konfidenzintervall (KI); eff.sample = effektive Stichprobengröße; pmcmc = Signifikanz des Parameters. Neben den Parametern dayofyear, km 2 (als offset Parameter), lon (mittlerer Längengrad des Transektes), Jahr und der Interaktion lon:jahr, wurden die transekte (random effects) und die units (Residuen) berücksichtigt Tabelle 18: Schweinswalentwicklung im Teildatensatz Westen und Frühling (2. Modell). post.mittel = posteriores Mittel (post.mittel); 95%KI = Konfidenzintervall (KI); eff.sample = effektive Stichprobengröße; pmcmc = Signifikanz des Parameters. Der offset Parameter (km 2 ) wurde berücksichtigt. Jahr als Faktor zeigt die Unterschiede zu dem Referenzjahr 2002; die grau gestrichelte Linie steht für das fehlende Jahr 2004, in dem keine Erfassungen Seite 11

12 im Frühling durchgeführt wurden. Zudem wurden transekte (random effect) und units (Residuen) berücksichtigt Tabelle 19: Modellparameter der Modellierung der laufenden Anlagen. Signifikante Parameter sind mit * - signifikant, ** - stark signifikant und *** - höchst signifikant gekennzeichnet Tabelle 20: Zusammenfassung des finalen Modells für die ökologische Modellierung der Bau- und Betriebsphase von drei Windparks im Umkreis der ausgebrachten PODs Tabelle 21: Geschätzter Anteil von Schweinswalen am Bestand 2009 im Untersuchungsgebiet TF, der dem Rammschall während des Baus von alpha ventus ausgesetzt war; Pufferbereiche um alpha ventus; TF = Untersuchungsgebiet Flugsurveys StUKplus Seite 12

13 5. Abbildungsverzeichnis Abbildung 1: Stand der Planung für Offshore Windkraftanlagen in der Nordsee (Quelle: Stand Oktober, 2013)...18 Abbildung 2: Untersuchungsdesign der visuellen Surveys (Flugsurveys in Gebiet TF; das U- Gebiet der Schiffsurveys ist mit dem roten Kasten gekennzeichnet), Transekte der Flugsurveys sowohl der Messpositionen für das statisch akustische Monitoring (rote Punktsymbole) bei alpha ventus. Für die Auswertung der Betriebsphase wurden die POD- Stationen (T- und C-POD Positionen; grüne Punktsymbole) des StUK3 Monitorings mit einbezogen (BioConsult SH, Hansen et al. 2013). BWII= Borkum West II; BO= BARD Offshore I; BRG=Borkum Riffgrund Abbildung 3: Dauer der Rammungen der Einzelpfeiler bei alpha ventus während der Fundamentgründung der Windkraftanlagen in Abbildung 4: Ergebnis-Werte der 50/50 Detektionsschwelle. Eine Differenzierung nach C- POD Version: V0 (weißer Boxplot, n=11 C-PODs) und V1 (grauer Boxplot, n=14 C-PODs) ist erfolgt. Die Hörschwelle wurde für die Frequenzen 100 bis 140 khz ermittelt Abbildung 5: Darstellung des schematischen Aufbaus einer Messposition. Nach anfänglich hohen Verlusten konnten mit diesem System bei geringen Verlustraten verlässliche Daten erhoben werden Abbildung 6: Darstellung der Messergebnisse der Vergleichsmessungen von zwei C-PODs und zwei T-PODs an den Messstationen 4 und 8. Die schwarze Linie zeigt eine lineare Regression dieser Daten, während die rote (gestrichelte) Linie den Idealfall (Nulldurchgang bei 0 und Anstieg der Gerade 1) symbolisiert. Die Histogramme rechts und oben zeigen, dass die Daten nicht gleichmäßig über den gültigen Bereich verteilt sind und somit das Modell höchstwahrscheinlich null-beeinflusst ist Abbildung 7: Darstellung der Vergleichsmessungen an Position 4 und 8. In der oberen Reihe sind die Messergebnisse der 2 T-PODs mit TPOD.exe Version 8.24 gegen die Messergebnisse der 2 C-PODs aufgetragen und im Vergleich dazu in der unteren Reihe die Ergebnisse der 2 C-PODs mit unterschiedlichen CPOD.exe Versionen mit einem GAM- Vergleich. Die rote Linie zeigt den Idealvergleich (Nulldurchgang bei 0, Anstieg 1) Abbildung 8: Darstellung der rauschbedingten Effekte auf die Detektionsraten von C-PODs (53 Datensätze, zehn unterschiedliche PODs an fünf verschiedenen Stationen). Die rote Linie repräsentiert den in diesem Bericht genutzten Grenzwert von Klicks pro Stunde Abbildung 9: Ermittelte Dichte pro Survey im Untersuchungsgebiet TF um alpha ventus. Fehlerbalken zeigen die 95 % Konfidenzintervalle (ermittelt durch bootstrapping) Abbildung 10: Datenerhebung im Testfeld alpha ventus mit C-PODs. Die grau gepunktete Linie markiert den Zeitpunkt als das Untersuchungsdesign von 23 auf 12 Stationen verkleinert wurde. Die Wartungszeitpunkte sind durch schwarze Quadrate gekennzeichnet. Die Verluste pro Station (lost / found) sind ebenfalls in der Grafik aufgeführt, da in zwei Fällen die Station während einer Ausfahrt zweimal besetzt werden musste und dementsprechend diese Punkte nicht aus der Grafik ersichtlich sind Seite 13

14 Abbildung 11: Verhaltensänderungen in verschiedener Entfernung zu den Rammarbeiten bei alpha ventus analysiert mit zwei GAMMs. Grau: GAMM der dp10min ohne Rammereignisse, die Distanz wurde zur Mitte des Windparks berechnet. Schwarz: GAMM der dp10min während ein Rammereignis stattfand. Die Entfernung wurde für jede Rammung individuell berechnet. Die x-achse zeigt die berechnete Distanz zur Rammung, die y-achse repräsentiert die Detektionswahrscheinlichkeit der dp10min. Die Linien zeigen eine smoothing spline der beiden Modelle mit 5 Freiheitsgraden je Modell Abbildung 12: Analyse der waiting time (WT) für alle C-POD-Positionen. Graue Punkte zeigen WT ohne Rammereignis und rote Punkte zeigen die erste WT nach der Rammung; orange Punkte zeigen die zweite WT nach der Rammung an. Die horizontale schwarze Linie indiziert den Median aller WT der Position, die graue zeigt Median + Standardabweichung an der Position an. Beachten: Y-Achse ist log-skaliert Abbildung 13: Interpolierte Darstellung der modellierten saisonalen Schweinswaldichten im Untersuchungsgebiet basierend auf einem mixed effect GAMM Modell; a): Frühjahr; b): Sommer; c): Herbst; Konturlinien geben zusätzlich zu der farbkodierten Dichte Anhaltspunkte zur Dichtebestimmung Abbildung 14: Darstellung der modellierten Schweinswaldichten im Jahr a) 2009 b) 2010 c) 2011 und d) 2012 in 1 km² Auflösung; im Jahr 2009 ist zusätzlich eine Pufferzone in 5, 10, 15, 20 und 25 km Abstand zum Zentrum des Testfelds alpha ventus dargestellt Abbildung 15: Schweinswaldichte von über das gesamte Untersuchungsgebiet mit Regressionslinie Abbildung 16: Schweinswaldichte von getrennt für West) die süd-westliche deutsche AWZ der Nordsee (5,9-7,3 O; links) und Ost) die süd-östliche deutsche AWZ der Nordsee (7,3-8,5 O; rechts). Dabei wird die Frühling-, Sommer- und Herbsterfassung unterschieden (Farben: grün, blau, braun in gleicher Reihenfolge). Für jede Jahreszeit und Region wurde eine separate Regressionslinie eingefügt, die den linearen Trend zeigt Abbildung 17: Smoothing splines, bzw. faktorielle Darstellung der Modellvariablen, für die zwei GAMM-Modelle zur Analyse der laufenden Anlagen. Turbinen sind in Betrieb (links) und außer Betrieb (rechts), n all Anzahl aller aufgenommenen Klicks in Klassen von Abbildung 18: Ergebnisse der GAMM-Modellierung. Die oberen zwei Reihen zeigen die smoothing splines, die repräsentativ für den Einfluss der verwendeten Variable stehen. Die unteren Reihen zeigen den Einfluss des Tensor-Produktes (Anteil feiner Sand ~ Wassertiefe) und die Einflüsse der binären faktoriellen Variablen Rammung (ja/nein) und POD-Typ (C = C-POD, T = T-POD) Seite 14

15 6. Abkürzungsverzeichnis AIC Akaike-Information-Criterion ASCOBANS Agreement on the Conservation of Small Cetaceans of the Baltic, North East Atlantic, Irish and North Seas AV AWZ BACI BMU BMWI BSH BW II CDS C-POD dpm/d esw GAM GAMM GAMLSS HPD KI L p L P-P Offshore-Testfeld alpha ventus Ausschließliche Wirtschaftszone Before After Control Impact Bundesministerium für Umwelt- Naturschutz und Reaktorsicherheit Bundesministerium für Wirtschaft und Technologie Bundesamt für Seeschifffahrt und Hydrographie Offshore-Windpark Borkum West II (Trianel Windpark Borkum) Conventional Distance Sampling Schweinswaldetektor (Cetacean Porpoise Detector) detection positive minutes per day (Detektionspositive Minuten pro Tag) Effektive halbe Streifenbreite (effective half-strip width) Generalised Additive Model Generalised Additive Mixed Model Generalised Additive Models for Location, Scale and Shape Harbour Porpoise Detector - Schweinswaldetektor (Detektionssoftware für Schlepphydrophonsystem) Konfidenzintervall Spitzenschalldruckpegel (peak level, zero to peak) Spitzenschalldruckpegel (peak level, peak to peak) MCMCglmm Monte Carlo Markov Chain generalised mixed model MINOS Nall/h RBC RL SAM SCANS SCANSII Marine Warmblüter in der Nord- und Ostsee (BMU-gefördertes Forschungsprojekt; Phase 1: 01/ /2004, Phase 2: 06/ /2007) Anzahl aller aufgezeichneten Klicks pro Stunde (unabhängig davon, ob sie von Schweinswalen verursacht wurden Hintergrundgeräusch) Rainbow Click Porpoise Detector (Detektionssoftware für Schlepphydrophonsystem) Empfangspegel (Received Level) Statisch akustisches Monitoring (Static Acoustic Monitoring) Small Cetacean Abundance in the North Sea and adjacent waters Small Cetaceans in the European Atlantic and North Sea Seite 15

16 sd SE SEL StUK TF T-POD TTS UW VK OWEA Standardabweichung (Standard Deviation) Standardfehler (Standard Error) Schallexpositionspegel (Sound Exposure Level) Standardkonzept zur Untersuchung der Auswirkungen von Offshore-Windenergieanlagen auf die Meeresumwelt (Standarduntersuchungskonzept) Untersuchungsgebiet Testfeld der StUKplus Flugsurveys Schweinswaldetektor (Timing Porpoise Detector) Temporäre Hörschwellenverschiebung (temporary threshold shift) Umspannwerk Variationskoeffizient Offshore-Windenergieanlage(n) Seite 16

17 7. Einleitung 7.1 Marine Säugetiere und der Ausbau der Offshore-Windenergie Schweinswale (Phocoena phocoena) sind im Rahmen von internationalen Konventionen wie der Bonner Konvention (zum Schutz wandernder wildlebender Tiere) oder dem Kleinwal- Abkommen ASCOBANS (Abkommen zur Erhaltung der Kleinwale in der Nord- und Ostsee, des Nordostatlantiks und der Irischen See) streng geschützt. Als Anhang IV-Art der europäische Fauna-Flora-Habitat-Richtlinie (FFH-RL 92/43/EWG) zur Erhaltung der natürlichen Lebensräume sowie der wildlebenden Tiere und Pflanzen, genießt der Schweinswal zudem einen generellen strengen Artenschutz gem. Art. 12 und 16 der FFH-RL und ist auch außerhalb von Schutzgebieten in seinem gesamten Verbreitungsgebiet zu schützen. Gleichzeitig gehören die Nord- und Ostsee jedoch zu den weltweit am stärksten wirtschaftlich genutzten Meeresgebieten. Die anthropogene Nutzung umfasst als direkte Eingriffe u.a. die Aktivitäten der Öl- und Gasindustrie, militärische Aktivitäten, die Errichtung von Offshore- Windenergieanlagen, Schiffsverkehr sowie die Fischereiwirtschaft. Die Errichtung von Offshore Windparks mit effektiven Kapazitäten von bis zu 25 Gigawatt trägt dabei sehr wahrscheinlich einen Großteil zur Erhöhung der Schallemission in der Zukunft bei. Bei dieser angestrebten Leistung aus Offshore Windkraft bis zum Jahr 2030 (BMWI 2012) bedeutet dies, bei den momentan üblichen Anlagen mit einer Leistung von 5 bis 6 MW, dass etwa Windräder innerhalb der nächsten 16 Jahre und damit pro Jahr ca. 300 Anlagen in Nord- und Ostsee zusammen errichtet werden. In den Projekten MINOS ( ) und MINOS plus ( ) wurden die potentiellen Auswirkungen von Offshore-Windparks auf marine Säugetiere in Nord- und Ostsee untersucht. Gegenstand der Untersuchungen waren die Auswirkungen von Lärm, die bei der Rammung von Gründungspfählen für Offshore-Windenergieanlagen (OWEA) wiederholt erzeugt werden ("Rammschall"), sowie die Durchführung von Basisuntersuchungen, die den Bestand an Schweinswalen in der deutschen Nord- und Ostsee quantifizieren (Gilles et al. 2008, 2009, 2011a). Weiterhin wurden Untersuchungen zur Eignung von akustischen Echoortungsloggern (T-PODs) durchgeführt (Siebert & Rye 2008a,b, Verfuß et al. 2008), die zeigten, dass die Aufenthaltsmuster von Schweinswalen mit dieser neuartigen Methode in Nordund Ostsee sehr gut analysiert werden konnten. Zudem wurde festgestellt, dass Schweinswale eine zeitweilige Hörschwellenverschiebung (Temporary Threshold Shift, TTS) durch impulsartigen Schall ab einem Einzelereignis-Schallexpositionspegel (SEL, Sound Exposure Level) von 164,3 db re µpa²s erfahren (Lucke et al. 2008a, 2009). Da diese Schallbelastung z.b. bei alpha ventus erst nach einigen Kilometern Distanz von der Anlage unterschritten wurde (Betke & Matuschek 2011) und Verhaltensreaktionen im Sinne einer Flucht vor der intensiven Belastung zum Beispiel in dänischen Offshore-Windparks festgestellt wurden (Tougaard et al. 2009a), war die Untersuchung der Schallauswirkungen der Bauphase von alpha ventus in diesem Projekt prioritär. Der erste deutsche Offshore-Windpark alpha ventus umfasst ein ungefähr 4 km² großes Gebiet 45 km nördlich von Borkum. Dieses Gebiet liegt in einer durchschnittlichen Wassertiefe von 30 m auf überwiegend homogenem Sediment, das hauptsächlich aus feinem Sand besteht (Reichert et al. 2012). Beim BSH laufen derzeit 128 Verfahren zur Genehmigung von Offshore-Windparks, dies entspräche einer installierten Gesamtleistung von 47 GW (siehe Abbildung 1). Bisher sind 30 Seite 17

18 Projekte in der Nordsee genehmigt worden (insg OWEA). Zwei Windparks sind in Betrieb (alpha ventus und BARD Offshore 1), sieben weitere befinden sich im Bau (Stand: Oktober 2013). Innerhalb des Untersuchungszeitraumes zur Bau- und Betriebsphase von alpha ventus ( UW und Fundamentgründung) wurden ebenfalls die Offshore-Windparks BARD Offshore 1 ( UW und Fundamentgründung) und Borkum West II ( ) gebaut. Die visuellen Erfassungen von Schweinswalen wurden zwischen dem und dem durchgeführt und das stationäre akustische Monitoring im Zeitraum vom bis Abbildung 1: Stand der Planung für Offshore-Windenergieanlagen in der Nordsee (Quelle: Stand Oktober, 2013). 7.2 Untersuchungsfragen und Vorhabensziele Im vorliegenden Projekt wurden Forschungsarbeiten durchgeführt, die ergänzend und über die Vorgaben des Standard-Untersuchungskonzeptes des BSH (StUK 3; BSH 2007) hinausgehend den Einfluss der Bau- und Betriebsphase im Offshore Testfeld alpha ventus auf marine Säugetiere untersuchen und quantifizieren sollten. Weiterhin sollte der StUK3 Untersuchungsrahmen hinsichtlich seiner Eignung zur Beantwortung der Fragestellungen des StUKs bewertet werden. Um die saisonale Variabilität der Schweinswaldichte sowie annuelle Trends zu analysieren, wurden Erfassungen zur Bestimmung von Dichte und Abundanz in einem deutlich größeren Umfeld der südlichen Deutschen Bucht durchgeführt als im StUK3. Seite 18

19 Die Habitatnutzung sowie das Verhalten der Schweinswale wurden durch ein statisch akustisches Monitoring (SAM) ebenfalls großräumig im Umfeld des Testfeldes untersucht. Detaillierte Erfassungen von marinen Säugetieren sollten unmittelbar vor, während und nach der Bauphase durch den Einsatz eines kombinierten visuellen und akustischen Schiffsurveys im Nahbereich von alpha ventus durchgeführt werden. Es ergaben sich die folgenden Forschungsfragen: Wie ist das saisonale und räumliche Verteilungsmuster von Schweinswalen gekennzeichnet? Welche Bedeutung hat das Seegebiet süd-westliche Nordsee für die Schweinswalpopulation und sind Langzeitrends erkennbar? Können aufgrund der schallintensiven Rammarbeiten Verhaltensänderungen sowie Änderungen in der Gebietsnutzung festgestellt werden? Wenn ja, kann die räumliche und zeitliche Störwirkung quantifiziert werden? Was sind die Effekte in der Betriebsphase? Können die Effekte während der Bau- und Betriebsphase evaluiert werden, indem externe, anthropogene Eingriffe und Umweltfaktoren einbezogen werden? Somit sind diesen Fragen Teil der im StUK3 formulierten Ziele (entnommen aus BSH, 2007) Ermittlung der räumlichen Verbreitung und zeitlichen Variationen der Schutzgüter vor Baubeginn (Basisuntersuchungen) Überwachung (Monitoring) der Auswirkungen von Bau-, Betriebs- und Rückbauphase Schaffung von Grundlagen für die Bewertung der Ergebnisse des Monitorings, gehen jedoch über diese sehr stark an den einzelnen Windparks bzw. den einzelnen Planungsgebieten ausgerichten Fragestellungen hinaus. Es ist dabei zu beachten, dass die Felddatenerfassung im Rahmen von StUKplus erst kurz vor Beginn der Gründung des Umspannwerks (September 2008) im August 2008 aufgenommen wurde. Somit konnten keine Daten zu einem vollständigen Jahresgang vor Beginn der Bauarbeiten erhoben werden. Seite 19

20 8. Stand von Wissenschaft und Technik 8.1 Marine Säugetiere im Umfeld von alpha ventus Der Schweinswal ist die am häufigsten vorkommende Walart in der Nordsee (Hammond et al. 2002, 2013) und die einzige regelmäßig in deutschen Meeresgebieten nachgewiesene (Scheidat et al. 2004, Siebert et al. 2006a, Gilles et al. 2009). In der Nordsee werden drei Subpopulationen unterschieden: die der nördlichen Nordsee, der zentralen und der südlichen Nordsee sowie die Population des westlichen Ärmelkanals (ASCOBANS 2000). Nach langer Abwesenheit bzw. starkem Rückgang in den letzten Jahrzehnten wurde in den letzten Jahren ein Anstieg des Schweinswalvorkommens in der südlichen Nordsee berichtet (Reijnders 1992, Thomsen et al. 2006, Gilles et al. 2009). Camphuysen (2004) berichtete vom Come-back des Schweinswals in niederländischen Küstengewässern, nachdem die Art dort in den frühen 1960er Jahren nahezu verschwunden war. Auch Berichte aus Belgien und Nordfrankreich bestätigen diese Beobachtung (Kiszka et al. 2004, Haelters & Camphuysen 2009) und decken sich mit Ergebnissen des im Juli 2005 durchgeführten SCANS II Surveys (Hammond et al. 2013). Die durchschnittliche Schweinswaldichte im Untersuchungsgebiet südlich von 56º N war 2005 im Vergleich mit dem 1994 stattgefundenen SCANS Survey etwa doppelt so hoch, während die Dichte in den nördlichen Gebieten um die Hälfte abgenommen hatte (Hammond et al. 2002, 2013). Da sich die Gesamtabundanz zwischen den beiden Erfassungen nicht signifikant unterschied, wird die Zunahme des Schweinswalvorkommens in diesem Gebiet mit einer Verlagerung der Bestände der Schweinswale in der Nordsee in Verbindung gebracht (Hammond et al. 2013). In der südlichen Deutschen Bucht wurden bis 2002 keine verlässlichen Daten zum Schweinswalvorkommen und zur -dichte erhoben. Der SCANS Survey 1994 deckte die Bereiche vor den ost- und westfriesischen Inseln nur ungenügend ab. Thomsen et al. (2006) beobachteten die höchsten Dichten in einem kleinen Untersuchungsgebiet vor den ostfriesischen Inseln zwischen Februar und Mai Von 2002 bis 2006 wurden in der gesamten deutschen Nordsee im Rahmen der beiden MINOS-Projekte sowie der Ausweisung der NA- TURA 2000 Gebiete ganzjährig umfassende Schweinswalerfassungen durchgeführt (Gilles et al. 2008, 2009). Seit 2004 wird von einem frühjährlichen Anstieg der Schweinswaldichten in der südlichen deutschen Nordsee, v.a. im Bereich des Borkum Riffgrundes, berichtet (Gilles et al. 2009). Es wurde festgestellt, dass die räumliche und jahreszeitliche Verteilung der Schweinswale signifikanten Schwankungen unterworfen ist. Diese saisonale Variabilität in der Verteilung der Schweinswale wurde auch in der südlichen deutschen Nordsee festgestellt (Stratum D in Gilles et al schließt das Testfeld ein): Dabei wurden im Frühling die höchsten Dichten mit 0,85 Ind./km² (95% Konfidenzintervall: 0,45-1,72 Ind./km²) und im Sommer die niedrigsten Dichten mit 0,17 Ind./km² (0,08-0,36 Ind./km²) bestimmt. Im Frühling mehrerer Jahre konnte die Ausbildung eines räumlich begrenzten Hotspots des Schweinswalbestandes nahe Borkum Riffgrund festgestellt werden (Gilles et al. 2009). In den küstennahen Bereichen Hollands und Belgiens konnte der saisonale Peak früher im Jahr, zwischen Februar und April, beobachtet werden (Haelters & Camphuysen 2009). Neben den möglichen Effekten durch den Ausbau der Offshore Windenergie sind Schweinswale, aufgrund ihrer küstennahen Verbreitung, von einer Reihe anthropogener Stressoren betroffen. Eine verringerte Beuteverfügbarkeit durch Überfischung und Habitatdegradierung Seite 20

21 (DeMaster et al. 2001), Umweltverschmutzung durch Schwermetalle (Siebert et al. 1999), polychlorierte Biphenyle und andere toxische Substanzen (Jepson et al. 2005, Beineke et al. 2005, Das et al. 2006) sowie ungewollter Beifang in Netzen der Fischerei (Kock & Benke 1996, Vinther 1999, Berggren et al. 2002, Siebert et al. 2006a) sind als schwerwiegende Faktoren bekannt. Die Schallauswirkungen der Offshore-Windkraft (Madsen et al. 2006, Tougaard et al. 2009a, Bailey et al. 2010, Brandt et al. 2011) und von seismischen Surveys (Thompson et al. 2013) verursachen wahrscheinlich kurzzeitige Vertreibungseffekte, die über große Entfernungen von ungefähr 20 km messbar sein können. Weitere Schalleinflüsse kommen durch die Nutzung von Pingern (Cox et al. 2001), Seal Scarern (Olesiuk et al. 2002, Johnston 2002, Brandt et al. 2012, 2013) und in großem Maßstab durch den erheblichen Schiffsverkehr sowie Militäraktivitäten hinzu. Einwirkungen durch den Klimawandel werden für kältere Gewässer vermutet (MacLeod 2009). Der potentielle Einfluss von Mikroplastik(müll) auf die marine Fauna ist derzeit noch nicht ausreichend erforscht (Sheavly & Register 2007). 8.2 Erfassungsmethoden Visuelle Surveys Die Abundanz einer Tierart ist einer der wesentlichen Faktoren zur Ermittlung anthropogener Einflüsse auf die Umwelt und ein zentrales Element des Umweltmanagements. Darüber hinaus bietet die Kenntnis räumlicher sowie zeitlicher Verbreitungsmuster grundlegende Erkenntnisse für die Bewertung und mögliche Mitigation anthropogener Störungen. Ein Effektmonitoring im Rahmen von Offshore Windparks beinhaltet daher explizit wiederholte Studien, die vor, während sowie nach der Bauphase in einem zuvor am zu bebauenden Gebiet ausgerichteten, konstanten Untersuchungsgebiet durchgeführt werden sollten. Dabei gilt es zu beachten, dass in einem so dynamischen Umfeld wie einer Offshorebaustelle unterschiedliche Methoden verschiedene Agenten anthropogener Einflüsse (wie zum Beispiel durch Rammereignisse erzeugter Schall, zunehmender Schiffsverkehr durch Materiallieferung und Wartung, etc.) identifizieren können. Zum Beispiel können durch impulsartige Schallemissionen (charakteristisch für Rammungen und seismische Untersuchungen) ausgelöste Verhaltensänderungen und Störungen am deutlichsten mit kontinuierlich aufzeichnenden, passiven akustischen Methoden dokumentiert werden (s.unten). Langfristige und großräumige Veränderungen können hingegen am besten durch Flugzählungen nach der Snapshot Methode erfasst werden. Im Idealfall werden daher mehrere Methoden parallel während einer Untersuchung durchgeführt. Das Monitoring mariner Säugetiere erfordert einige Anpassungen an die zum Großteil aquatische Lebensweise. Zum Beispiel kann in der Regel nicht davon ausgegangen werden, dass Tiere den Großteil einer Untersuchung über verfügbar, das heißt, vom Beobachter detektierbar sind (availability). Der Schweinswal ist aufgrund seiner geringen Größe, der kleinen Gruppengröße von meist nur 1-2 Tieren und seines nicht auffälligen Verhaltens an der Oberfläche eine der Kleinwalarten, die am schwierigsten zu erfassen ist. Eine Standardmethode zur Ermittlung von Abundanzen mariner Säugetiere ist die Linientransekterfassung von Schiffen oder Flugzeugen aus (siehe auch Buckland et al. 2001, 2004). Diese beinhaltet eine indirekte Korrektur der Verfügbarkeit von marinen Säugern durch einen stetig aktualisierten Faktor. So gewonnene Abschätzungen lassen sich auf sinnvoll definierte Gebiete erweitern und lassen so Rückschlüsse über die tagesaktuelle Schweinswalabundanz zu. Seite 21

22 8.2.2 Akustische Surveys StUKplus-Endbericht Marine Säugetiere Schweinswale nutzen charakteristische, hochfrequente Laute, um sich in ihrer Umgebung zu orientieren (Verfuß et al. 2005) und ihre Beute zu fangen (Verfuß et al. 2009). Diese charakteristischen Echoortungslaute (Klicks) können mit Klickdetektoren aufgezeichnet werden. Klickdetektoren, wie z.b. T-PODs (Timing-POrpoise-Detectors, Chelonia Ltd., arbeiten automatisch und können über mehrere Monate hinweg in den Untersuchungsgebieten eingesetzt werden. Daher eignen sie sich hervorragend dazu, Aussagen zur Nutzung von Gebieten durch Schweinswale zu treffen. Dies wurde innerhalb von Umweltverträglichkeitsuntersuchungen (Carstensen et al. 2006) und des Monitorings verschiedener mariner Naturschutzgebiete erfolgreich durchgeführt (Verfuß et al. 2007, Gallus et al. 2012). T-PODs sind zuverlässig arbeitende Geräte, die trotz zunehmender Standardisierung (Dähne et al. 2006, Verfuß et al. 2013) individuelle Unterschiede in der Sensitivität aufweisen (Dähne et al. 2006, Kyhn et al. 2008, Verfuß et al. 2010, Verfuß et al. 2013). Von Chelonia Ltd. wurde 2008 ein neues Gerät, der C-POD (Cetacean-POD), vorgestellt. Die Produktion der T-PODs wurde mit Einführung des C-PODs eingestellt. T-PODs registrieren Klicks, indem sie die Schallenergie von zwei Frequenzbändern vergleichen (90 und 130 khz) und beim Überschreiten eines bestimmten Schwellenwertes den Zeitpunkt des Schallereignisses und dessen Dauer aufzeichnen. C-PODs sind im Unterschied zu T-PODs keine Klickdetektoren im Sinne eines Energiedetektors, die den Energiegehalt zweier verschiedener Frequenzbereiche vergleichen. Sie registrieren vielmehr tonale Laute im Frequenzbereich zwischen 20 und 200 khz und speichern verschiedene Lautparameter (Frequenz, Anzahl der Lautzyklen, Amplitude, Parameter der Hüllkurve). Sowohl T- als auch C-POD-Daten werden durch einen herstellerspezifischen Musterfindungsalgorithmus in der Software T- bzw. C-POD.exe (s. nach Schweinswal-typischen Lautsequenzen durchsucht. Die Messgeräte wurden mit den Standardeinstellungen des Herstellers mit einem 20 khz Hochpassfilter eingesetzt. Diese Einstellung hat nur geringe Auswirkungen auf die Aufnahmecharakteristik, da der C-POD schon bei ca. 60 khz deutlich weniger sensitiv ist, als bei den für Schweinswale relevanteren 130 khz (Dähne et al. 2013b). Inzwischen werden C-PODs in verschiedenen Studien eingesetzt: Zur Erfassung von Schweinswalen, die in Flüsse einwandern (Wenger & Koschinski 2012), zur Analyse des Echoortungsverhaltens von Schweinswalen in Bezug auf verschiedene Vergrämertypen (Hardy et al. 2012), in Bezug auf die Überprüfung der möglichen Nutzung von environmental DNA für Schweinswale im Ostseeraum (Foote et al. 2012) sowie zur Überprüfung der Detektionsfunktion und Analyse des Verhaltens von großen Tümmlern und Schweinswalen (Nuuttila et al. 2013a, b). Neben dem statischen akustischen Monitoring wurden Surveys mit Schlepphydrophonen durchgeführt (Gillespie et al. 2005, Boisseau et al. 2007). Die Methodik für diese Surveys entspricht einer Standarduntersuchung im Linien-Transektverfahren (s. Kapitel 9.3), wobei derzeit noch keine Dichten (wie für visuelle Surveys üblich) aus den Daten berechnet werden können. Innerhalb des StUKplus-Teilprojekts TiHo1 wurden Untersuchungen mit Schlepphydrophonen während der Schiffserfassungen durchgeführt. Die Ergebnisse sind im Zwischenbericht zum Jahr 2011 (Siebert et al. 2012b) zusammengefasst. Seite 22

23 Innerhalb des StUKplus-Teilprojekts TiHo1 wurden außerdem Untersuchungen zu einer potentiellen Änderung des Echoortungsverhaltens vom Deutschen Meeresmuseum durchgeführt. Die Ergebnisse sind ebenfalls in Siebert et al. (2012b) zusammengefasst. 8.3 Potentielle Auswirkungen der Offshore-Windenergie auf marine Säugetiere Bauphase Der Bau von Offshore-Windenergieanlagen (OWEA) birgt das Potential, Populationen von marinen Säugetieren zu beeinflussen (Gilles et al. 2009). Dabei muss eine Reihe verschiedener Faktoren berücksichtigt werden. Für Schweinswale ist die vermutlich schwerwiegendste Einwirkung die mit impulsivem Schall verbundene Rammung der Fundamentpfähle während der Bauphase von Offshore-Windparks (Madsen et al. 2006). Die Rammungen sind ungedämmt so laut, dass ein temporärer oder permanenter Verlust des Hörvermögens von marinen Säugetieren nahe der Baustelle möglich ist (Lucke et al. 2009). Eine temporäre Hörschwellenverschiebung (Temporary Threshold Shift TTS) wurde bei einem Schweinswal bei einem Einzelereignis-Schalldruckpegel (SEL) von 164 db re1 µpa²s und einem Spitzenschalldruckpegel (L P-P ) von 199,3 db re 1 µpa für eine impulsive Schallquelle (seismische Airgun) festgestellt (Lucke et al. 2009). Auch aus diesem Grund wurde von den Deutschen Umweltschutzbehörden und dem Bundesamt für Seeschifffahrt und Hydrographie ein Schallschutzgrenzwert (Vorsorgewert) von einem SEL von 160 db re 1 µpa²s und L P von 190 db re 1µPa in 750 m von der Baustelle eingeführt. Dies ist ein Einzelschlagkriterium und beinhaltet keine Bewertung von multiplen Beschallungen, wie sie bei der Impulsrammung von Gründungspfählen für OWEA auftreten (zum Vergleich bei alpha ventus: bis Rammstöße pro Fundament in ~ 2 s Intervall (bei kontinuierlichem Einsatz der Ramme ohne Beachtung der Rammpausen)). In näherer Umgebung zur Rammstelle können marine Säugetiere einen temporären Hörverlust erfahren, erhöhte Stresswerte aufweisen (Müller et al. 2013, Kastelein et al. 2013b), vertrieben werden (Tougaard et al. 2009a, Brandt et al. 2011, Dähne et al. 2013a) und dementsprechend einen zeitweisen Habitatverlust erleiden, sowie eine Beeinflussung des Gleichgewichtsorgans durch den Schalldruck aufweisen. Zusätzlicher Schalleintrag wird durch das erhöhte Verkehrsaufkommen (durch Bau- und Versorgungsschiffe) vor und während des Baus erzeugt. Dieser zusätzliche Schalleintrag ist jedoch in der Betriebsphase ebenfalls für die Wartungsarbeiten erforderlich und ist dementsprechend eher ein kontinuierlicher Einfluss, der bei der Betrachtung der Betriebsphase berücksichtigt werden muss Betriebsphase Während der Betriebsphase können Effekte einerseits durch von den Offshore- Windenergieanlagen ausgehendem Schall verursacht werden, aber gleichfalls auch durch die Veränderung des Habitats um die OWEA. Schalleffekte können einerseits, wie in der Bauphase, eine Vertreibung aus dem Gebiet um die Anlagen bedingen (Tougaard et al. 2009a, Brandt et al. 2011, Dähne et al. 2013a). Andererseits können Geräusche in geringer Lautstärke auch eine Anlockung auslösen. Für Seehunde sind Verhaltensreaktionen auf laufende OWEA bis in einigen hundert Metern Distanz wahrscheinlich (Tougaard et al. 2009b). Da OWEA im Betrieb kontinuierlich Geräusche in Seite 23

24 tiefen Frequenzen (< 500 Hz) erzeugen, müssen auch Maskierungseffekte berücksichtigt werden. Dies betrifft insbesondere die beiden Robbenarten (Seehund Phoca vitulina und Kegelrobbe Halichoerus grypus) in deutschen Gewässern, da sie im Vergleich zu Schweinswalen wesentlich bessere Hörfähigkeiten im tieffrequenten Bereich aufweisen und zudem selbst in angrenzenden Frequenzbereichen vokalisieren (Lucke et al. 2008b). Sowohl Schweinswale als auch Robben können sich an diese Effekte gewöhnen, also ihr Verhalten an die veränderte Situation anpassen. Gewöhnungseffekte können nicht vorab als gut oder schlecht gewertet werden, sondern können ausschließlich situationsabhängig beurteilt werden. So könnte eine Gewöhnung von Schweinswalen an Pinger negativ sein, falls dadurch der Sinn des Einsatzes von Pinger zur Verhinderung ihrer Verendung als Beifang in Frage gestellt wird. Andererseits, kann ein verhältnismäßig geringer Gewöhnungseffekt an Pinger positiv sein und zu einer verbesserten effektiven Habitatnutzung beitragen. Dies gilt nur, solange dadurch nicht mehr Beifang entsteht oder Schweinswale in anderer Form negativ beeinträchtigt werden. Im Gegensatz zur Bauphase, in der kurzzeitige, weit reichende Effekte festgestellt werden können (Tougaard et al. 2009a, Brandt et al. 2011), sind die Auswirkungen der Betriebsphase auf Schweinswale wahrscheinlich auf einen engen Bereich um die Anlagen beschränkt. Diese Auswirkungen können allerdings sehr langfristig andauern. Sie können ebenfalls durch langzeitige Auswirkungen eines Effektes der Bauphase überlagert sein, wie Untersuchungen am Offshore-Windpark Nysted in der dänischen Ostsee nahelegen (Teilmann & Carstensen 2012). Potentiell positive Effekte auf die marine Umwelt können während der Betriebsphase durch künstliche Riffeffekte auftreten. Da weite Bereiche der Nordsee wenig Hartsubstrat aufweisen, können sich durch künstliche Riffe die Häufigkeiten der einzelnen Beutefischarten von Schweinswalen, aber auch die gesamte Artenzusammensetzung verändern (z.b. Reubens et al. 2013), solange nicht lärmbedingte Effekte Fische verscheuchen. In einigen Studien wurde die Vermutung geäußert, dass Offhore-Windparks einen Anziehungseffekt auf Schweinswale ausüben können, obwohl der Effekt wahrscheinlich klein ist (Diederichs et al. 2008). Der künstliche Riffeffekt könnte ebenfalls für die festgestellten erhöhten akustischen Schweinswal-Registrierungsraten im Bereich des ersten Offshore-Windparks in den Niederlanden Eegmond aan Zee verantwortlich sein (Scheidat et al. 2011). Da der Windpark für Schiffsverkehr und die Fischerei gesperrt ist, könnte das Areal aber auch einen reduzierten Hintergrundlärmpegel aufweisen und dadurch als Rückzugsgebiet für Schweinswale dienen. Durch den Ausschluss der Fischerei kann das Gebiet eventuell auch ein Schutzgebiet für pelagische und benthische Fischarten sein, wodurch sich die Beuteverfügbarkeit für Schweinswale erhöhen kann. Seite 24

25 9. Material und Methoden 9.1 Untersuchungsdesign und frequenz Statisch akustisches Monitoring Um die Effekte der Bau- und Betriebsphase bei alpha ventus über das im StUK3 vorgegebene Untersuchungsdesign hinaus zu dokumentieren, wurde ein systematisches Untersuchungsdesign mit ursprünglich 23 Messpositionen vorgeschlagen. Bei der Festlegung des Designs wurde berücksichtigt, dass sowohl Schiffsverkehr, andere Bauaktivitäten, aber auch weitere anthropogene und natürliche Faktoren einen Einfluss auf die Habitatnutzung der Schweinswale haben können. Diese Einflüsse müssen auch bei der Bewertung der Effekte der Rammungen sowie der Beurteilung der Betriebsphase bedacht werden. Zu Beginn des Untersuchungszeitraumes wurden im Jahr 2008 erhebliche Geräteverluste an einzelnen Messpositionen festgestellt. Für die Geräteverluste wurde als Hauptursache die Fischerei angenommen (vgl. Abschnitt ). Dementsprechend wurden die Messpositionen in persönlichen Gesprächen, in den Nachrichten für Seefahrer und den Benachrichtigungen für die Seefahrt nochmals bekanntgemacht, um ein versehentliches Überfahren zu vermeiden. Um die Untersuchungen mit einem vertretbaren finanziellen und personellen Aufwand weiterführen zu können, wurde das Messstellennetz im April 2009 auf 12 Messstationen reduziert (Abbildung 2) Visuelle Surveys Die Transekte für die visuellen Surveys wurden nach den Grundsätzen von Buckland et al. (2001) designt und gleichmäßig über das Untersuchungsgebiet verteilt. Damit die Transekte das Gebiet repräsentativ abdecken und somit als Stichprobe dienen können, erfolgt deren Auswahl möglichst zufällig, so dass jeder Punkt im Gebiet die gleiche Wahrscheinlichkeit hat, abgedeckt zu werden (equal coverage probability). Bei den gewählten parallelen Transekten mit konstantem Abstand wird der Anfangspunkt des ersten Transektes zufällig gewählt. Es muss zudem darauf geachtet werden, dass die Transekte senkrecht zu einem bekannten Dichtegradienten der Zieltierart (hier vor allem Tiefenlinien) liegen. Das Survey-Design der Flugsurveys umfasste 15 parallele Transekte mit einer Gesamtstrecke von km in einem Untersuchungsgebiet von km 2 Größe, welches im Zentrum das Offshore-Testfeld alpha ventus einschließt (Abbildung 2). Im Vergleich dazu umfasst das Flugsurveygebiet im Rahmen des StUK3-Monitorings eine Fläche von km 2 mit einer geplanten Transektlänge von 520 km (Diederichs et al. 2010). Mit Ausnahme des Jahres 2008 wurden für jedes Jahr insgesamt fünf Flugsurveys geplant, wobei pro Survey aufgrund der großen Transektstrecke zwei Flugtage eingeplant werden mussten. Die Flugsurveys fanden je nach Wetterlage von März bis Oktober etwa alle zwei Monate statt. Bei den Schiffsurveys wurden 28 parallele Transekte mit einer Gesamtlänge von km über ein km² großes Gebiet designt, welches ebenfalls in der Mitte das Offshore- Testfeld alpha ventus einschließt (Abbildung 2). Um der natürlichen Variabilität in der Verteilung der Schweinswale entgegenzuwirken, wurden alle Schiffsurveys während des Frühlings ausgeführt (März / April; Ausnahme: August 2008). Während der Schiffsurveys wurde ferner ein Schlepphydrophon zur akustischen Detektion von Schweinswalen eingesetzt. Seite 25

26 Abbildung 2: Untersuchungsdesign der visuellen Surveys (Flugsurveys in Gebiet TF; das Untersuchungsgebiet der Schiffsurveys ist mit dem roten Kasten gekennzeichnet), Transekte der Flugsurveys sowie die Messpositionen für das statisch akustische Monitoring (rote Punkte, Messstellen 2 bis 23) bei alpha ventus. Für die Auswertung der Betriebsphase wurden die POD-Stationen des StUK3-Monitorings (T- und C-POD Positionen; grüne Punkte, Messstellen T1 bis T13) mit einbezogen (BioConsult SH, Hansen et al. 2013). BWII= Borkum West II; BO= BARD Offshore 1; BRG=Borkum Riffgrund. 9.2 Details zur Bauphase und zu Rammarbeiten bei alpha ventus Im Jahr 2008 wurde das Umspannwerk installiert und die vier Pfähle für das Jacket - Fundament wurden vom innerhalb von 880 Minuten in das Sediment getrieben. Vor dem Rammen der Pfähle wurden diese bis zu neun Meter tief mit einer Vibrationsramme eingerüttelt (Dauer ca. 8 bis 20 Minuten). Danach wurden sie mit einem hydraulischen Hammer (Typ Menck MHU500T) mit einer Rammenergie von bis zu 500 kj in den Untergrund getrieben (Betke & Matuschek 2011). Das gleiche Verfahren wurde für die ersten sechs OWEA vom (Typ Areva Wind M5000, Tripod-Konstruktion, 3 Pfähle pro Fundament) verwendet. Die Rammarbeiten für die Pfähle der Tripoden dauerten zwischen 376 und 802 Minuten pro Fundament (Nettorammzeit ohne Berücksichtigung von Pausen), wobei für jeweils drei Gründungspfähle Rammstöße benötigt wurden. Die übrigen Pfähle der anderen sechs OWEA-Fundamente (Typ REpower 5M, Jacket- Konstruktion, 4 Pfähle pro Fundament) wurden vom innerhalb von Minuten mit Rammstößen befestigt (Nettorammzeit pro Fundament). Die Dauer der Rammungen sind in Abbildung 3 dargestellt. Die Pfahldurchmesser lagen zwi- Seite 26

27 schen 2,4 und 2,6 Metern und die Pfähle wurden Meter tief in den Untergrund eingerammt. Das Einrammen der Gründungspfähle für die ersten sechs Fundamente für die OWEA des Typs Areva Wind M5000 (AV07-12) wurde durchschnittlich in weniger als 36 Stunden durchgeführt, während die Gründungsarbeiten für die verbleibenden sechs Fundamente für die OWEA des Typs REpower 5M (AV01-06) mehrere Wochen in Anspruch genommen haben. Die Abstände zwischen den Rammarbeiten liegen zwischen nur wenigen Minuten bis hin zu einem Maximum von mehr als 5 Tagen. Dauer (min) a) Areva Wind M5000 REpower 5M Dauer der Rammung exkl. 60 min Pausen Dauer der Rammung inkl. 60 min Pausen 0 Mai Jun Jul Aug Abbildung 3: Dauer der Rammungen der einzelnen Gründungspfähle im Rahmen der Installation der OWEA-Fundamente bei alpha ventus in Die Angabe der Rammdauer inklusive Rammpausen schließt Pausen von bis zu 60 Minuten Länge ein. Die Angabe exklusive Rammpausen enthält keinerlei Pausen. Eine Aufschlüsselung der Rammzeiträume und Schlagzahlen pro Fundament ist im Anhang, Tabelle A-4, enthalten. Zwei Geräte zur akustischen Vergrämung - Pinger und Seal Scarer - wurden vor den Rammarbeiten verwendet, um Schweinswale bzw. Robben aus potentiell gefährdeten Gebieten, in denen eine temporäre Hörschwellenverschiebung (TTS) für Schweinswale auftreten könnte, fern zu halten. Beide Vergrämer wurden gleichzeitig 30 Minuten vor den Rammarbeiten aktiviert. Dieses Konzept wurde jedoch während der Installation nicht durchgehend verfolgt. Darüber hinaus wurden die Vergrämer (a) nach den Rammarbeiten für die Fundamente der Areva Wind Turbinen und (b) mit dem Beginn der Rammarbeiten für die Fundamente der REpower Turbinen abgeschaltet. Daher müssen die Auswirkungen von Rammarbeiten als eine Kombination der Rammarbeiten an sich und den Auswirkungen von den akustischen Vergrämern gesehen werden. Dies gilt vor allem für nahe liegende Standorte, nicht für weit entfernt von der Baustelle liegende (diskutiert in Brandt et al. 2011). Die Lautstärke der Rammimpulse variierte für den Schallexpositionspegel (SEL) zwischen 154 und 175 db re 1 µpa²s in 750 m Entfernung (Betke & Matuschek 2011). Ein mittlerer Seite 27

28 SEL während des Tests eines Schallschutzsystems (Kleiner, gestufter Blasenschleier) bei einem der Tripod-Fundamente von 157 db re 1 µpa²s in einer Entfernung von 750 Metern wurde durch Beobachtungen in größerer Distanz zurückgerechnet (Test zur Lärmverminderung am , stärkste Verminderung um db in Strömungsrichtung). Ohne einen derartigen Schallschutz wurde der mittlere SEL mit 164 bis 170 db re 1 µpa²s in 750 Metern Entfernung bestimmt (Betke & Matuschek 2011). Es gab keine offensichtlichen Unterschiede des SEL zwischen den zwei Fundament-Arten. Für die Berechnung des Schallausbreitungsverlustes (Transmission Loss, TL) wird die empirische Formel von Betke & Schultz-von-Glahn (2008) für die Berechnung des Übertragungsverlusts (TL) verwendet: TL = ( log(f) + (2, f ) ) r) log (r) Formel 1 Ein SEL von db re 1 µpa²s in 750 m Entfernung ergibt, nach dieser Formel, einen SEL von db in 10 km Entfernung; db in 25 km und db in 50 km Entfernung für eine für Rammarbeiten typische Frequenz von 250 Hz. Betke & Matuschek (2011) merken jedoch an, dass diese Formel wahrscheinlich den Schallpegel in Entfernungen von mehr als 10 Kilometern überschätzt. 9.3 Linientransekterfassung Das Distance sampling beschreibt eine Reihe von Methoden zur Ermittlung der Dichte von Wildtierpopulationen. Für die Erfassung von marinen Säugetieren hat sich die spezielle Form der Linientransektbasierte Distance Sampling international etabliert. Grundannahmen dieser Methode sind, dass (a) die Wahrscheinlichkeit ein Tier zu sichten mit zunehmender Entfernung vom Transekt abnimmt und (b) nicht alle Tiere erfasst werden (Buckland et al. 2001). Die zuvor designten Transekte werden abgeflogen / mit einem Schiff abgefahren und die Distanzen aller Sichtungen zum Transekt werden exakt bestimmt. Um auf absolute Dichten schließen zu können muss der Anteil an verpassten Sichtungen bestimmt werden. Dieser Korrekturfaktor für verpasste Sichtungen, der sog. g(0)-wert bezeichnet die Wahrscheinlichkeit einer Sichtung auf dem Transekt (also mit der Distanz 0). Durch Tauchphasen der Schweinswale (availability bias) bzw. durch eingeschränkte Beobachtungsmöglichkeiten (perception bias) ist es sehr unwahrscheinlich, dass alle Tiere auf der Transektlinie verfügbar sind. Bei der klassischen Linientransekterfassung wird angenommen, dass g(0) = 1, und so käme es im Falle von marinen Säugetieren zu einer erheblichen Unterschätzung der Dichte, wenn der g(0)-wert nicht ermittelt werden würde. Zur Bestimmung können doubleobserver oder double-platform Surveys durchgeführt werden (s. unten). Mit Hilfe der (angepassten) Detektionsfunktion kann nun numerisch bestimmt werden, ab welcher Distanz von der Transektlinie ebenso viele Tiere verpasst wie gesehen wurden. Dieser kritische Kennwert, die effektive halbe Streifenbreite (esw), bildet die Grundlage für die effektiv beobachtete Fläche Durchführung der Flugsurveys Das eingesetzte Flugzeug vom Typ Partenavia P68 ist mit ausgewölbten Fenstern (sog. Bubbles ) ausgerüstet, die den Beobachtern eine freie Sicht auf die Wasseroberfläche ermöglichen. Das Surveyteam besteht aus drei Personen. Der Datenrekorder (Navigator) gibt Seite 28

29 alle Umwelt- / Sichtungsbedingungen sowie alle Sichtungen sekundengenau in eine speziell entwickelte Survey-Software ein; diese speichert die Zeit und die GPS-Position des Flugzeuges in Intervallen von 2 s. Die Umwelt- und Sichtungsbedingungen werden zu Beginn eines jeden Transekts von den beiden Beobachtern (Observer) bestimmt und deren Beschreibung bei jeglichen Veränderungen sofort angepasst. Dazu gehören u.a. Seegang (nach der Beaufort-Skala), Trübung des Wassers und die Reflexion der Sonne auf dem Wasser. Zudem schätzen die Observer unter Berücksichtigung aller zuvor genannten Umweltbedingungen die subjektive Sichtungswahrscheinlichkeit für Schweinswale als gut, moderat oder schlecht ein. Dies geschieht getrennt für jede Beobachterseite. Diese Einschätzung sowie eine standardisierte Aufnahme der Umweltbedingungen sind essentiell für eine spätere robuste Dichteermittlung. Alle Daten, die während der Sichtungswahrscheinlichkeit schlecht aufgenommen wurden, werden von der späteren Analyse ausgeschlossen. Für jede Sichtung werden folgende Informationen festgehalten: Sichtungswinkel, Gruppengröße, Vorkommen von Kälbern, Verhalten (z.b. Ruhen, Fressen), Schwimmrichtung, Sichtungsauslöser (z.b. Körper, Wasserspritzer), evtl. Reaktionen auf das Flugzeug sowie relevante Kommentare. Alle Informationen werden direkt über das Interkomm-System an den Navigator weitergegeben und registriert. Der g(0) Wert wird durch die racetrack-methode ermittelt (Hiby & Lovell 1998, Hiby 1999, Scheidat et al. 2008). Bei einem racetrack wird ein bestimmtes Segment des Transektes doppelt beflogen. Aus dem Verhältnis gesichteter Schweinswale zwischen erster und zweiter Überfliegung (leading leg / trailing leg) wird, unter Berücksichtigung mehrerer Faktoren (z.b. Schwimmgeschwindigkeit, möglicher Versatz der Sichtung), der g(0)-wert ermittelt. Nach einer Simulation bestimmt eine Software (racetrack.v2) die Duplikate (objektive Entscheidung). Den standardisierten Sichtungsbedingungen gut und moderat wird daraufhin ein individueller g(0)-wert zugeordnet. Die Abundanz N in einem Untersuchungsgebiet der Fläche A wird über Formel 2 bestimmt: N = A L (n gs + n ms ) s Formel 2 μ g μ m Dabei ist A die Fläche des Untersuchungsgebietes, L beschreibt den Suchaufwand (effektive Transektlänge in guten oder moderaten Sichtungsbedingungen), n gs und n ms stehen für die Anzahl Sichtungen in guten bzw. moderaten Bedingungen, μ g und μ m sind die dazugehörigen totalen effektiven Streifenbreiten (esw inkl. g(0)) in guten bzw. moderaten Bedingungen, s ist die mittlere Gruppengröße (siehe auch Scheidat et al. 2008, Hammond et al ). Zur Ermittlung der Dichten der einzelnen Surveys wurden die Abundanzen mit der Fläche des Untersuchungsgebietes dividiert. Die 95 %-Konfidenzintervalle sowie der Variationskoeffizient (VK) wurden mittels Bootstrapping bestimmt. Hierzu wurden die einzelnen Transekte als Stichproben benutzt und durch numerische Wiederholung immer wieder neue Stichprobenvergleiche durchgeführt. Seite 29

30 9.3.2 Durchführung der Schiffsurveys Visuelle Erfassung StUKplus-Endbericht Marine Säugetiere In den Jahren 2008 bis 2011 wurden fünf zehntägige Schiffsurveys durchgeführt, um eine detaillierte Erfassung der Schweinswalverteilung vor, während und nach der Bauphase im Nahbereich von alpha ventus zu gewährleisten. Die Durchführung der Surveys und die Aufnahme der Rohdaten folgte dem Feldprotokoll, das für SCANSII entwickelt wurde (SCANSII 2008, 2013). Im Folgenden wird die Methode kurz zusammengefasst und für weitere Details wird auf die Zwischenberichte zum StUKplus-Teilprojekt TiHo1 (Siebert et al. 2009, 2010, 2012a, b, 2013) sowie Hammond et al. (2013) verwiesen. Zur Bestimmung der Dichte der Schweinswale im Untersuchungsgebiet wurde die oben erwähnte Linientransekt-Methode angewandt (Buckland et al. 2001), die um eine Mark and Recapture Komponente erweitert wurde (MRDS, Buckland et al. 2004). Dabei wird das Beobachterteam der Primärbeobachter (primaries) auf dem Schiff um einen zusätzlichen unabhängigen Teamposten, die tracker, erweitert. Diese haben die explizite Aufgabe, weit entfernte Tiere vor den primaries zu entdecken und diese nach Möglichkeit mit einer Sichtung der primären Beobachter in Einklang zu bringen (Duplikat). Die Beobachtungsplattform der tracker ist dabei gegenüber den Primärbeobachtern erhöht. Die primaries befanden sich neben der Brücke in den Nocken und die tracker auf dem Brückendach. Verfügbarkeit (availability) und Wahrnehmung der Beobachter (perception) sind die relevantesten Quellen für Unsicherheit beim Distance Sampling. Während der Beobachterfehler (perception bias) durch die Anpassung der Wahrscheinlichkeitsfunktion g(x) durch erklärende Variablen kontrollierbar ist, ist der Verfügbarkeitsfehler (availability bias) im Rahmen einer klassischen Distance Sampling Analyse (CDS) in der Regel nicht bestimmbar. Durch die Anwendung des MRDS kann dieser availability bias durch die zusätzliche Information aus den Duplikaten zwischen tracker und primaries bestimmt werden und in einen angepassten g(0)-wert überführt werden (Buckland et al. 2004) Akustische Erfassung mit dem Schlepphydrophon Während schiffsgestützter Erfassungen von Schweinswalen kann parallel zur visuellen Erfassung ein Schlepphydrophon zur akustischen Detektion von Schweinswalen eingesetzt werden (Gillespie & Chapell 2002, Gillespie et al. 2005). Bei Schiffserfassungen kann die visuelle Erfassung nicht kontinuierlich durchgeführt werden (z.b. wegen Nebel, Dunkelheit, Schlechtwetter). Wenn die visuelle Erfassung auf Grund von schlechten Sichtverhältnissen nicht mehr erfolgen kann (ab 3 Bft.), kann das Schlepphydrophon weiter verlässlich bis zu einem Seastate von 7 Bft. eingesetzt werden. Die akustische Aufzeichnung von Schweinswalen ist zusätzlich eine wertvolle Ergänzung zur visuellen Erfassung, da auch Tiere, die vom visuellen Beobachter verpasst werden, akustisch detektiert werden können. So ergibt sich ein vollständigeres Bild der Präsenz der Schweinswale im jeweiligen Untersuchungsgebiet. Während der Ausfahrten wurden zwei Detektionssysteme verwendet: a) IFAW Harbour Porpoise Detector (HPD, in den Jahren 2008/2009) und b) IFAW Rainbow Click Porpoise Detector (RBC, in den Jahren 2010/2011, integriert in die Software PAMGUARD ). Beide werten die akustische Detektionen in Echtzeit aus ( Real time Detection Software ), um das erforderliche Speichervolumen zu verringern. Beim HPD werden die Schwingungsverläufe Seite 30

31 der Signale analog nachgezeichnet und digitale Trigger (d.h. Impulsauslöser) verwendet, um hohe Frequenzen auf 25 khz zu reduzieren und dann mit dem Programm Porpoise auszuwerten. RBC ist aus HPD entstanden, als sich die Computerleistungsfähigkeit verbesserte. Die beiden Systeme sind dabei vollständig kompatibel. Das Schlepphydrophon enthält drei Hydrophonelemente und einen Tiefensensor. Die drei Elemente haben bestimmte Abstände zueinander, so dass hochfrequente Klicks und niederfrequente Whistles (von anderen Zahnwalarten wie Großer Tümmler und Weißschnauzendelphin) aufgenommen werden können. Weitere Details zum Equipment, zur Analysesoftware und zur Datenauswertung können dem Zwischenbericht zum StUKplus-Teilprojekt TiHo1 für das Jahr 2011 (Siebert et al. 2012b) entnommen werden. 9.4 Statisch akustisches Monitoring Schweinswale nutzen charakteristische, hochfrequente Laute, um sich in ihrer Umgebung zu orientieren (Verfuß et al. 2005) und ihre Beute zu fangen (DeRuiter et al. 2009, Verfuß et al. 2009). Diese charakteristischen Echoortungslaute (Klicks) können mit Klickdetektoren aufgezeichnet werden. Klickdetektoren, wie z.b. T-PODs (Timing-POrpoise-Detectors, Chelonia Ltd.), arbeiten automatisch und können über mehrere Monate hinweg in den Untersuchungsgebieten eingesetzt werden. Deshalb eignen sie sich dazu, Aussagen zur Nutzung von Gebieten durch Schweinswale zu treffen. Dies wurde innerhalb von Umweltverträglichkeitsuntersuchungen (Carstensen et al. 2006) und innerhalb des Monitorings verschiedener mariner Naturschutzgebiete erfolgreich durchgeführt. T-PODs sind zuverlässig arbeitende Geräte, die trotz zunehmender Standardisierung (Dähne et al. 2006, Verfuß et al. 2013) individuelle Unterschiede in der Sensitivität aufweisen (Dähne et al. 2006, Kyhn et al. 2008, Verfuß et al. 2010, Kyhn et al. 2012, Dähne et al. 2013b). Von Chelonia Ltd. wurde 2008 ein neues Gerät, der C-POD (Cetacean-POD), vorgestellt. Die Produktion der T-PODs wurde mit Einführung des C-PODs eingestellt. C-PODs sind im Unterschied zu T-PODs (s.u.) keine Klickdetektoren im Sinne eines Energiedetektors. Sie registrieren tonale Laute im Frequenzbereich zwischen 20 und 200 khz und speichern verschiedene Lautparameter (Frequenz, Anzahl der Lautzyklen, Amplitude, Parameter der Hüllkurve). T-PODs dagegen registrieren Klicks, indem sie die Schallenergie von zwei Frequenzbändern vergleichen (90 und 130 khz) und beim Überschreiten eines bestimmten Schwellenwertes den Zeitpunkt des Schallereignisses und dessen Dauer aufzeichnen. T- und C-POD-Daten werden durch einen herstellerspezifischen Musterfindungsalgorithmus in der Software T- bzw. CPOD.exe nach Schweinswal-Lautsequenzen durchsucht. Die Messgeräte wurden mit Standardeinstellungen des Herstellers mit einem Hochpassfilter von 20 khz eingesetzt C-PODs Die vom Messgerät aufgenommenen Rohdaten werden auf einer SD-Karte in bis zu 1 GB großen Dateien abgespeichert. Beim Auslesen der Daten werden sie in ein Rohdatenfile (cp1-file) transferiert. In einem weiteren Schritt wird dann das cp1-file mit Hilfe eines Musterfindungsalgorithmus nach potentiell von Schweinswalen stammenden Sequenzen untersucht und gefiltert. Seite 31

32 Der Algorithmus (in diesem Bericht durchgängig der C-POD Version 1.054) ordnet die Lautsequenzen in verschiedene Klassen ein, die so genannten Train-Filter ("high" = Lautsequenzen, die mit hoher Wahrscheinlichkeit von einem Schweinswal stammen; "moderate" = Lautsequenzen, die mit mittlerer Wahrscheinlichkeit von einem Schweinswal stammen; "low" = es besteht ein statistisch signifikantes Risiko, dass die Lautserie eher zufällig entstanden ist und nicht von einem Schweinswal stammt; "?" = die Sequenzen sind sehr wahrscheinlich zufällig und keine Schweinswal-Lautsequenzen). Grundlage für die Zuordnung in diese spezifischen Klassen ist unter anderem die Frequenz, die Amplitude und die zeitliche Abfolge der registrierten Laute. Der Algorithmus wird beständig weiter entwickelt, um eine möglichst hohe Anzahl an Schweinswalsequenzen, bei gleichbleibender niedriger Fehlerrate (insbesondere der falsch identifizierten Sequenzen) zu erlauben. Die für diesen Bericht genutzte Version des Algorithmus wurde durchgängig für alle Berichte genutzt, um eine übergreifende Vergleichbarkeit zu gewährleisten. Ein Abgleich der Ergebnisse der automatischen Analyse mit den zuvor visuell identifizierten Lautsequenzen ("click-trains") zeigt, dass die Grundeinstellungen der automatische Analyse (high + moderate, C-POD.exe version 1.054) zu einem eher konservativen Ergebnis führen; es werden mehr Lautsequenzen verworfen, die der visuellen Analyse zufolge aber von einem Schweinswal stammen ("false negative"), als fälschlicherweise Signale als Lautsequenzen eines Schweinswals identifiziert werden ("false positive"), die bei einer visuellen Analyse als Fremdgeräusche identifiziert wurden (Siebert et al. 2010) Kalibrierung Die C-PODs wurden wie in den Zwischenberichten zum StUKplus-Teilprojekt TiHo1 (Siebert et al. 2010, Siebert et al. 2012a,b) beschrieben kalibriert, um sicher zu stellen, dass sie im Feld bei einem längeren Einsatz sachgerecht funktionieren und die gewonnenen Daten verschiedener Geräte vergleichbar sind. Zunächst wurde eine horizontale Kalibrierung zur Bestimmung der Empfangsrichtcharakteristik des Gerätes vorgenommen, um zu überprüfen, ob der POD radiärsymmetrisch ist. Anschließend wurden die Empfangsschwellenwerte auf vier Positionen von je 90 Unterschied bestimmt, um den Schalldruckpegel zu ermitteln, bei dem das Gerät nur noch 50 % der ausgesandten Klicks aufnimmt (50/50 Detektionsschwelle). Serien mit 100 Signalen pro Paket in den Frequenzen 60 bis 150 khz werden mit einer abnehmenden Amplitude ausgesandt und gleichzeitig vom CPOD aufgezeichnet. Die Methode wird in Dähne et al. (2013b) beschrieben. Die C-PODs (v0 und v1) wurden vor der Ausbringung, bei Auftreten von Schwierigkeiten während der Datenaufnahme und nach Beendigung des Projektes im Deutschen Meeresmuseum kalibriert. Beispielhaft sind in Abbildung 4 die Ergebnisse von insgesamt 25 C-PODs der Versionen V0 und V1 dargestellt. Die V0-C-PODs zeigen in diesem Fall eine etwas geringere Sensitivität von 120 bis 140 khz. Seite 32

33 V0 V1 Receiving level (db re 1 µpa pp ) khz 110 khz 120 khz 130 khz 140 khz Frequency Abbildung 4: Ergebnis-Werte der 50/50 Detektionsschwelle. Eine Differenzierung nach C-POD Version: V0 (weißer Boxplot, n=11 C-PODs) und V1 (grauer Boxplot, n=14 C-PODs) ist erfolgt. Die Hörschwelle wurde für die Frequenzen 100 bis 140 khz ermittelt Ausbringungsdesign der C-PODs C-PODs wurden in einem Areal von 80 x 30 km von der niederländischen Grenze zwischen den zwei Verkehrstrennungsgebieten bis zur Jade Ansteuerung in einem Gradienten Design ausgebracht (Abbildung 2). Die einzelnen C-PODs wurden zwischen den Stationen rotiert, um den eventuell durch die unterschiedlichen akustischen Eigenschaften verursachten Messfehler auszugleichen. Die nördliche und südliche Grenze wurde dabei durch die Verkehrstrennungsgebiete Terschelling und Ansteuerung Deutsche Bucht gebildet. Dieses Design ermöglichte es, potentielle Gradienten entlang eines Ost-West Transektes (parallel zur Küstenlinie) und eines Nord-Süd Transektes (mit zunehmender Wassertiefe) festzustellen. Die Positionen auf dem Ost-West Transekt wurden dabei so gewählt, dass sie gleiche Abstände zu den Verkehrstrennungsgebieten aufwiesen, um einen potentiellen Einfluss durch Schifffahrtslärm zu minimieren. Seite 33

34 Abbildung 5: Darstellung des schematischen Aufbaus einer Messposition. Nach anfänglich hohen Verlusten konnten mit diesem System bei geringen Verlustraten verlässliche Daten erhoben werden. Die C-PODs wurden 10 m über dem Grund in Wassertiefen zwischen 25,5 und 34,5 m ungefähr in der Mitte der Wassersäule ausgebracht, um eventuelle Einflüsse von Wellen- und Sedimentgeräuschen zu reduzieren. Die Verankerung wurde in Kooperation zwischen dem ITAW (damalige Arbeitsgruppe Marine Ökologie der Säuger und Vögel am FTZ - Forschungs- und Technologiezentrum Westküste, CAU Kiel), dem BSH und dem Deutschen Meeresmuseum (DMM) entwickelt. Diese erlaubt es, das Messgeschirr auch von kleinen Schiffen mit einem Kran oder einer Winsch zu bergen, zu überprüfen und auszubringen. Die Arbeiten des POD-Wechsels wurden zwischenzeitlich mit Tauchern durchgeführt. Obwohl dieser Ansatz viele Vorteile hat, ist die Bergung des gesamten Messgeschirres bei jedem Einsatz vorteilhaft, da nur so alle Metallverbindungen und Seilverbindungen auf eventuelle Schadstellen hin überprüft werden können und ein Austausch ermöglicht wird. 9.5 Messgrößen Innerhalb des statisch akustischen Monitorings werden die Ab- und Anwesenheiten von Schweinswalen in der Umgebung eines Schweinswaldetektors erfasst. Für die Analysen werden unterschiedliche Einheiten der Anwesenheit von Schweinswalen genutzt. Um einen generellen Überblick über größere Zeiträume zu erlangen bieten sich die Einheiten Detektionspositive Stunden pro Tag oder Monat (dph/d, dph/m) und Detektionspositive Zehn Minuten pro Tag (dp10min/d) in der Nordsee an. Diese Einheiten geben den relativen Anteil der Zeiträume mit Schweinswal-Detektion am Observierungszeitraum an. Der Begriff Detektionspositive Zeiteinheit wird an dieser Stelle bewusst gewählt, da die Detektionen nur durch eine automatische Prozessierung erzeugt und nicht visuell verifiziert werden, wie in Gallus et al. (2012) beschrieben und dann als Schweinswalpositive Zeiteinheit bezeichnet wird. Für höher aufgelöste Analysen, wie sie z.b. für die Bauphase notwendig sind, sind die Einheiten Seite 34

35 Detektionspositive Zehn Minuten pro Stunde (dp10min/h) und Detektionspositive Minuten pro Stunde (dpm/h) geeignet. Da die Rammereignisse nur wenige Stunden andauern, würde eine gröbere Auflösung die Effekte unterschätzen, da dann beeinflusste und unbeeinflusste Zeiten gemischt werden würden. Hierbei muss beachtet werden, dass der Einfluss der individuellen Sensitivität und Richtcharakteristik der Messgeräte mit kleiner werdenden Auswertungsintervallen höher wird (Verfuß et al. 2010). Für die Erfassung der Abwesenheit von Schweinswalen hat sich die Einheit waiting time (WT) bewährt. Diese Größe bezeichnet das Zeitintervall zwischen zwei Schweinswalereignissen, die in einem zeitlichen Mindestabstand von 10 Minuten registriert werden. Schweinswalregistrierungen, die in einem Abstand von unter 10 Minuten aufgezeichnet werden, werden als encounter bezeichnet und stammen mit hoher Wahrscheinlichkeit von den gleichen Tieren. Die Einheit waiting time wird dazu genutzt, die zeitliche Dauer eines möglichen Effekts durch Rammarbeiten zu quantifizieren (Carstensen et al. 2006, Tougaard et al. 2009a, Dähne et al. 2013a). In diesem Zusammenhang muss das Bus-Paradoxon (Ito et al. 2003) beachtet werden. Das Bus-Paradoxon besagt, dass wenn man zu einer zufälligen Zeit an einer Bushaltestelle eintrifft, die Wahrscheinlichkeit, dass man länger auf den Bus warten muss, wenn er unregelmäßig verkehrt, erhöht ist, weil Zeiten aus längeren Intervallen häufiger sind, als aus kurzen Intervallen. Dies bedeutet, dass ein Vergleich der waiting times der Rammphase nur mit einer zufälligen Stichprobe zulässig ist, die durch Randomisierung des Zeitpunktes und darauf folgender Wahl der zugehörigen waiting time erfolgt ist. Eine zufällige Wahl der waiting time allein ist nicht zulässig. 9.6 Statistische Auswertungen und Modellierung von visuellen und akustischen Daten Bauphase Räumliche Modellierung der visuellen Daten Eine räumliche Modellierung der Schweinswaldichten erlaubt eine kleinräumige Darstellung der Dichteverteilung von Schweinswalen sowie eine Effektanalyse verschiedener extrinsischer Faktoren, wie zum Beispiel den Einfluss von Rammereignissen auf die beobachtete Verteilung von Schweinswalen im Untersuchungsgebiet. Zur Erstellung eines räumlichen Modells der Schweinswaldichte wurden die Ergebnisse der Flugerfassungen der Jahre 2008 bis 2012 tagegenau 7 x 7 km großen Rasterzellen räumlich zugeordnet und mit den abiotischen Faktoren Distanz zur Küste (distk) und Wassertiefe (tiefe) verknüpft. Zusätzlich wurde aus dem jeweiligen Flugdatum eine eindeutige jahreszeitliche Zuordnung des Flugtages erzeugt (Frühling: März bis Mai; Sommer: Juni bis August; Herbst: September bis Oktober; Faktor saison). Die Dichten der daraus resultierenden räumlichen Raster wurden in einem nächsten Schritt mit Hilfe eines verallgemeinerten additiven Modells (GAM, Verteilung: quasipoisson) mittels der Programmbibliothek mgcv (Wood 2011) in R Version (R Core Team 2013) modelliert und durch den Vergleich der Residuen zu den beobachteten Flugdaten validiert. In die Datengrundlage der Modellierung gingen nur jene Rasterzellen ein, in denen die Flugstrecke 4 km und der effektive Suchaufwand > 0 km² war. Da einige wenige Rasterzellen sehr hohe Dichten aufwiesen, wurden für die Modellierung Zellen jenseits von Dichten höher als 20 Ind./km² als Ausreißer ausgeschlossen (13 Zellen, 0,3 % der Daten). Eine Inspektion der Daten ergab eine starke Kollinearität zwischen Distanz zur Küste (distk) Seite 35

36 und geografischer Breite (lat) sowie zwischen der mittleren Tiefe der Rasterzelle (tiefe) und geografischer Länge (lon). Diese Feststellung wurde durch den Varianzinflationstest (Marquardt 1970, Dormann et al. 2013) vif aus der Programmbibliothek HH (Heiberger 2013) bestätigt (Tabelle 1). Tabelle 1: Darstellung der Varianzinflation (VIF) jeder numerischen Variable; ein Wert > 10 spricht stark für eine Ko-Linearität und somit für eine ausreichende Abdeckung durch eine andere Variable. In diesem Fall führte das Entfernen von distk zu einer nahezu vollständigen Auflösung der Kollinearität. lat lon v_tiefe tiefe distk 201,02 26,17 1,94 10,16 226,11 7,26 1,26 1,89 9,14 - Rammereignisse innerhalb eines 48 h Intervalls vor dem Flugtag wurden als boolesche faktorielle Variable modelliert mit den Ausprägungen: WAHR: Ein Rammereignis fand in einem 48 h Intervall vor Ende des Flugtages statt. FALSCH: Es fand KEIN Rammereignis in einem 48 h Intervall vor Ende des Flugtages statt. Es wurden sowohl Rammereignisse in alpha ventus, als auch in BARD Offshore 1 und Borkum West II berücksichtigt (Variable Rammung). Aufgrund der diskreten räumlichen Verteilung der Dichten in geografisch eindeutigen Rasterzellen wurden die Daten durch ein Markov-Random-Field (MRF, Kindermann et al. 1980) modelliert, welches die räumliche Nachbarschaft zwischen den Rasterzellen berücksichtigt. Es wurden zwei Modelle erstellt, einmal nach Jahreszeit und einmal nach Jahr gruppiert. Die Modellierung der individuellen Rasterzelle (Cell.ID) inklusive der Nachbarschaftsstruktur wurde als Markov Random Field smoother (mrf), die durchschnittliche und die Varianz der durchschnittlichen Tiefe (tiefe, v_tiefe) der Rasterzellen wurden als Thin plate smoother (tp) modelliert. Der Flugtag (day_id) wurde als random effect smoother (re) des GAM modelliert (siehe Wood 2006). Seite 36

37 Tabelle 2: Darstellung der verwendeten Variablen im räumlichen Modell der Schweinswaldichte sowie deren Bedeutung. Name Cell.ID lat lon disk tiefe v_tiefe day_id Rammung saison Erklärung Eindeutige Identifikationsnummer der Rasterzelle Breitengrad Längengrad Distanz vom Mittelpunkt der 7x7 km Zelle zur Küstenlinie in Metern Durchschnittliche Tiefe der 7x7 km Zelle in Metern Varianz der Tiefe innerhalb der 7x7 km Zelle Eindeutige Zuweisung des Flugtages Zweistufige Variable, die ein Rammereignis in einem 48h Intervall vor dem Flugtag indiziert (WAHR / FALSCH) Jahreszeit der Befliegung (Frühjahr, Sommer oder Herbst) jahr Jahr der Befliegung (2008, 2009, 2010, 2011, 2012) Modelle der Schweinswalaktivität (Akustisch) Für die statistische Auswertung wurden die Daten als Detection Positive Minutes (dpm) pro 10 min Intervall und als Train Details (TD) exportiert. Aus den dpm wurden per Datenbankabfrage aus MS Access und R-Skript (R , R Development Core Team 2011) die dp10min/h, dp10min/d und dpm/h bestimmt. Die Tage des Jahres wurden als Julianische Tage (J Tag) durchnummeriert und einzelnen Rammperioden durch ein Visual-Basic Skript zugeordnet. Die dp10min/d wurden mit einer quasi-parameter- und verteilungsfreien Regressionsanalyse (Verallgemeinertes Additives Modell GAM, Hastie & Tibshirani 1990, Wood 2006, Keele 2008) modelliert. Für jede Station wurde ein GAM berechnet um eine Trendanalyse der Daten durchzuführen, wobei der Vergleich zwischen den Zeiteinheiten mit Rammung und solchen ohne Rammung im Vordergrund stand. Dabei war dp10min/d die abhängige, und Julianische Tage die unabhängige Variable. Der modellierte Mittelwert der dp10min/d wird dann durch die prediction, d.h. die Vorhersage des Modells, dargestellt. Anhand der resultierenden Kurven und deren Konfidenzintervallen wird ersichtlich, inwieweit die Perioden an denen gerammt wurde, signifikant geringere dp10min aufweisen als solche, während denen nicht gerammt wurde. In einer weiteren Modellierung wurden die dp10min/h in Abhängigkeit von der Stunde des Tages, Jahr, Monat und dem binären Faktor Rammung ebenfalls per GAM für jede Station einzeln modelliert (s. Zwischenbericht zum StUKplus-Teilprojekt TiHo1 für das Jahr 2010, Siebert et al. 2012a). Erschwerend für die Interpretation der Daten ist, dass die Nutzung des Gebietes durch Schweinswale einer erheblichen saisonalen Schwankung unterliegt (Gilles et al. 2009, 2011a). Das zeitliche Minimum dieser saisonalen Schwankung ist nahezu deckungsgleich mit der Rammphase in Für alle Tests wurde ein Signifikanzniveau von α = 0,05 angesetzt. Seite 37

38 Auswirkungen der Rammaktivitäten auf die dp10min/h Generalisierte Additive Modelle (GAM, Hastie and Tibshirani 1990, Wood 2006) wurden für jede Station individuell berechnet, um den Effekt der Rammaktivitäten (Stunden mit und ohne Rammung von 2008 bis 2010, Vergrämungszeiträume wurden nicht berücksichtigt) auf die dp10min/h zu ermitteln. Die abhängige Variable waren in diesem Fall die dp10min/h unter Annahme einer Poisson-Verteilung korrigiert für Überstreuung (Overdispersion) durch ein quasi-gam Modell. Die unabhängigen Variablen waren Jahr als faktorielle Variable (F), Monat und Stunde als thinplate smoothing splines (f) und Rammung als binäre faktorielle Variable (B) um den Einfluss dieser Parameter auf die abhängige Variable zu überprüfen: E [dp10mini /h] = F(Jahr i ) + B(Rammung i ) + f(stunde i ) + f(monat i ) Formel Dauer des Effekts Die zweite Analyse wurde durchgeführt, um die Dauer des Effekts festzustellen. Hierfür wurde die waiting time (WT) als Maß für die Abwesenheit von Schweinswalen im Untersuchungsgebiet verwendet. Der Einfluss der Rammung auf die WT wurde mittels eines generalisierten linearen gemischten Modells (GLMM, McCullagh & Nelder 1989) überprüft. Hierbei wurde die erste WT nach der Rammung als abhängige und Monat und POD Position als Zufallsvariable (random factor, re) ins Modell aufgenommen, um Variation, die durch geografische oder saisonale Unterschiede verursacht wurde zu kompensieren. Die Dauer der Rammung inklusive von bis 60 Minuten dauernden Pausen wurde (als Faktor) ebenfalls aufgenommen, um zu überprüfen, ob die Dauer der Rammung die erste WT beeinflusst: E [erstewti ] = F(Dauer i ) + re(position i ) + re(monat i ) Formel 4 Die Signifikanz des Modells wurde durch einen log-ratio Test ermittelt und das Modell durch Plots der Residuen und durch q-q Plots (Quantil-Quantil Diagramme) überprüft (Bates et al. 2011). In einem folgenden Schritt wurden die WTs von 2010 und 2011 als Basisdaten genutzt, unter der Annahme, dass die Auswirkungen der Betriebsphase geringer sind, als die Vertreibungseffekte während der Bauphase. Das Jahr 2011 war das erste Jahr, in dem die Anlagen voll betrieben wurden und erstmals unter reduziertem Schiffsverkehr (2010 noch erhöht durch letzte Arbeiten an den Turbinen). Um das Bus-Paradoxon zu kompensieren, wurden aus den vorliegenden Daten für die Jahre 2010 und 2011 zufällig 500 WT separat für jeden Monat mittels Bootstrapping gezogen, um eine unbeeinflusste Stichprobe für die erste WT, die nicht von einer Rammung beeinflusst wurde, zu erhalten. Dementsprechend wurde der Einfluss der Rammungen anhand der binären Variable Rammung, unter Berücksichtigung der saisonalen und geografischen Variabilität durch die Zufallsvariablen Monat und Position, modelliert. Monate, in denen keine Rammungen stattfanden, wurden ausgeschlossen, um die Analyse auf die Rammzeiträume zu beschränken. Alle GLMMs wurden unter Annahme einer Poisson-Verteilung berechnet: E [erstewti ] = B 1 (Rammung) + re 1 (Position i ) + re 2 (Monat i ) Formel 5 Seite 38

39 Um eine potentielle zeitliche Autokorrelation zu berücksichtigen wurde eine Autokorrelationstruktur basierend auf autoregressiver gleitender Durchschnittsbildung (ARMA) für Residuen im Packet nlme (Pinheiro et al. 2011) implementiert Vertreibung von Schweinswalen aus dem Untersuchungsgebiet In einer dritten Analyse wurde die berechnete Distanz der POD-Position von jedem Rammort (dist in km) auf signifikante Einflüsse auf die Schweinswalregistrierungsraten durch Verwendung von zwei gemischten generalisierten additiven Modellen (GAMM, Lin & Zhang 1999, Wood 2006) überprüft. Hierbei wurden die dp10min (Einzelwerte als binäre Variable) in Abhängigkeit von dist (mit vier Freiheitsgraden) modelliert. Die Position und der Monat wurden wiederum als Zufallsvariablen zur Kompensierung von saisonalen und geografischen Effekten eingebunden. Ein Modell wurde dabei von den Daten unter Einfluss der Rammung und eines ohne Rammereignisse berechnet: E [dp10mini ] = f 1 (dist i ) + re 1 (Position i ) + re 2 (Monat i ) Formel 6 Die Vorhersagen dieser Modelle wurden als Grafik dargestellt, um den Vertreibungseffekt zu illustrieren. Alle Analysen wurden unter R (R Development Core Team 2011) mit den Bibliotheken lme (Bates et al. 2011), nlme (Pinheiro et al. 2011) und mgcv (Wood 2011) durchgeführt Vor der Bauphase, während Bau- und Betriebsphase Bayesische Trendanalyse der visuellen Daten Um einen Eindruck über die generelle Entwicklung der Schweinswalpopulation in der südlichen deutschen Nordsee zu bekommen, wurden Daten aus Flugsurveys für Schweinswale von 2002 bis 2012 herangezogen. Der im Rahmen des StUKplus-Teilprojekts TiHo1 erhobene Datensatz wurde um MINOS-Daten sowie die Daten des BfN-Monitorings erweitert (Gebiet D bzw. DW und DE, siehe Gilles & Siebert 2009, 2010, Gilles et al. 2009, 2011b, 2012). Es gab demnach sechs unbeeinflusste Jahre ( ) und fünf Jahre ( ), in denen schallintensive Rammarbeiten in alpha ventus und später in den Gebieten der Offshore-Windparks BARD Offshore 1 und Borkum West II stattfanden. Für die statistische Auswertung wurde ein Bayesischer Ansatz gewählt. Darunter verbirgt sich eine eigene statistische Philosophie (Bayes Theorem), die, anders als die frequentist - Methoden (also auf Häufigkeiten beruhende) keinen konzeptionellen Unterschied zwischen abhängigen und unabhängigen Variablen macht. Stattdessen wird die gemeinsame posterior distribution durch iterative Monte Carlo Markov Chains (MCMC) ermittelt (King et al. 2010). Ein zentraler Gedanke ist die Nutzung von Vorinformationen, sei es aus früheren Experimenten oder aus Expertenwissen. Dies steht im Gegensatz zu den üblichen likelihood Verfahren. Bayesische Modelle haben den großen Vorteil, keine strengen Annahmen über die Verteilung der Daten zu machen (King et al. 2010). Sie sind also gut geeignet für Datensätze, die die Annahmen der meisten statistischen Tests nicht erfüllen (z.b. durch Varianzinhomogenität, Abhängigkeit der Stichproben, Überschuss an Nullwerten, Verhältnis Mittelwert zu Varianz 1). In einer Metaanalyse zum Trend von Populationsentwicklungen mariner Säugetiere wurde gezeigt, dass in 78 % der Studien selbst ein Rückgang der Populationsgröße von mehr als 50 % statistisch nicht nachweisbar Seite 39

40 war (Taylor et al. 2007). Es wurde empfohlen Bayesische Modelle heranzuziehen, um die statistische Schärfe zu erhöhen. In aktuellen Studien zu marinen Säugern finden Bayesische Modelle immer häufiger Anwendung. Sie können u.a. eingesetzt werden, um Trends in der Abundanz zu modellieren (z.b. Moore & Barlow 2011) und den Erfolg von marinen Schutzgebieten vorherzusagen bzw. zu überprüfen (Gerrodette & Rojas-Bracho 2011, Gormley et al. 2012). Die statistischen Analysen wurden in R (R Core Team 2013) durchgeführt. Die Bayesischen Modelle sind in der Funktion MCMCglmm in der gleichnamigen Programmbibliothek (Hadfield 2010) implementiert. In Bayesischen Modellen wird ein Prior definiert, der den parametrischen Raum vorgibt. Wenn Vorstudien vorliegen, kann Vorwissen darin einfließen, aber in den meisten Fällen wird ein parametrischer Raum definiert, der sehr weite Grenzen setzt. Dafür wird häufig die inverse-wishart Verteilung gewählt, die, bei den Zufallsfaktoren die Varianz für die R und G Strukturen (für R - Residuen und G - Zufallsfaktor) auf eins fixiert, mit einem niedrigen parameter of believe (nu=0,002) der den vorgegebenen Werten der prior distribution eine geringe Gewichtung beimisst. Bei den Haupteffekten wird der umgekehrte Ansatz gewählt: In der sogenannten B-Struktur wird der Varianz ermöglicht sehr große Werte anzunehmen, indem die Varianz auf einen hohen Wert begrenzt wird (1.000 in diesem Fall). Dafür wird der µ-wert (Mittelwert) auf 0 gesetzt. Bei offset-parametern zur Gewichtung der Intensität der Stichprobennahme, wird wiederum der Parameter auf 1 mit einem sehr kleinen Wert für die Varianz (1*10-9 ) festgelegt. Bei der vorliegenden Modellierung entspricht die Antwortvariable der Anzahl Schweinswale pro Transekt, daher wurde der Aufwand, also die effektive Transektlänge, die detection probability und der g(0)-wert als offset gewichtet. Für Zählwerte (count data) wird die Poisson Verteilung angenommen, die bei MCMCglmm eine eigene latente Variable erhält, die Varianz/ Residuen berechnet und sich hinter der Bezeichnung units verbirgt. Im klassischen Poisson GLM wird ein Verhältnis von Mittelwert zu Varianz von 1 angenommen, bei dem overdispersion häufig zu einer Überschätzung des tatsächlichen Effektes führt. Um einen Trend in der Schweinswaldichte zu testen, wurden zwei Ansätze gewählt: In einem 1. Modell sollten ein linearer Zusammenhang zwischen Jahr und Schweinswaldichte sowie räumliche und saisonale Effekte analysiert werden. Im 2. Modell wurden Änderungen der Dichte zum Referenzjahr 2002 für alle weiteren Jahre getestet. 1. Modell: Saisonale Effekte wurden mit einem (1) Day of the year term getestet. Diese kontinuierliche Variable zeigt eine bessere Auflösung als Monat oder die Jahreszeit. (2) Der mittlere Längengrad (lon) für jedes Transekt wurde bestimmt, um räumliche Strukturen zu entdecken. (3) Jahr wurde als kontinuierliche Variable getestet, um einen linearen Trend zu ermitteln. (4) Eine Interaktion zwischen lon:jahr wurde eingefügt, um mögliche regionale Unterschiede zwischen den Trends zu testen. 2. Modell: Es wurde eine Teilprobe ausgewählt ( Westen und Frühling ). Da sich alpha ventus im westlichen Gebiet befindet und dort auch die meisten Flugsurveys stattgefunden haben, wurde nur das westliche Gebiet ausgewählt (5,9-7,3 O). Zudem wurden im Frühling, mit der Ausnahme von 2004, die Surveys lückenlos von 2002 bis 2012 ausgeführt. Somit kann die größtmögliche Vergleichbarkeit zwischen den Jahren gewährleistet werden. In diesem Test wurde nur Jahr als Faktor integriert. Somit wird 2002 als Referenzjahr betrachtet und Unterschiede der anderen Jahre zu 2002 berechnet. Seite 40

41 Als Zufallsfaktoren wurde das Transekt in beide Modelle integriert, um Pseudoreplikation und räumliche Autokorrelation zu minimieren. Um eine ausreichende Anzahl an Stichproben der posterior distribution zu ermöglichen, waren Iterationen notwendig. Das sogenannte thinning interval wurde auf 500 gesetzt, um Autokorrelation zwischen aufeinander folgenden Iterationen zu vermeiden und die burn in period wurde auf Iterationen gesetzt. So bleibt eine Stichprobenanzahl von 950, um MCMC Signifikanzwerte zu bestimmen Modellierung der akustischen Registrierungsraten Modellierung des Einflusses des OWEA-Betriebs auf Schweinswale Für die Bestimmung des Effektes des Betriebes der Offshore-Windkraftanlagen auf Schweinswale wurden zwei Modelle mit GAMLSS (Generalized Additive Models for Location, Scale and Shape; Rigby & Stasinopoulos 2005) mit R (R Development Core Team 2011) berechnet. Im Rahmen der Modellierungen wurden hierfür ebenfalls GAMs mit mgcv (Wood 2011) und GAMMs gamm4 (Wood & Scheipl 2013) getestet, die z.t. mit dem unbalancierten Datensatz umgehen konnten, jedoch extrem lange Rechenzeiten erforderten. Innerhalb der Modellierung stellte sich heraus, dass der Datensatz des Jahres 2011, für den alle notwendigen Zusatzinformationen (Windgeschwindigkeit und Energieerzeugung der OWEA) vorlagen, nur sehr wenige Zeiträume aufweist, in denen die Anlagen nicht in Betrieb waren (n=310 Stundenperioden). Dementsprechend wurde beschlossen, aus dem Datensatz für die Zeiträume an denen die Anlagen in Betrieb waren, eine zufällige Stichprobe gleicher Größe (n=310) zu ziehen und die Modellierung mit dieser Stichprobe durchzuführen. Für diese beiden Stichproben wurden separat nullbeeinflusste binominale Modelle berechnet, in denen die dph als abhängige Variable und die kürzeste Distanz des PODs zu einer Windturbine, Windgeschwindigkeit und die Anzahl aller aufgezeichneten Klicks (ohne Klassifizierung hinsichtlich von Schweinswalregistrierungen) in 4 Klassen von Klicks pro Stunde (alle Ereignisse über Klicks wurden verworfen) als unabhängige Variablen genutzt wurden: E [dphi ] = f 1 (dist i ) + f 2 (wg i ) + F 1 (Nall/h i ) Formel Modellierung des Einflusses der Betriebsphase von alpha ventus auf die Detektionsraten von Schweinswalen im Rahmen einer ökologischen Modellierung Im Rahmen dieser Untersuchung ist die Frage zu klären, inwiefern Effekte der Betriebsphase auf Schweinswale sich in den POD-Daten widerspiegeln. Da die Betriebsphase einen langen Zeitraum beschreibt, der im Idealfall mehrere Jahre umfasst, ist dabei abzuklären, ob ein gradueller Anstieg/Abfall in den Detektionsraten zu verzeichnen ist. Im Rahmen der SCANS-Untersuchungen wurde eine generelle Verlagerung der hauptsächlichen Aufenthaltsgebiete festgestellt (Hammond et al. 2002, 2013). Eine solche Verlagerung, wie auch die Veränderung von anderen Umweltfaktoren kann ebenfalls zu einem graduellen Anstieg/Abfall in einem Modell der Schweinswalregistrierungsraten führen. Insofern ist es essentiell notwendig für eine Beurteilung der Betriebsphase eines oder mehrerer Windparks eine ökologische Modellierung unter Berücksichtigung von Umweltfaktoren durchzuführen. Seite 41

42 Für diese ökologische Modellierung wurden Daten aller verfügbaren POD-Positionen, inklusive der StUK3-Daten (Diederichs et al. 2010, Höschle et al. 2011, Hansen et al. 2013), ausgewertet. Die Daten wurden für diesen Bericht als dpm/d ausgewertet und mit verschiedenen Umweltparametern verschnitten, eine Modellierung mit den dp10min/d verursachte numerische Probleme der genutzten Modelle. Die Entscheidung, die Werte pro Tag zu aggregieren, wurde getroffen, weil ein Teil der Umweltdaten (z.b. Chlorophyll) nur als Tageswerte zur Verfügung standen. Die genutzten Umweltparameter sind in zusammengefasst. Tabelle 3: Verfügbare Modellvariablen, die für die Modellierung aufbereitet wurden. In der Spalte Genutzt steht X für im Modell getestet; NA = viele fehlende Werte, deshalb im Endmodell nicht berücksichtigt; num. prob = Parameter führte zu numerischen Problemen im Modell. Variablennamen anderer Variablen (z.b. Ram, Sandfine, WT) = Variable korrelierte zu mehr als r = 0,75 (Pearson Metrik) mit der genannten Variablen und wurde daher verworfen. Parameter Einheit Bestimmt durch Quelle Genutzt Windparkrelevante Daten Distanz zu Rammung km Berechnung der individuellen Distanzen zwischen der POD- Position und den Einzelfundamenten der Windparks Trianel Borkum West II (BW II), BARD Offshore 1 und alpha ventus Pinger BW II Einsatzzeiten des Pingers bei BW II BSH Ram Pinger av Einsatzzeiten des Pingers bei alpha ventus BSH Ram Seal Scarer BW II Einsatzzeiten des Seal Scarers bei BW II BSH Ram Seal Scarer av Einsatzzeiten des Seal Scarers bei alpha ventus Rammung alpha ventus Rammzeiten BW II BSH Rammung BW II Rammzeiten BW II BSH/Trianel Rammung BARD Rammzeiten BARD Offshore 1 BSH/IBL/BARD Power On Zeiten, an denen die OWEA bei alpha ventus in Betrieb waren Statische Variablen BSH BSH/AV gravel % Prozentualer Anteil der Korngrößenfraktion BSH Sandfine Sand Coarse % Prozentualer Anteil der Korngrößenfraktion BSH Sandfine Sand Medium % Prozentualer Anteil der Korngrößenfraktion BSH Sandfine Sand Fine % Prozentualer Anteil der Korngrößenfraktion BSH X Wassertiefe m Bathymetrie BSH X Steigung (Slope) - Abgeleitet aus der bathymetrischen Karte BSH X Dynamische Variablen Chlorophyll m Satellitenbilder Cosyna X (NA) Chlorophyll s Satellitenbilder Cosyna NA Chlorophyll v Satellitenbilder Cosyna NA CHL s Kalibrierungsnummer Daten lagen nur für C-PODs des StUKplus- Projektes vor Detektionsschwelle db re µpa Gemessen bei 130 khz, bestimmt durch die lineare Regression (beschrieben in Dähne et al. 2013) Windrichtung Gemessen MARNET X (ns) Windstärke m/s Gemessen MARNET X Lufttemperatur m Messdaten (14 m Höhe) MARNET WT Luftdruck hpa Messdaten MARNET ns Wassertemperatur flach C Messdaten (6m Tiefe) MARNET X DMM DMM X Ram X X X X Seite 42

43 Tabelle 3 Fortsetzung StUKplus-Endbericht Marine Säugetiere Parameter Einheit Bestimmt durch Quelle Genutzt Wassertemperatur tief C Messdaten (30m Tiefe) MARNET WT Nall klicks/h Anzahl aller Klicks pro Stunde gemessen am C-POD C-POD Messung Salinität tief PSU Gemessen in 30 m Tiefe MARNET X Salinität flach PSU Gemessen in 6 m Tiefe MARNET Sal Sauerstoffsättigung tief % Gemessen in 30 m Tiefe MARNET X (ns) Sauerstoffsättigung flach % Gemessen in 6 m Tiefe MARNET O2 Jahr Zeitvariablen X Num prob Tag des Jahres Tag 1-365/ 366 WT Tag Num prob Julianischer Tag Bestimmt seit Anfang der Untersuchungen X (ns) Einige der aufbereiteten Variablen konnten aufgrund direkter Korrelationen (Multikollinearität, Zuur et al. 2010) nicht genutzt werden (z.b. konnte von der Wassertemperatur nur die oberflächennah gemessene Variable genutzt werden). Die für die Modellierung letztlich genutzten Variablen sind ebenfalls in Tabelle 3 dargestellt. Die Abhängigkeit der übrig gebliebenen Umweltfaktoren wurde mit gemischten additiven Modellen unter Berücksichtigung der zeitlichen Autokorrelation modelliert. Seite 43

44 10. Methodenkritik 10.1 Verluste und Anpassung des POD-Untersuchungskonzeptes Zu Beginn des Projektes kam es zu erheblichen Verlusten durch die Fischerei und durch Fehlfunktionen der Lampen. Die an der Mooring anfänglich noch vorhandenen Schwachstellen (hauptsächlich Verbindungstellen, Schäkel, Wirbel und Kauschen) wurden graduell verbessert, so dass ein stabiles Messgeschirr entwickelt werden konnte, dass allen Umweltbedingungen standhielt. Für die letzten zwei im Projekt verzeichneten Geräteverluste konnte eindeutig festgestellt werden, dass die Positionen durch Fremdeinwirkung verschleppt wurden. Das vom BSH eingeführte POD-Stationen-Konzept erhöht die Sicherheit der Messposition zusätzlich, insbesondere im Hinblick auf die Sichtbarkeit auf See. Insofern ist eine weitergehende Nutzung von POD-Stationen und Einzel-PODs, wie aktuell im StUK4 (BSH 2013) beschrieben, eine sinnvolle Kombination, um die notwendigen akustischen Daten verlässlich zu gewinnen Einzelbetrachtung von Windparks Derzeit werden die StUK-Untersuchungen für Schweinswale durchgeführt (BSH 2007, 2013), um zwei übergeordnete Ziele zu verfolgen: 1) Die Beschreibung der Effekte auf Schweinswale ausgehend von einem einzelnen Windpark; 2) die Beschreibung der kumulativen Auswirkungen des Ausbaus der Offshore-Windenergie allgemein im Zusammenspiel mit anderen kumulativen Effekten. Derzeit liegen aus verschiedenen Meeresgebieten Informationen zu den Auswirkungen der Offshore-Windkraft auf marine Säugetiere vor (Carstensen et al. 2006, Tougaard et al a,b, Scheidat et al. 2011, Brandt et al. 2011, Skeate et al. 2012, Teilmann & Carstensen 2012, Dähne et al. 2013a). Die Ergebnisse dieser Untersuchungen zeigen ein klares Bild hinsichtlich der Vertreibung von Schweinswalen durch Rammaktivitäten zumeist sind die Auswirkungen von kurzer Dauer, erstrecken sich jedoch über ein großes Areal mit einem Radius von ca. 20 km. Hinsichtlich der Betriebsphase wurden positive Effekte (Scheidat et al. 2011), geringe positive Effekte (Diederichs et al. 2008) und keine Effekte (diese Studie) in unterschiedlichen zeitlichen Abständen nach der Errichtung von Offshore-Windparks beobachtet. Hinsichtlich der Schallauswirkungen werden sich in der Zukunft große Änderungen ergeben. Es werden derzeit bereits mehrere Offshore-Windparks gleichzeitig gebaut, wodurch deutlich höhere Auswirkungen durch eventuelle multiple Verscheuchwirkungen entstehen können. Insofern ist eine Einzelbetrachtung von Windparks unbedingt weiter durchzuführen, da in einigen Fragen noch keine Klarheit gewonnen wurde und sich durch die vorgeschriebene Anwendung von Schallminderungsmaßnahmen bei lärmintensiven Rammarbeiten höchstwahrscheinlich die Vertreibungsradien ändern, wie dies z.b. in Diederichs et al. (2014) dokumentiert wurde. Es ist zudem notwendig, alle Daten zu Rammvorgängen in einem Radius von mindestens 100 km um die Baustelle mit in eine Auswertung zur Bewertung der Effekte eines Einzelwindparks einzubeziehen, da sonst die Datenauswertung verfälscht werden kann (s. Kapitel 0). Insbesondere zur Auswertung der Betriebsphase, für die nur geringe Effekte erwartet werden, müssen die Daten von umliegenden Rammereignissen berücksichtigt werden, da diese einen höheren Einfluss haben dürften, als die graduellen Auswirkungen eines künstlichen Riffeffektes. Seite 44

45 Auf dem StUKplus-Abschlusstreffen ( , Berlin) wurde von den Benthos- und Fischereiexperten hervorgehoben, dass für die Beurteilung des künstlichen Riffeffektes auf die Artenzusammensetzung und die als Beute für Schweinswale verfügbare Biomasse längere Datenreihen benötigt werden. Dies liegt daran, dass auch künstliche Riffe eine bestimmte Zeit zur Initialbesiedlung und anschließenden Weiterentwicklung des Riffs benötigen. Es ist evident, dass Wirkungen eines künstlichen Riffeffektes auf Schweinswale erst dann eintreten können, wenn auch Wirkungen auf die benthischen und pelagischen Fischarten auftreten. Insofern ist der Zeitraum der Untersuchungen zur Beurteilung der Betriebsphase zu überdenken Erfassung im Rahmen des StUK3 in einem übergeordneten Untersuchungsdesign Das Ausmaß kumulativer Wirkungen auf marine Säugetiere durch Offshore-Windparks während der Errichtung, des Betriebs und Rückbaus ist derzeit unklar. Trotzdem müssen diese Auswirkungen aus artenschutzrechtlicher Sicht dokumentiert werden. Durch den Aufbau eines langfristigen Messnetzes im Sinne des POD-Stationen-Konzeptes ist erstmals eine Grundlage zur Beurteilung dieser langfristigen Beeinflussung gegeben. Bei der Auswertung dieser Daten sollten jedoch alle verfügbaren Informationen einfließen, da die Auswirkungen von einzelnen Offshore-Windparks anders zu betrachten sind, als eine Beurteilung für die Deutsche Nordsee. Aus Sicht der Autoren sollten für die Auswertung dieser Daten ähnliche Modelle genutzt werden wie in Kapitel 0 beschrieben. In die Modelle sollten alle verfügbaren Umweltdaten und Daten zu anthropogenen Eingriffen einfließen. Nur so kann gewährleistet werden, dass größere natürliche und anthropogene Einflüsse (z.b. Beifang) korrekt hinsichtlich ihres gemeinschaftlichen und einzelnen Effektes beurteilt werden. Hier geht es darum, den Anteil der potentiellen durch Offshore-Windparks geschädigten Schweinswale zu erfassen und insofern muss für diese anderen Faktoren kompensiert werden. Auch bei den visuellen Erfassungen gemäß StUK sollte über ein übergeordnetes Konzept zum Untersuchungsdesign nachgedacht werden. Durch die kleinräumigen, Windparkbezogenen und sich überschneidenden Untersuchungsgebiete, die nach StUK Mal pro Jahr erfasst wurden, ergibt sich eine ungleichmäßige räumliche und zeitliche Abdeckung. Die Untersuchungsgebiete der jeweiligen Offshore-Windparks sind nicht räumlich einander angepasst, sodass sich z.t. großflächige Überschneidungen ergeben. Zusätzlich wurden Gebiete zeitlich unabhängig voneinander erfasst, was sich in einem sehr heterogen verteilten Aufwand widerspiegelt. Insgesamt werden große Flächen der Nordsee mehrfach durch verschiedene Surveyteams entlang unterschiedlicher Designs erfasst. Ein Flickenteppich entsteht, der für eine sinnvolle gemeinsame Auswertung nur unter Vorbehalt verwendbar ist. Aufgrund der bisher geringen Größe der Untersuchungsgebiete können mit Hilfe der gemäß StUK durchzuführenden Erfassungen keine oder nur begrenzte Aussagen über Gradienten und hotspots der Schweinswalverteilung getroffen werden. Dies wäre jedoch empfehlenswert, um die ökologische Bedeutung der Vorhabensgebiete für den Schweinswalbestand in der deutschen Nordsee zu verschiedenen Jahreszeiten einschätzen und potentielle, über die Jahre auftretende Veränderungen untersuchen zu können. Die Untersuchung dieser Fragestellung war im Rahmen des StUKplus-Projekts möglich. Seite 45

46 Die BACI-Konzepte im StUK3 sind in Zukunft nicht mehr anwendbar, da weder geeignete, ökologisch gleichwertige und von OWEA unbeeinflusste Referenzgebiete zur Verfügung stehen, noch ein Monitoring vor dem Bau absolviert werden kann. Zukünftig wird an mehreren Orten gleichzeitig über lange Zeiträume gerammt werden. Dementsprechend ist eine intensive Betrachtung sowohl auf Vorhabensebene für die Genehmigungserteilung, als auch zur Begutachtung der allgemeinen Situation und kumulativer Effekte auf einer großräumigen, vorhabensunabhängigen Ebene notwendig Vergleichbarkeit der Daten von verschiedenen Generationen der SAM- Geräte und unterschiedlichen Versionen des Detektionsalgorithmus Im StUK3 (BSH 2007) waren Messgeräte des Typs T-POD vorgeschrieben. Zu diesem Zeitpunkt waren diese Geräte die am weitesten entwickelten Messgeräte zur kontinuierlichen Erfassung von Schweinswalechoortungssequenzen. Im Laufe des Jahres 2008 kamen die ersten C-PODs, die digitalen Nachfolger des T-PODs, auf den Markt. Durch die geringen Stückzahlen im Vertrieb, konnte der Hersteller keine langfristige Planung der Einzelteile der PODs (insbesondere des digitalen Soundprozessors) vornehmen. Bei gleichzeitig starker Nachfrage nach T-PODs waren die aus dem StUK3 resultierenden notwendigen Stückzahlen (drei T-PODs im ersten Untersuchungsjahr und nachfolgend mindestens neun Messgeräte) an T-PODs nicht mehr verfügbar. Während die im August 2008 angefangene Datenreihe der StUKplus-Untersuchungen direkt mit den neuen C-PODs begann, wurde die Untersuchung des StUK3 innerhalb des Projektes von T- auf C-PODs umgestellt. Diese Umstellung bedeutete, dass in der Auswertung der Daten eine weitere Unsicherheit auftritt, zusätzlich zum saisonal und geografisch hochvariablen Schweinswalvorkommen. Diese Unsicherheit muss in den Modellen berücksichtigt werden. Ein weit verbreiteter Vorschlag ist es, Korrekturfaktoren zu bestimmen, um die Daten der beiden Gerätetypen vergleichbar zu machen. Es ist jedoch sehr wahrscheinlich, dass die Geräte mit ihren unterschiedlichen Detektionsprinzipien und -kriterien (T-POD Energiedetektor, C-POD - tonaler Detektor) unterschiedlich auf diverse Schallereignisse (Hintergrundrauschen, Regen, Schiffe, etc.) reagieren. Wie ein solcher Vergleich aussehen kann, ist in Abbildung 6 dargestellt. Eine lineare Regression wird zwischen den Wertepaaren bestimmt und somit kann ein Anstieg (slope) und ein Nulldurchgang (intercept) für die Regressionsgerade mit einer bestimmten Sicherheit (R² oder Rsq) berechnet werden. Wenn ein einzelner Faktor zur Anwendung kommen soll, muss die Regressionsgerade durch das Wertepaar x,y=(0,0) führen. Weiterhin wird dafür die Annahme getroffen, dass der Zusammenhang zwischen den Daten linear sein muss. Idealerweise sollten für eine solche Berechnung ausreichend Daten aus allen gültigen Bereichen der Regressionsgeraden vorliegen. Seite 46

47 Abbildung 6: Darstellung der Messergebnisse der Vergleichsmessungen von zwei C-PODs und zwei T- PODs an den Messstationen 4 und 8. Die schwarze Linie zeigt eine lineare Regression dieser Daten, während die rote (gestrichelte) Linie den Idealfall (Nulldurchgang bei 0 und Anstieg der Gerade 1) symbolisiert. Die Histogramme rechts und oben zeigen, dass die Daten nicht gleichmäßig über den gültigen Bereich verteilt sind und somit das Modell höchstwahrscheinlich null-beeinflusst ist. Wie aus Abbildung 6 ersichtlich, zeichnen die T-PODs (man beachte die Versionsnummern) im Vergleich zum C-POD mehr Detektionen auf. Da die Daten nicht validiert sind, d.h. nicht visuell überprüft wurden, ist aus dieser Analyse nicht ersichtlich, ob damit auch die Datenqualität ansteigt oder ebenfalls mehr Fehldetektionen (d.h. Detektionen, obwohl kein Schweinswal am Gerät war) erzeugt werden. Die Histogramme zeigen deutlich, dass der größte Teil der Daten im Bereich 0-5 dpm/h liegen. Diese sehr niedrigen Werte sind für eine reine lineare Regressionsanalyse nicht geeignet. Ob die mit T-PODs und C-PODs aufgezeichneten Daten einem linearen Zusammenhang unterliegen, wurde mit generalisierten additiven Modellen des Zusammenhangs zwischen den Registrierungsraten am T-POD (Software Version 8.24) und C-POD (Software- Versionen 1.017, und 2.026) geprüft (obere Reihe in Abbildung 7). Ein linearer Zusammenhang ist hierbei von 0 bis 10 dpm/h gegeben. Über 10 dpm/h wird der Verlauf hochgradig nichtlinear. Eine adäquate Beschreibung des Zusammenhangs ist über einen smoothing spline (wie hier genutzt) oder über eine abschnittsweise Beschreibung zum Beispiel mit Geradenabschnitten durchführbar. Der Vergleich zwischen TPOD.exe 8.24 und CPOD.exe fällt am vorteilhaftesten aus und kann am ehesten durch eine Gerade beschrieben werden. Seite 47

48 Abbildung 7: Darstellung der Vergleichsmessungen an Position 4 und 8. In der oberen Reihe sind die Messergebnisse der 2 T-PODs mit TPOD.exe Version 8.24 gegen die Messergebnisse der 2 C-PODs aufgetragen und im Vergleich dazu in der unteren Reihe die Ergebnisse der 2 C-PODs mit unterschiedlichen CPOD.exe Versionen mit einem GAM-Vergleich. Die rote Linie zeigt den Idealvergleich (Nulldurchgang bei 0, Anstieg 1). Die untere Reihe zeigt den Vergleich von unterschiedlichen Softwareversionen. Daten gleicher Algorithmus-Versionen (CPOD und CPOD 1.054) sind direkt miteinander vergleichbar, wobei auch hier eine Streuung auftritt. Daten, die von unterschiedlichen Algorithmen prozessiert wurden (mittlerer und rechter Graph) zeigen wiederum eine hohe Nichtlinearität. Insgesamt ist in diesen Grafiken der Vergleich zwischen verschiedenen Algorithmus- Varianten der C-PODs als noch kritischer einzuschätzen, als der Vergleich zwischen den Hardware-Varianten C-POD und T-POD. Im Rahmen der Methodenkritik ist an dieser Stelle festzuhalten, dass die Umstellung der Methodik innerhalb einer Erfassungszeitreihe nicht toleriert werden sollte und nur unter extremen Umständen, wie der Nichtverfügbarkeit von Geräten erfolgen darf. Wenn es dazu kommen sollte, sind Langzeitvergleichsuntersuchungen (> 1 Jahr an allen Messpositionen) vorzusehen, um eine fundierte Aussage zum Vergleich der Daten zu erlauben Einfluss des Hintergrundrauschens auf die Datenqualität C- und T-PODs können nicht bei allen Bedingungen auf See gleichmäßig gut arbeiten. Insbesondere wenn durch verschiedene Ereignisse (starker Seegang, starker Sedimenttransport durch Tidenströmungen, starker Schiffsverkehr, etc.) viele Hintergrundgeräusche erzeugt werden, sinkt die Detektionswahrscheinlichkeit von Schweinswalklicks (Abbildung 8). Seite 48

49 Abbildung 8: Darstellung der rauschbedingten Effekte auf die Detektionsraten von C-PODs (53 Datensätze, zehn unterschiedliche PODs an fünf verschiedenen Stationen). Die rote Linie repräsentiert den in diesem Bericht genutzten Grenzwert von Klicks pro Stunde. Die C-PODs haben ein Limit von Klicks, die maximal in einer Minute aufgezeichnet werden können. Dieses Limit ist implementiert, um zu verhindern, dass der POD in diesen Minuten, in denen eine Detektion von Schweinswalen unwahrscheinlich ist, unverhältnismäßig viel Batterielaufzeit und Speicherplatz aufbraucht. Maximal können somit x 60 Minuten = Klicks pro Stunde (Nall/h) aufgezeichnet werden. Mit steigenden Nall/h steigt auch die Wahrscheinlichkeit, dass Minuten nicht vollständig aufgezeichnet werden (Abbildung 8, links). Außerdem werden bei mehr als Nall/h nahezu keine Schweinswale mehr detektiert (Abbildung 8, rechts), während unter Nall/h zumindest alle Bereiche abgedeckt werden. Um die Datenaufnahme und Auswertung zu homogenisieren, wird vorgeschlagen, bei zukünftigen Erfassungen, die gemäß StUK durchgeführt werden, Zeitbereiche mit mehr als Klicks pro Stunde auszuschließen. Dies ist für die Analyse der WT allerdings nicht anwendbar. Seite 49

50 11. Ergebnisse 11.1 Erfassungszeitraum und -umfang der visuellen Erfassungen Flugsurveys Zwischen 2008 und 2012 wurden 19 Flugsurveys an insgesamt 31 Flugtagen zur Erfassung der Dichte und Verteilung von Schweinswalen im km 2 großen Untersuchungsgebiet (TF) um alpha ventus durchgeführt. Bei einem effektiven Suchaufwand von km wurden Sichtungen von Schweinswalgruppen mit Individuen (davon 107 Kälber) im Verlauf der fünf Untersuchungsjahre aufgenommen. Detaillierte Übersichten über die vorherrschenden Sichtungsbedingungen (Tabelle A1) und den effektiven Suchaufwand sowie die Zahl der erfassten Sichtungen pro Flug finden sich im Anhang (Tabelle A2). Die geografische Darstellung der Sichtungspositionen sowie des Aufwandes der einzelnen Surveys finden sich in den Zwischenberichten zum StUKplus-Teilprojekt TiHo1 (Siebert et al. 2009, 2010, 2012a, b, 2013) sowie im Anhang. Die Schweinswaldichte und -abundanz konnte für 17 Surveys bestimmt werden (Tabelle 4); aufgrund eines aktiven Militärübungsgebietes bzw. zunehmend schlechten Wetters war es bei zwei Surveys (am und ) nicht möglich, Daten in ausreichender Qualität zu erhalten, die die Bestimmung einer Dichte erlaubten. Die Daten dieser beiden Flüge sind jedoch bei der räumlichen Modellierung der visuellen Daten sowie bei der Trendanalyse berücksichtigt worden (s. unten). Tabelle 4: Schweinswalabundanz und -dichte im km 2 Untersuchungsgebiet um alpha ventus. KI = Konfidenzintervall (ermittelt durch bootstrapping); VK = Variationskoeffizient. Datum Abundanz (95 % KI) Dichte (95 % KI) VK 15. & ( ) 1,35 (0,74-2,5) 0, & ( ) 0,67 (0,36-1,34) 0, & ( ) 1,15 (0,51-2,43) 0, ( ) 0,72 (0,38-1,46) 0, & ( ) 0,43 (0,23-0,82) 0, ( ) 0,81 (0,29-1,74) 0, & ( ) 1,10 (0,52-2,41) 0, & ( ) 1,49 (0,66-3,2) 0, & ( ) 1,15 (0,56-2,58) 0, & ( ) 0,78 (0,31-1,78) 0, & ( ) 1,18 (0,63-2,28) 0,34 Seite 50

51 Datum Abundanz (95 % KI) Dichte (95 % KI) VK 02. & ( ) 1,45 (0,68-2,99) 0, ( ) 1,78 (0,91-3,67) 0, & ( ) 0,66 (0,32-1,36) 0, & ( ) 1,35 (0,65-2,81) 0, ( ) 0,74 (0,34-1,68) 0, ( ) 0,18 (0,07-0,4) 0,44 Im Verlauf der fünf Untersuchungsjahre zeigte sich, dass im Jahr 2009 die niedrigste Dichte im Gebiet festgestellt wurde und 2011 die höchste (Abbildung 9). Da das StUKplus-Projekt zur Mitte des Jahres 2008 gestartet wurde, kann kein kompletter Jahresgang aus 2008 zum Vergleich herangezogen werden. Die Erfassungen im Jahr 2010 zeigen eine gute räumliche sowie jahreszeitliche Abdeckung von März bis Oktober und weisen auf deutliche saisonale Schwankungen in der Dichte hin: diese steigt im Frühling an, erreicht einen Peak im Sommer und nimmt dann zum Spätsommer und Herbst wieder ab. Dieses saisonale Muster wiederholte sich in allen Untersuchungsjahren. Die Sichtungen von Mutter-Kalb Paaren, mit insgesamt 107 Kälbern über die fünf Untersuchungsjahre, wurden von April bis September registriert, die höchste Frequenz wurde jedoch in den Sommermonaten Juni bis August verzeichnet. Es konnte kein räumlich abgegrenztes Fortpflanzungsgebiet bestimmt werden. Abbildung 9: Ermittelte Dichte pro Survey im Untersuchungsgebiet TF um alpha ventus. Fehlerbalken zeigen die 95 % Konfidenzintervalle (ermittelt durch bootstrapping). Seite 51

52 Ein minutengenauer Abgleich mit den Rammprotokollen zeigte, dass an 15 Flugtagen während bzw. bis zu 48 h vor Beginn der Flugsurveys im TF Rammarbeiten in einem der drei Windparks alpha ventus, BARD Offshore 1 und Borkum West II durchgeführt wurden (Tabelle A2). Eine zeitliche Überlappung mit den Rammarbeiten bzw. Vergrämungsmaßnahmen ergab sich nur an drei bzw. fünf der 15 Flugtage (minimum: 32 min, maximum: 1 h 41 min Überschneidung während Rammungsarbeiten; 56 min / 4 h 38 min während Vergrämungsmaßnahmen; siehe Tabelle A2 im Anhang). Es lagen keine Informationen zu Vergrämungsmaßnahmen bei BARD Offshore 1 vor Schiffsurveys Visuelle Erfassungen In Tabelle 5 und Tabelle 6 sind die Ergebnisse der fünf Schiffsurveys (AVS/I bis AVS/V) dargestellt. An 49 Tagen auf See wurde eine Strecke von km befahren und es wurden 237 Schweinswalsichtungen mit 328 Individuen erfasst. Die Surveys fanden überwiegend bei moderaten Bedingungen bei einem Seegang von 2 Bft. statt (3.380 km, 81 %; Tabelle 5). Im August 2008 waren die Bedingungen sehr schlecht und während 96 % der Zeit herrschte ein Seegang von 3 vor. Dementsprechend wenige Sichtungen wurden aufgenommen (12 primary- und 9 tracker-sichtungen; Tabelle 6). Die Sichtungsrate der Primärbeobachter und der Tracker war mit 0,12 bzw. 0,18 Sichtungen/km während des Surveys im April 2011 am höchsten; während dieses Surveys herrschten die mit Abstand besten Sichtungsbedingungen vor. In die Distance Sampling Analyse gingen nur Effortstrecken 2 Bft. mit guten Sichtungsbedingungen ein. Eine Analyse der Daten aus den Jahren 2008 und 2010 war in Distance aufgrund der geringen Sichtungsrate nicht möglich, daher wurde die Auswertung auf die Darstellung der qualitativen Ergebnisse dieser Jahre beschränkt. Tabelle 5: Aufwand bezogen auf Seegang (Bft.). Angegeben sind absoluter Aufwand in Kilometern sowie relativer Aufwand bezogen auf den Gesamtaufwand eines Jahres. AVS = alpha ventus Schiffsurvey, AV = alpha ventus; BARD = BARD Offshore 1 (BARD befindet sich ca. 24 km nordwestlich des westlichsten Schiff-Transektes). Jahr Rammungen Zeitraum Survey Strecke [km] Aufwand bei Seegang AVS/I AVS/II 859 AVS/II I AVS/I V AVS/V (7%) (0%) (0%) 328 (24%) 249 (29%) 433 (41%) 167 (21%) 834 (61%) 27 (4%) 318 (37%) 380 (36%) 391 (49%) 192 (14%) Summe bei 2 27 (4%) 627 (74%) 813 (78%) 558 (70%) (99%) (96%) 223 (26%) 232 (22%) 239 (30%) 13 (1%) 24./ AV 14./ BO1 Total 49 Tage (8%) (35%) (27%) (81%) (29%) Seite 52

53 Tabelle 6: Darstellung der Schweinswalsichtungen während der Schiffsurveys in den Jahren 2008 bis 2011 (AVS/I bis AVS/V); Seegang = Seegang nach der Beaufort Skala; Sichtungen / Individuen = Anzahl der gesichteten Schweinswalgruppen / Anzahl der gesichteten Schweinswale; Sichtungsrate = Gruppensichtungen pro gefahrenem Kilometer (bei Beaufort 2). AVS = alpha ventus Schiffsurvey. a) Sichtungen der primary - Beobachter Sichtungen / Individuen primaries Seegang AVS/I AVS/II AVS/III AVS/IV AVS/V Beaufort / / 133 Beaufort / / / 91 Beaufort / 7 16 / 22 2 / 2 1 / 1 Summe bei Bft / / 62 2 / / 225 Sichtungsrate bei Bft 2 [Sicht. / km] 0 0,01 0,06 0,01 0,12 Beaufort 3 12 / 17 2 / 2 2 / Gesamt 12 / / / 64 2 / / 225 b) Sichtungen der tracker Sichtungen / Individuen tracker Seegang AVS/I AVS/II AVS/III AVS/IV AVS/V Beaufort / / 172 Beaufort / / / 162 Beaufort / 2 18 / / 6 Summe bei Bft / / / 340 Sichtungsrate bei Bft 2 [Sicht./km] 0 0,04 0,04 0 0,18 Beaufort 3 9 / / Gesamt 9 / / / / 340 Die Darstellungen der räumlichen Verteilung der Schweinswalsichtungen im Untersuchungsgebiet der Schiffsurveys sowie eine Verhaltensanalyse sind in den Zwischenberichten zum StUKplus-Teilprojekt TiHo1 dargestellt (Siebert et al. 2009, 2010, 2012 a,b, 2013) sowie im Anhang. In Tabelle 7 sind die Ergebnisse der Dichtebestimmung dargestellt. Grundlage aller MRDS Modelle ist eine halb normale Detektionsfunktion ohne erklärende Kovariablen, basierend auf vorherigem Test mit verschiedenen Modellen und einer Selektion basierend auf AIC-Werten. Eine Beschneidung der Daten wurde für keinen Survey durchgeführt. Aufgrund der geringen Sichtungsrate wurden die im Jahr 2009 durchgeführten Surveys AVS/II und AVS/III gemeinsam analysiert, um eine globale Detektionsfunktion zu bestimmen, wobei die wiederholte Ausführung des Surveys innerhalb der Distance Sampling Analyse berücksichtigt wurde. Wendet man die globale Detektionsfunktion der gemeinsamen Analyse für 2009 auf die einzelnen Sichtungen in AVS/II und AVS/III an, so erhält man Dichten von 0,24 Ind./km² (95 % KI: 0,09 0,63, während AVS/II) respektive 0,94 Ind./km² (95 % KI: 0,42 2,11; während AVS/II; Tabelle 7). Der g(0) - Wert für AVS/V ist im Vergleich zu den Schiffsurveys in 2009 doppelt so hoch. Dies ist dadurch zu begründen, dass die Sichtungsbedingungen für Schweinswale während des Surveys im April 2011 über weite Strecken außerordentlich gut waren und somit wenige Tiere verpasst wurden. Dies spiegelt sich auch im sehr geringen Seite 53

54 Variationskoeffizienten (VK = 0,26) wieder, der auf eine robuste Schätzung der Dichte hinweist. Im Nahbereich von alpha ventus war die Dichte im April 2011 ähnlich wie im März 2009, aber niedriger im Vergleich zu April 2009 (Tabelle 7). Tabelle 7: Ergebnisse der Mark and Recapture Distance Sampling (MRDS) Analyse der Jahre 2009 und 2011; 95% KI Dichte = 95% Konfidenzintervall der Dichte; VK Dichte = Variationskoeffizient der Dichte; g(0) = korrigierter g(0) aus MRDS; esw = effektive halbe Streifenbreite; VK esw = Variationskoeffizient der Streifenbreite. Survey Dichte [Ind./km²] 95% KI Dichte VK Dichte g(0) esw [m] VK esw AVS/II 0,24 0,09 0,63 0,51 0, ,09 AVS/III 0,94 0,42 2,11 0,42 0, ,09 AVS/V 0,24 0,14 0,40 0,26 0, ,09 Akustische Erfassungen Zwischen 2008 und 2011 wurden gemeinsam mit den schiffsgestützten visuellen auch akustische Erfassungen von Schweinswalen im Gebiet um alpha ventus durchgeführt. Die Erfassungen folgten dem gleichen Surveydesign aus parallelen Transekten, wie bereits für den visuellen Schiffsurvey beschrieben. Auswertbare akustische Daten liegen für drei Fahrten vor (AVS/I, AVS/III und AVS/IV; Tabelle 8). Während der Fahrten AVS/II und AVS/V konnten aufgrund von Geräteausfällen keine Daten erhoben werden. Während der Surveys wurden auf insgesamt km Strecke akustische Daten erhoben und dabei 236 Schweinswale detektiert. Der akustische Aufwand (km) der einzelnen Surveys sowie die Anzahl der jeweiligen Schweinswaldetektionen sind in Tabelle 8 dargestellt. Die höchste Schweinswal-Detektionsrate wurde im April 2010 ermittelt (0,05 Detektionen pro km on effort), die niedrigste im April Die Abbildungen zu akustischem Aufwand und räumlicher Verteilung der Schweinswaldetektionen können im Zwischenbericht zum StUKplus-Teilprojekt TiHo1 für das Jahr 2011 eingesehen werden (Siebert et al. 2012b) sowie im Anhang. Tabelle 8: Zwischen 2008 und 2010 durchgeführte akustische Surveys im Gebiet des Testfeldes alpha ventus. HPD= Harbour Porpoise Detector, RBC= Rainbow Click Porpoise Detector. Survey Start Ende Methode Schiff n (Anzahl Detektionen) Effort (km) Detektionen/ km AVS/I HPD Edna ,042 AVS/III HPD AVS/IV RBC Hydrograf Hydrograf , ,050 Gesamt ,038 Seite 54

55 11.2 Erfassungszeitraum und -umfang des statisch akustischen Monitorings Von verlief die Datenaufnahme störungsfrei. Die in den Jahren 2008 und 2009 aufgetretenen Verluste konnten deutlich reduziert werden. Noiselogger (Typ DSG, Loggerhead Instruments, USA) wurden vom bis an den Positionen 5 und 11 ausgebracht, um Hintergrundschall sowie anthropogene Schallereignisse in Kombination mit den C-POD-Ausbringungen aufzunehmen. Da das Messgerät an Position 11 einen Batterieschaden hatte, wurden keine Daten aufgezeichnet. An Position 5 wurde durchgängig aufgezeichnet, es wurden allerdings Hintergrundgeräusche in den Aufnahmen identifiziert, die von der Mooring (Ankergeschirr) stammen und eine detaillierte Auswertung der Daten verhinderten. Bei den Geräuschen handelt es sich vorwiegend um breitbandige, impulsive Geräusche, wahrscheinlich durch schlagende Seile im Messgeschirr hervorgerufen. Abbildung 10: Datenerhebung im Testfeld alpha ventus mit C-PODs. Die grau gepunktete Linie markiert den Zeitpunkt als das Untersuchungsdesign von 23 auf 12 Stationen verkleinert wurde. Die Wartungszeitpunkte sind durch schwarze Quadrate gekennzeichnet. Die Verluste pro Station (lost / found) sind ebenfalls in der Grafik aufgeführt, da in zwei Fällen die Station während einer Ausfahrt zweimal besetzt werden musste und dementsprechend diese Punkte nicht aus der Grafik ersichtlich sind. Seite 55

56 Die Verlustrate entspricht ca. 0,6 Verlusten pro Messposition pro Jahr. Ein Überblick über die Datenlage ist in Abbildung 1-3 dargestellt. Zusätzlich zur Datenerhebung mit C-PODs wurden an zwei Stationen (4 und 8) T-PODs (Version 3) ausgebracht ( ). Die T-PODs zeichneten auf Grund der beschränkten Speicher- und Batteriekapazität nur 1½ Monate auf. Die im Rahmen des StUKplus-Teilprojekts TiHo1 genutzten PODs hatten eine 50 % Detektionsschwelle von 117,3 db ± 2,6 (sd) db re µpa bei 130 khz. Für die im Rahmen des StUK3- Monitorings genutzten C- und T-PODs lagen keine Kalibrierungsdaten vor Meidungsverhalten von Schweinswalen im Baustellenumfeld in der Bauphase von AV Visuelle Flugsurveys zur Beschreibung des Meidungsverhaltens Während der Flugsurveys wurde nur in Einzelfällen eine ausreichende zeitliche Überlappung mit den Rammaktivitäten bei alpha ventus erzielt. Von den sieben in 2008 und 2009 für das Gebiet von alpha ventus durchgeführten Flugsurveys gab es nur am eine 32 minütige Überlappung mit den Rammaktivitäten (plus 2 h 27 min Vergrämung) und am eine Überlappung von 4 h 38 min mit den Vergrämungsmaßnahmen (Tabelle A2 im Anhang). Auch wenn es am eine zeitliche Überlappung mit den Rammaktivitäten gab, lässt die fehlende räumliche Überlappung eine Beschreibung des beobachteten Verteilungsmusters mit Bezug auf die parallel stattfindende Rammung nicht zu. Als am die Vergrämungsmaßnamen begannen, war bereits die Hälfte dieses Surveys absolviert (Surveyrichtung von Ost nach West) und das Flugzeug befand sich zwei Transekte westlich von alpha ventus; 12,9 km entfernt von der Rammstelle (AV 05). Bei der später einsetzenden Rammung befand sich das Flugzeug auf dem letzten Transekt, das 33 km westlich zur Rammstelle lag. Der Flugtag am erfüllte nicht alle Kriterien, um eine Dichte der Schweinswale zu ermitteln. Die längste Überlappung eines Flugsurveys mit Rammereignissen (3 h 23 min am ) wurde bei einem Survey für das vom Bundesamt für Naturschutz (BfN) durchgeführte reguläre Monitoring von Schweinswalen im Gebiet vor den ostfriesischen Inseln festgestellt. Am wurde ein deutlicher Meidebereich von ca. 20 km um die Bauaktivitäten festgestellt, die zudem an diesem Tage sehr lange andauerten und mit einer unverhältnismäßig langen Vergrämung einhergingen (Rammdauer: 18 h, Vergrämung:19 h; Überlappung zwischen Flugsurvey und Rammung: 3 h 23 min; Überlappung zwischen Flugsurvey und Vergrämung: 5 h 50 min). Die Ergebnisse sind detailliert in Dähne et al. (2013a) beschrieben Akustische Surveys zur Beschreibung des Meidungsverhaltens Die Daten des akustischen Monitorings zeigten sehr starke saisonale Schwankungen an allen Stationen. Die Detektionsraten (mit Ausnahme von 2012, wo die Datenaufnahme im Juni beendet wurde) zeigten wiederholt über die Jahre Maxima in den Monaten September bis Januar (siehe Siebert et al. 2012a,b, 2013, Dähne et al. 2013a für eine ausführlichere Diskussion dazu) und Minima in den Monaten beginnend im späten April bis zum frühen August. Insofern lag der Schwerpunkt der Arbeiten zur Errichtung der OWEA-Fundamente für alpha ventus in einer Zeit der anscheinend natürlich bedingten, reduzierten Schweinswaldetektionsraten. Weiterhin wurden in 2010, 2011 und 2012 generell höhere Registrierungsraten Seite 56

57 Pos n Intercept Intercept Rammung Effekt Erkl. Var. StUKplus-Endbericht Marine Säugetiere verzeichnet als in Die höchsten Registrierungsraten wurden nahe am Borkum Riffgrund verzeichnet. Die Saisonalität der Registrierungen unterschied sich dabei zum Teil erheblich zwischen den Stationen. Demzufolge ist ein Poolen, also ein Zusammenfassen der Daten von verschiedenen Stationen ohne eindeutige Zuweisung zu einer geografischen Position, für POD Daten nicht möglich. Eine Auswertung ist insofern nur unter Berücksichtigung der saisonalen, diurnalen, geografischen und jährlichen Variation möglich. Die Ergebnisse der Modellierung der einzelnen Stationen sind in Tabelle 9 zusammengefasst. Von den 12 modellierten Stationen zeigten dabei acht im Umkreis von bis zu 10,8 km eine negative Auswirkung der Rammaktivitäten auf die Zahl der Schweinswalregistrierungen an. Zwei Stationen (Position 2 und 10) zeigten keinen signifikanten Einfluss der Rammarbeiten. Die zwei Positionen 21 und 23, die in ca. 25 bzw. 50 km Entfernung von der Baustelle ausgebracht waren, zeigten einen positiven Effekt im Sinne von erhöhten Registrierungsraten während der Rammarbeiten. Saisonale Variabilität wurde im Modell an allen Stationen festgestellt, während die Variable Jahr an den Stationen 2 und 23 und Stunde an der Station 19 nicht signifikant waren. Die erklärten Varianzen variierten zwischen 3,84 und 20,07 %. Insofern kann ein Großteil der Variabilität in den Daten nicht durch die Faktoren Jahr, Monat, Stunde und Rammung allein erklärt werden. Die C-POD Daten zeigten außerdem einen deutlichen Anstieg der Registrierungsraten am Ende der Rammperiode (nicht hier gezeigt, aus Siebert et al. 2010; Siebert et al. 2012b; Dähne et al. 2013a ersichtlich). Tabelle 9: Ergebnisse der GAM-Modellierung der einzelnen Stationen (Daten von ). Intercept Mittelwert des Modells, bzw. des smoothing splines der Variablen, Erkl. Var. - Erklärte Varianz, n.s. nicht signifikant, n Größe der Stichprobe. Distanz zur Rammpos. min - max (km) p piledriving p Year p Month p Hour 2 25, ,99 n.s. n.s. n.s. n.s. < 0,001 < 0,001 8,23% , ,88-0,42 - < 0,001 < 0,001 < 0,001 0,025 10,87% 5 7,4-9, ,66-1,24 - < 0,001 < 0,001 < 0,001 < 0,001 17,08% 8 2,3 4, ,42-1,36 - < 0,001 < 0,001 < 0,001 < 0,001 10,54% 10 3,0 4, ,08-0,61 n.s. n.s. < 0,001 < 0,001 < 0,001 19,84% 11 0,5-2, ,00-1,16 - < 0,001 < 0,001 < 0,001 < 0,001 13,92% 13 2,3-4, ,55-0,86 - < 0,001 < 0,001 < 0,001 < 0,001 6,46% 14 4,5 7, ,22-0,81 - < 0,001 < 0,001 < 0,001 < 0,001 8,90% 16 2,5 4, ,76-1,67 - < 0,001 < 0,001 < 0,001 0,003 20,07% 19 7,2 9, ,28-1,51 - < 0,001 < 0,001 < 0,001 0,095 16,81% ,81 0,25 + 0,005 < 0,001 < 0,001 < 0,001 13,81% 23 48,7-50, ,62-0,54 + < 0,001 n.s. < 0,001 < 0,001 3,84% Die waiting times (WT) zeigten eine hohe saisonale Variabilität mit erhöhten (längeren) WT zwischen April und August in allen Jahren (Abbildung 12). Die erste WT zwischen Seite 57

58 Schweinswalregistrierungen während der Rammarbeiten in 2008 und 2009 variierte im Median zwischen 81 min (Position 2) bis min (Position 11) mit einem Gesamtmedian von min (16,8 h) für alle Positionen. Das Maximum der ersten WT wurde an Position 13 mit min gemessen. Während der gesamten Rammarbeiten wurde nur einmal ein Schweinswal an Position 11 in 1 km Entfernung von der Rammstelle registriert ( von 7:52 8:12 MESZ). An diesem Tag begann die Rammung um 6:06 Uhr und dauerte bis 08:30 Uhr an. Vergrämungsmaßnahmen mit Seal Scarern und Pingern wurden an diesem Tag von 01:30 bis 8:45 Uhr durchgeführt. Alle anderen Registrierungen auf den vier am dichtesten am Baufeld gelegenen PODs erfolgten in Abständen über 1,7 km. Ein genereller Trend zu verkürzten WT bei kürzeren Rammzeiten (am Ende der Bauperiode) konnte an nahe gelegenen Stationen (< 3 km vom jeweiligen Rammort) festgestellt werden (Abbildung 12). Die mittleren WT im Untersuchungsgebiet waren im Allgemeinen vergleichbar und variierten zwischen 46 und 60 min. Ausnahmen stellten die Positionen 2, 5 und 14 dar, die nahe am Borkum Riffgrund liegen, die 34, 35 und 38 min aufwiesen, sowie Position 23 mit 67 min. Diese Positionen zeigten den geringsten Effekt der Rammarbeiten auf die erste WT. Die zweite Waiting time war generell zufälliger innerhalb aller WT verteilt (Abbildung 12). Das lineare gemischte Modell zeigte signifikante Effekte der Rammung (p < 2, , correlation of fixed effects: 0,048, t = 12,8385) und Dauer der Rammunge (p < 2, , correlation of fixed effects: 0,008, z = 33,61) in den zugehörigen log-ratio Tests. Abbildung 11: Verhaltensänderungen in verschiedener Entfernung zu den Rammarbeiten bei alpha ventus analysiert mit zwei GAMMs. Grau: GAMM der dp10min ohne Rammereignisse, die Distanz wurde zur Mitte des Windparks berechnet. Schwarz: GAMM der dp10min während ein Rammereignis stattfand. Die Entfernung wurde für jede Rammung individuell berechnet. Die x-achse zeigt die berechnete Distanz zur Rammung, die y-achse repräsentiert die Detektionswahrscheinlichkeit der dp10min. Die Linien zeigen eine smoothing spline der beiden Modelle mit 5 Freiheitsgraden je Modell. Seite 58

59 Mit zunehmender Rammdauer wurden auch die WTs länger, obwohl der Effekt der Saisonalität in der Modellierung berücksichtigt wurde. Dementsprechend kann der Effekt der Rammung nur beurteilt werden, wenn auch die Rammdauer berücksichtigt wird. Die erste Waiting time war im Median während der Rammarbeiten 16,8 h lang, dies in einem Radius von 25 km von der Schallquelle. Dies bedeutet eine modellierte Verlängerung der ersten WT gegenüber einer randomisierten Stichprobe (randomisiertes Auswahldatum aus 2010 und 2011) um 9,9 h. Die GAMMs der dp10min mit und ohne Rammereignisse zeigten einen eindeutigen Effekt der beiden Zufallsvariablen Monat und Position und der Distanz zur Rammung. Die Modellvorhersagen zeigten reduzierte Detektionswahrscheinlichkeiten in einem Radius von 10,8 km auf, da die beiden Modellvorhersagen (mit und ohne Rammung) sich in diesem Bereich nicht überlappen (Abbildung 11). Eine Datenlücke existiert von 10,8 bis 23 km, es ist jedoch nach der Modellvorhersage sehr wahrscheinlich, dass auch in diesen Bereichen eine Vertreibung stattgefunden hat. Ab 23 km existiert eine Überlappung in den Modellvorhersagen. Es ist anzumerken, dass das Modell mit Rammung Nullwerte oder sehr niedrige Detektionswahrscheinlichkeiten in Einzelfällen bis in 50 km Entfernung anzeigt. Seite 59

60 Abbildung 12: Analyse der waiting time (WT) für alle C-POD-Positionen. Graue Punkte zeigen WT ohne Rammereignis und rote Punkte zeigen die erste WT nach der Rammung; orange Punkte zeigen die zweite WT nach der Rammung an. Die horizontale schwarze Linie indiziert den Median aller WT der Position, die graue zeigt Median + Standardabweichung an der Position an. Beachten: Y-Achse ist log-skaliert. Seite 60

61 11.3 Analyse der Bau- und Betriebsphase für den Gesamtzeitraum Räumliche Modellierung der visuellen Daten Nach der schrittweisen Optimierung des Modells basierend auf der Signifikanz der getesteten Variablen konnte kein Zusammenhang zwischen einem Rammereignis und der jahreszeitlichen Dichte festgestellt werden (p >> 0,1). Als signifikante Faktoren bleiben im saisonalen Modell einzig die gruppierende Variable Saison, die Zufallsvariable Flugtag (day_id) sowie die Rasterzelle (Cell.ID) signifikant (Tabelle 10). Das Modell erklärt 29,1 % der Varianz. Tabelle 10: Darstellung der Ergebnisse eines GAM zur Überprüfung des Effekts von Rammungen auf die saisonale Dichte im Untersuchungsgebiet Testfeld basierend auf Daten von 2008 bis 2012; Variablennamen in Klammern mit vorangestelltem s kennzeichnen durch Glättungsfunktionen modellierte Variablen; hierbei ist jede Rasterzelle (cell.id) für die einzelnen Saisons separat modelliert und auf Signifikanz überprüft worden. Variable p-wert Signifikanzniveau Intercept 0,005 ** s(cell.id):frühjahr <0,001 *** s(cell.id):sommer <0,001 *** s(cell.id):herbst <0,001 *** s(day_id) <0,001 *** Erklärte Varianz: 29,1 % Im Gegensatz dazu scheint ein Rammereignis (Rammung) in den drei Offshore-Windparks alpha ventus, BARD Offshore 1 und Borkum West II einen Effekt auf die annuellen Dichten zu haben. Als signifikante Faktoren bleiben im annuellen Modell die gruppierende Variable Jahr (jahr), das Rammereignis (Rammung), die Zufallsvariable Flugtag (day_id) sowie die Position der Rasterzelle (Cell.ID) signifikant (Tabelle 11). Das Modell erklärt 34,7 % der Varianz. Seite 61

62 Tabelle 11: Darstellung der Ergebnisse eines GAM zur Überprüfung des Effekts von Rammungen auf die annuelle Dichte im Untersuchungsgebiet Testfeld basierend auf Daten von 2008 bis 2012; der Schätzwert hat ausschließlich bei Variablen, die nicht mittels Glättungsfunktion modelliert werden, eine Aussagekraft und ist daher nur für den y-achsenabschnitt (Intercept) und die Rammung (Rammung) angegeben, inklusive des Standardfehlers (SE); dabei ist die Rammung (Rammung) auf den Unterschied zwischen zwei Stufen angegeben; Variablennamen in Klammern mit vorangestelltem s kennzeichnen durch Glättungsfunktionen modellierte Variablen; hierbei ist jede Rasterzelle (cell.id) für die einzelnen Jahre separat modelliert und auf Signifikanz überprüft worden. Variable Schätzwert SE p-wert Signifikanzniveau Intercept -0,33 0,16 0,0384 * Rammung:WAHR -0,17 0,08 0,0396 * s(cell.id): <0,001 *** s(cell.id): <0,001 *** s(cell.id): <0,001 *** s(cell.id): <0,001 *** s(cell.id): <0,001 *** s(day_id) - - <0,001 *** Erklärte Varianz: 34,7 % Mit den beiden resultierenden Modellen wurden die beobachteten Dichten getrennt nach Saison und Jahr validiert. Dabei stellte sich heraus, dass die Summe der Residuen der angewendeten Modelle in beiden Fällen signifikant niedriger ist als jene eines Nullmodels mit dem Mittelwert der Flüge in der jeweiligen Gruppierung. Die Signifikanz des Rammereignisses bezogen auf die annuellen Dichten war zu erwarten, da es deutlich ausgeprägter Unterschiede der Rammintensität und Häufigkeit zwischen den Jahren als zwischen den Jahreszeiten gibt (siehe auch Darstellung der Rammereignisse in Tabelle A2). Um lokale Vorhersagen bezogen auf Jahreszeiten und Jahre treffen zu können, wurde auf Basis obiger Überlegungen ein 1 x 1 km Raster zur weiteren Analyse modelliert. Dabei wurde der Markov Random Field Ansatz durch die räumliche Interaktion zwischen lat und lon ersetzt, um eine hoch aufgelöste räumliche Darstellung des Untersuchungsgebiets zu ermöglichen. In diesem Ansatz wurde ein mixed effect model (GAMM) gewählt, um den Einfluss des Flugtages (day_id) aus dem finalen Modell als Zufallsvariable (random term) an die Varianzberechnung zu koppeln und nicht als erklärende Variable zu modellieren. Dies hat den Vorteil, dass dadurch unabhängig vom Flugtag die durchschnittliche Verteilung der Schweinswale in einem Jahr modelliert werden kann. Analog zur Modellierung der Rammereignisse wurde die geografische Position (lat, lon) als Interaktion pro Jahr/Jahreszeit (jahr, saison) sowie die durchschnittliche Tiefe und die Varianz der durchschnittlichen Tiefe der Rasterzelle (tiefe, v_tiefe) getestet. Getestet wurde sowohl eine Quasipoisson,- als auch eine negativ binomiale Verteilung der Fehler. Dabei erzielte sowohl im annuellen als auch im saisonalen Modell die negativ binomial verteilte Fehlerfunktion den besseren Fit. Seite 62

63 Vertiefte saisonale Analyse und Modellierung Eine Zusammenfassung der Ergebnisse der saisonalen Befliegungen zeigt einen saisonalen Trend in der mittleren Dichte sowie in der Abundanz. Frühjahr und Sommer sind mit 1,00 Ind./km² (95 % Konfidenzintervall: 0,85 1,15) respektive 1,08 Ind./km² (95 % KI: 0,98 1,19) ähnlich, aber in beiden Jahreszeiten ist die Dichte deutlich höher als im Herbst (0,53 Ind./km² (95 % KI: 0,44 0,63), Tabelle 12). Tabelle 12: Abundanzen von Schweinswalen basierend auf den Flugzählungen für die Jahreszeiten Frühling, Sommer und Herbst; 95 %KI = 95 % Konfidenzintervall; Mittlere Dichte = Mittelwert der Dichte pro Rasterzelle in einer Saison; SE Dichte = Standardfehler der Dichte innerhalb einer Saison. Jahreszeit Abundanz 95 % KI Mittlere Dichte SE Dichte 95 % KI Dichte Frühjahr ,00 0,08 0,85-1,15 Sommer ,08 0,05 0,98-1,19 Herbst ,53 0,05 0,44-0,63 Die Ergebnisse aus der saisonalen Modellierung zeigen signifikante Zusammenhänge zwischen der mittleren Tiefe (tiefe) sowie eine räumliche Heterogenität über die Jahreszeiten, welche im Herbst nicht so stark ausgeprägt war (Tabelle 13). Tabelle 13: Ergebnisse einer GAMM Modellierung über die Jahreszeiten Frühling, Sommer und Herbst; dargestellt sind alle als signifikant identifizierten Parameter; Variable = Name des Parameters und Form der Glättungsfunktion, wie sie in das Modell eingehen; p-wert = Irrtumswahrscheinlichkeit; Signifikanzniveau für α = 0,05 = *** p < 0,001, ** p < 0,01, * p < 0,05. Variable p-wert Signifikanzniveau Intercept 0,0042 ** s(lat, lon):frühjahr <0,001 *** s(lat, lon):sommer <0,001 *** s(lat, lon):herbst 0,614 s(tiefe) <0,001 *** In der Darstellung der Ergebnisse ist der Verlauf der Schweinswaldichten interpoliert dargestellt (Abbildung 13 a bis c). Hierbei zeigte sich ein erhöhtes Vorkommen von Schweinswalen um sowie westlich von alpha ventus und Borkum West II vor allem im Frühjahr und Sommer. Im Herbst scheint dieser lokale Hotspot leicht nach Süden versetzt und die Dichte ist gleichförmiger über das Untersuchungsgebiet verteilt. Im Sommer wurde, neben dem etwas schwächer ausgeprägten Hotspot im Bereich Borkum Riffgrund, ein weiterer hotspot im Nordosten entdeckt. Diese Einschätzung bestätigt sich durch die Modellierungen, da die Signifikanz einer räumlichen Modellierung dann am höchsten ist, wenn eine räumliche Heterogenität der Antwortvariablen (im vorliegenden Fall der Schweinswaldichte) festgestellt werden kann. Die Heterogenität ist im Frühjahr und Sommer stark ausgeprägt und löst sich im Seite 63

64 Herbst fast auf, was sich deutlich in den Signifikanzniveaus widerspiegelt (siehe auch Tabelle 13). Abbildung 13: Interpolierte Darstellung der modellierten saisonalen Schweinswaldichten im Untersuchungsgebiet basierend auf einem mixed effect GAMM Modell; a): Frühjahr; b): Sommer; c): Herbst; Konturlinien geben zusätzlich zu der farbkodierten Dichte Anhaltspunkte zur Dichtebestimmung Vertiefte annuelle Analyse und Modellierung Eine Zusammenfassung der Design-basierten Ergebnisse der aggregierten jährlichen Befliegungen zeigt Schwankungen der mittleren Dichte pro Untersuchungsjahr und somit auch der Abundanz. Im Jahr 2009 wurde mit 0,67 Ind./km² (95 % KI: 0,53 0,80) die niedrigste Dichte Seite 64

65 beobachtet. Die höchste Dichte konnte im Jahr 2011 mit 1,14 Ind./km² (95 % KI: 0,98 1,29) beobachtet werden (Tabelle 14). Tabelle 14: Abundanzen basierend auf den Flugzählungen für die Jahre 2008 bis Mittlere Dichte = Mittelwert der Dichte pro Rasterzelle in einem Jahr; SE Dichte = Standardfehler der Dichte innerhalb eines Jahres; 95 % KI = 95 % Konfidenzintervall. Jahr Abundanz 95 % KI Mittlere Dichte SE Dichte 95 % KI Dichte ,87 0,08 0,70-1, ,67 0,07 0,53-0, ,96 0,07 0,83-1, ,14 0,08 0,98-1, ,88 0,09 0,70-1,07 Die Ergebnisse der annuellen Modellierung zeigen, dass die Dichte über die Jahre signifikant mit der Varianz der durchschnittlichen Tiefe (v_tiefe) einer Rasterzelle gekoppelt ist. Es deutet sich eine ausgeprägte räumliche Heterogenität innerhalb der Jahre an, welche 2008 und 2009 (noch) nicht deutlich ausgeprägt ist (Tabelle 15). Tabelle 15: Ergebnisse einer GAMM Modellierung über die Jahre 2008 bis 2012; dargestellt sind alle als signifikant identifizierten Parameter; Variable = Name des Parameters und Form der Glättungsfunktion, wie sie in das Modell eingehen p-wert = Irrtumswahrscheinlichkeit; Signifikanzniveau für α = 0,05 = *** p < 0,001, ** p < 0,01, * p < 0,05. Variable p-wert Signifikanzniveau Intercept 0,0042 ** s(lat, lon):2008 0,0393 * s(lat, lon):2009 0,0143 * s(lat, lon):2010 <0,001 *** s(lat, lon):2011 <0,001 *** s(lat, lon):2012 <0,001 *** s(v_tiefe) 0,0190 * In der Darstellung der Ergebnisse ist der Verlauf der Schweinswaldichten räumlich hochauflösend in 1 km² Rasterzellen dargestellt (Abbildung 14a bis d). Die Verteilung im Jahr 2008 kann aufgrund der geringen Anzahl an Flügen (2 Surveys) als nicht repräsentativ angesehen werden und wurde daher für die Abbildungen nicht weiter berücksichtigt. In den Jahren von 2009 bis 2012 zeigte sich die kontinuierliche Bildung eines lokalen Hotspots westlich von alpha ventus und Borkum West II. Dieses Ergebnis lässt sich indirekt aus den Modellierungen ablesen, da die Signifikanz einer räumlichen Modellierung dann am höchsten ist, wenn eine räumliche Heterogenität der Antwortvariablen (im vorliegenden Fall Seite 65

66 der Schweinswaldichte) festgestellt werden kann. War diese 2009 noch schwach ausgeprägt, so nimmt die Heterogenität im Verlauf der Jahre zu, was sich in den Signifikanzniveaus der modellierten Jahre ab 2009 deutlich zeigt (Tabelle 15). a) b) Seite 66

67 c) d) Abbildung 14: Darstellung der modellierten Schweinswaldichten im Jahr a) 2009 (BARD Offshore 1 und Borkum West II als Plangebiete) b) 2010 (Baubeginn BARD Offshore 1 März 2010) c) 2011 (Baubeginn Borkum West II September 2011) und d) 2012 in 1 km² Auflösung; im Jahr 2009 ist zusätzlich eine Pufferzone in 5, 10, 15, 20 und 25 km Abstand zum Zentrum des Testfelds alpha ventus dargestellt. Seite 67

68 Für 2009, das Jahr der Bauphase im Testfeld, wurden innerhalb einer 5 bis 25 km weiten Pufferzone um alpha ventus (siehe Abbildung 14a) Abundanzen und Dichten basierend auf den Modellierungen für das Jahr 2009 bestimmt (Tabelle 16). Aufgrund der diskreten, rasterbasierten Datengrundlage sind Pufferfläche und die Rasterfläche der Datengrundlage nicht identisch. Daher ist die Dichte bezogen auf die effektiv durch die Pufferringe abgedeckte, modellierte Rasterfläche (siehe Spalte Rasterfläche in Tabelle 16). Tabelle 16: Abschätzung der Schweinswalabundanz 2009 innerhalb eines 5-, 10-, 15-, 20- und 25 km Radius um den Mittelpunkt des Testfelds; Distanz zu Testfeld = Distanz der Puffergrenze zum Zentrum des Testfelds; Abundanz = Anzahl der Tiere basierend auf den in 1 km² Auflösung modellierten Daten innerhalb der durch die Pufferzone abgedeckten Rasterzellen; Abundanz SE = Standardfehler der Abundanz; Pufferfläche = durch die Pufferzone definierter Flächenbezug; Rasterfläche = Gesamtfläche aller innerhalb der Pufferzone gelegenen und durch sie geschnittenen 1 km² Rasterzellen; Dichte = Dichte der Schweinswale basierend auf der Abundanz und der Rasterfläche; Dichte SE = Standardfehler der Dichte. Distanz zu Testfeld [km] Abundanz [Individuen] Abundanz SE Pufferfläche [km²] Rasterfläche [km²] Dichte [Ind./km²] Dichte SE ,74 78, ,02 0, ,17 314, ,02 0, ,97 706, ,01 0, , , ,00 0, , , ,98 0, Bayesische Trendanalyse der visuellen Daten Die Ergebnisse des 1. Bayesischen Monte Carlo Markov Chain gemischten Modells (MCMCglmm) zeigen eine Zunahme der Schweinswaldichten für das gesamte Untersuchungsgebiet von 2002 bis 2012 (Jahr, pmcmc = 0,019; Tabelle 17, Abbildung 15). Abbildung 16 differenziert die Ergebnisse nach Region (süd-westliche und süd-östliche deutsche Nordsee) und Jahreszeit. Im Frühling (grüne Punkte) wurden die höchsten Schweinswaldichten beobachtet, gefolgt vom Sommer (blaue Dreiecke). Vor allem das westliche Gebiet (Abbildung 16 West) zeigte einen deutlichen, positiven Trend für Frühling und Sommer, während die Herbsterfassungen (braune Rechtecke) keinen eindeutigen Trend aufwiesen und die niedrigsten Dichten insgesamt ermittelt wurden. Die Schweinswaldichten im östlichen Gebiet blieben überwiegend konstant, was durch einen signifikanten Interaktionsterm deutlich wird (lon:jahr, p = 0,002, Tabelle 17, Abbildung 16 Ost). Die kontinuierliche Variable lon bestätigte starke Unterschiede zwischen den Hotspots im Westen und geringerer Dichte in der südöstlichen Deutschen Bucht und damit einen negativen lon Effekt (pmcmc < 0,001). Der saisonale Effekt wird durch einen negativen dayofyear-term deutlich (pmcmc < 0,001; Tabelle 17), also mit höchsten Dichten im Frühling und dann abfallenden Dichten über die Sommererfassungen zum Herbst. Seite 68

69 Tabelle 17: Ergebnisse der MCMCglmm Analysen der Schweinswaldichten (Ind./km² pro Transekt; 1. Modell). post.mittel = posteriores Mittel; 95 % KI = Konfidenzintervall; eff.sample = effektive Stichprobengröße; pmcmc = Signifikanz des Parameters. Neben den Parametern dayofyear, km 2 (als offset Parameter), lon (mittlerer Längengrad des Transektes), Jahr und der Interaktion lon:jahr, wurden die transekte (random effects) und die units (Residuen) berücksichtigt. post.mittel unteres 95 % KI oberes 95 % KI eff.sample pmcmc (intercept) -1,395-7,331 4, ,661 dayofyear -0,005-0,007-0, < 0,001*** log(km 2 ) 1,000 1,000 1, < 0,001*** lon -9,528-15,150-4, < 0,001*** jahr 0,004 0,001 0, ,019 * lon:jahr 0,004 0,002 0, ,002 ** Transekt 0,171 0,060 0, Units 0,839 0,686 1, Abbildung 15: Schweinswaldichte von über das gesamte Untersuchungsgebiet mit Regressionslinie. Seite 69

70 Abbildung 16: Schweinswaldichte von getrennt für West) die süd-westliche deutsche AWZ der Nordsee (5,9-7,3 O; links) und Ost) die süd-östliche deutsche AWZ der Nordsee (7,3-8,5 O; rechts). Dabei wird die Frühling-, Sommer- und Herbsterfassung unterschieden (Farben: grün, blau, braun in gleicher Reihenfolge). Für jede Jahreszeit und Region wurde eine separate Regressionslinie eingefügt, die den linearen Trend zeigt. Im 2. Modell, in dem Jahr als Faktor definiert wurde, zeigten sich signifikante Unterschiede zwischen dem Referenzjahr 2002 und allen Jahren von 2005 bis 2012 (pmcmc 0,034, Tabelle 18), während das Jahr 2003 keine signifikanten Unterschiede aufwies (pmcmc = 0,118, Tabelle 18). Seite 70

71 Tabelle 18: Schweinswalentwicklung im Teildatensatz Westen und Frühling (2. Modell). post.mittel = posteriores Mittel; 95%KI = Konfidenzintervall; eff.sample = effektive Stichprobengröße; pmcmc = Signifikanz des Parameters. Der offset Parameter (km 2 ) wurde berücksichtigt. Jahr als Faktor zeigt die Unterschiede zu dem Referenzjahr 2002; die grau gestrichelte Linie steht für das fehlende Jahr 2004, in dem keine Erfassungen im Frühling durchgeführt wurden. Zudem wurden transekte (random effect) und units (Residuen) berücksichtigt. post.mittel unteres 95 % KI oberes 95 % KI eff.sample pmcmc (Intercept) -2,690-4,527-0, < 0,001*** log(km 2 ) 1,000 1,000 1, < 0,001*** ,389-0,425 3, , ,043 0,183 4, ,019* ,468 0,604 4, ,002** ,648 0,713 4, ,001** ,420 0,627 4, ,003** ,164 0,406 4, ,006** ,775 0,052 3, ,034* ,814 1,115 4, < 0,001*** ,208 1,399 5, < 0,001*** Transekt 0,235 0,052 0, Units 0,604 0,386 0, Modellierung des Einflusses der laufenden Anlagen Die Modellierung des potentiellen Einflusses des Betriebs der OWEA wurde mit einem GAMLSS (Rigby & Stasinopoulos 2005) durchgeführt. Die für An-/Abwesenheit von Schweinswalen transformierten dph wurden als abhängige Variable genutzt. Die in Abbildung 17 und Tabelle 19 dargestellten Modelle fassen die Situation für die zwei Modellfälle (OWEA in Betrieb / außer Betrieb) zusammen. Für das Modell der in Betrieb befindlichen OWEA waren der Intercept des Modells, die Zufallsvariable Nall und die Distanz zu den OWEA signifikant. Jedoch war die Distanz zu den OWEA nur schwach signifikant. Bei GAMs wird generell davon ausgegangen, dass p-werte nahe an der Signifikanzgrenze von 5 % als kritisch einzuschätzen sind und eher nicht auf einen deutlichen Zusammenhang hinweisen. Aus Abbildung 17 ist außerdem ersichtlich, dass die Signifikanz in einer Entfernung von ca. 4 km nicht von den OWEA verursacht wird in dieser Entfernung ist ein Zusammenhang höchst unwahrscheinlich und eher durch geografische Unterschiede bedingt. Im Modellfall OWEA außer Betrieb waren der Intercept des Modells, die Zufallsvariable Nall und die Windgeschwindigkeit signifikant. Die Signifikanz des sehr langen Windgeschwindigkeitsgradienten (ca. 2 m/s bis fast 20 m/s) wird auch hier durch bestimmte Windgeschwindigkeiten (ca. 4 m/s und ca. 18 m/s) verursacht. Es ist jedoch eine Zunahme der Detektionsereignisse Seite 71

72 mit zunehmender Windgeschwindigkeit zu beobachten. Im relevanten Nahbereich von weniger als 2 km Abstand zu der OWEA befand sich nur ein einziger C-POD (Distanz 0,75 km). Von dieser Station gehen nur neun Stunden bei Betrieb der OWEA und sechs Stunden, in denen die OWEA außer Betrieb waren, in die Modelle ein. Daher ist eine generelle Aussage über den Effekt im Nahbereich nur sehr begrenzt möglich. Abbildung 17: Smoothing splines, bzw. faktorielle Darstellung der Modellvariablen, für die zwei GAMM- Modelle zur Analyse der laufenden Anlagen. OWEA sind in Betrieb (links) und außer Betrieb (rechts), n all Anzahl aller aufgenommenen Klicks in Klassen von Seite 72

73 Tabelle 19: Modellparameter der Modellierung der laufenden und stillstehenden OWEA. Signifikante Parameter sind mit * - signifikant, ** - stark signifikant und *** - höchst signifikant gekennzeichnet. Variable In Betrieb Außer Betrieb estimate Std err. t value Pr(> t ) estimate Std err. t value Pr(> t ) Intercept -1,4256 0,48-2,97 0,003** -1,9297 0,30-6,50 3,8e-10*** Distanz (df=5) 0,0229 0,01 2,07 0,039* 0,0110 0,01 0,92 0,357 Windgeschwindigkeit (df=5) 0,0574 0,05 1,07 0,283 0,1031 0,03 3,75 <0,001*** n Df for fit Res. Df Modellierung der akustischen Registrierungsraten und Umweltvariablen Innerhalb der Modellierung der Registrierungsraten (dpm/d) und Umweltvariablen wurden verschiedene Zufallsvariablen getestet. Unter anderem wurden die Variablen Windstärke (zur Korrektur für Starkwindereignsse) und Detektionsschwelle der PODs (zur Berücksichtigung der individuellen Eigenschaften der PODs) getestet. Während die Windgeschwindigkeit das Modell erheblich verbesserte, war die Detektionsschwelle nicht im Modell implementierbar, ohne einen Großteil der Daten (alle Daten aus dem betreiberseitigen StUK3-Monitoring) zu verwerfen. Kalibrierungsergebnisse lagen uns nur für die im Rahmen von StUKplus ausgebrachten PODs vor. Zusätzlich ist durch die Verwendung von C-PODs und T-PODs im StUK3-Monitoring allgemein keine Auswertung der Detektionsschwelle möglich, da die Detektionsschwellen von T-PODs und C-PODs durch den unterschiedlichen Detektortyp (Energiedetektor vs. tonaler Detektor) auf unterschiedlichen Skalen liegen. Dies bedeutet, dass eine Detektionsschwelle von 127 db re µpa peak-peak für T-PODs nicht 1:1 auf eine Detektionsschwelle für C-PODs transferiert werden kann. Als weitere Zufallsvariable wurde die POD-ID (Nummer des PODs) berücksichtigt. Die POD-ID, die eigentlich eine PODspezifische faktorielle Variable sein sollte, wird durch den Fakt, dass die PODs zu unterschiedlichen Zeiten an verschiedenen Positionen sind, zu einem Proxy für den POD, seine Ausbringungsposition (und Ausbingungs- sowie Wassertiefe) zu einer bestimmten Jahreszeit. Seite 73

74 Abbildung 18: Ergebnisse der GAMM-Modellierung. Die oberen zwei Reihen zeigen die smoothing splines, die repräsentativ für den Einfluss der verwendeten Variable stehen. Die unteren Reihen zeigen den Einfluss des Tensor-Produktes (Anteil feiner Sand ~ Wassertiefe) und die Einflüsse der binären faktoriellen Variablen Rammung (ja/nein) und POD-Typ (C = C-POD, T = T-POD). Jahreszeitliche Variation kann beispielsweise dazu führen, dass ein POD stets nur zu Zeiten von geringem Schweinswalvorkommen ausgebracht wird für das Modell ist nicht entscheidbar, ob diese Eigenschaft durch eine natürliche Saisonalität oder durch den POD selbst verursacht wird. Deshalb wurde als weiterer Faktor die Deployment-ID als Zusammenfassung für die Ausbringung eines PODs an einer Station für einen spezifischen Zeitraum eingeführt. Die Deployment-ID wäre somit vergleichbar mit der notwendigen Zufallsvariable für einen Plot in einem Split-Plot Design. Die Deployment-ID führte konsistent zu einem niedrigeren AIC (Akaike-Information-Criterion) als relatives Maß für die Güte des Modells und wurde somit in das endgültige Modell aufgenommen. Die POD-ID wurde als korrigierender Zufallsfaktor verworfen. Seite 74

75 Tabelle 20: Zusammenfassung des finalen Modells für die ökologische Modellierung der Bau- und Betriebsphase von drei Windparks im Umkreis der ausgebrachten PODs. Faktorielle Variablen Variable estimate Std err. t value Pr(> t ) Intercept -0,6409 0,05-11,66 <0,0001*** Rammung -0,4892 0,04-11,78 <0,0001*** POD-Type 0,2689 0,07 4,07 <0,0001*** Smoother edf Ref.df F p-value Tensor-Produkt (Sand, Tiefe) 5,661 5,661 18,322 <0,0001*** Distanz, k. Rammung 1,973 1,973 4,312 0,0139* Distanz, Rammung 7,444 7,444 9,327 <0,0001*** Salzgehalt (30 m) 8,515 8,515 45,529 <0,0001*** Wassertemperatur (6 m) 8,159 8,159 44,213 <0,0001*** Windstärke 0, <0.001*** Zufallsvariablen Verteilung Windstärke, deployment ID Negative binomial, theta=1 n R² adj 0,17 Scale est. 0,45024 Von den erklärenden Variablen waren z.b. der Betrieb der OWEA und weitere Faktoren nicht signifikant und wurden dementsprechend aus dem Modell entfernt. Die verbliebenen Modellvariablen sind in Tabelle 20 und Abbildung 18 dargestellt. Einer der bestimmenden Faktoren (hoher F-Wert) sind Salzgehalt und Wassertemperatur gefolgt von dem Tensor-Produkt des Anteiles von Sand und der Wassertiefe, der Distanz zu einer aktiven Rammung und der Distanz zum Offshore-Windpark allgemein. Die Distanz zum Offshore-Windpark allgemein liegt auf einem geringen Signifikanzniveau und es erscheint aus der Abbildung 18 (oben links) ersichtlich, dass die Signifikanz durch eine geografische Auffälligkeit in ca. 50 km von alpha ventus entsteht diese Signifikanz ist also nicht auf den Offshore-Windpark zurückzuführen. Allgemein steigen die Detektionsraten mit höherer Salinität und geringerer Wassertemperatur an. Dieser Zusammenhang ist hoch signifikant, obwohl die erfasste Skala für die Salinität nur 3 PSU von PSU umfasst. Hinsichtlich des Anteiles von feinem Sand und der Wassertiefe scheinen Bereiche mit höherer Wassertiefe bei gleichzeitig geringem Anteil von Feinsand bevorzugt zu werden. Für die Errichtung der OWEA-Fundamente in den Windparks Borkum West II, BARD Offshore 1 und alpha ventus kann jedoch eindeutig festgehalten werden, dass die Rammung einen Einfluss auf die Detektionsraten bis in ca. 13 km (Wendepunkt des smoothing splines in Abbildung 18 links oben) nimmt. Aus diesem Bereich scheinen Schweinswale selbst bei der Betrachtung auf Tagesebene verscheucht worden zu sein. Seite 75

76 Die unterschiedlichen POD-Typen C-POD und T-POD zeichneten ebenfalls signifikant verschiedene Daten auf. Hier spielt neben den Gerätetypen die Softwareversion eine große Rolle (siehe Kapitel ). Innerhalb dieser Modellierung wurden die Daten in der C- POD.exe Version (Standard für diesen und die vorhergehenden Berichte zum Projekt) und der T-POD.exe Version 8.24 (neueste Version für T-PODs) ausgewertet. Der Unterschied kann kleiner sein, wenn eine andere C-POD.exe Version genutzt wird. Trotzdem belegt dieser deutliche Unterschied, dass ein Wechsel der Messmethoden (Geräte- und Versionswechsel) den Vergleich von Langzeitdaten erheblich behindert durch den Wechsel konnten z.b. Kalibrierungsdaten nicht zur Korrektur der Messdaten genutzt werden. Im Endergebnis der Modellierung aller POD-Daten muss festgestellt werden, dass die Parameter für die Evaluierung der Betriebsphase (Anlagen an/aus, Jahr, laufender Julianischer Tag) eine untergeordnete Rolle spielten, der in Betrieb befindliche Offshore-Windpark also keinen größeren Einfluss auf die Registrierungsraten in einiger Entfernung (nächstliegender POD in ca. 750 m Entfernung zur nächsten Anlage) ausübten. Im Gegensatz dazu kann in diesem Langzeitdatensatz ein eindeutiger Einfluss der Rammungen festgestellt werden. Seite 76

77 12. Diskussion Innerhalb dieses Projektes wurden verschiedene Methoden getestet, die über die Vorgaben der zweiten Fortschreibung des Standarduntersuchungskonzepts (StUK3) hinausgingen. Neben den Erweiterungen des Rahmens für die Flugsurveys (Erfassung eines größeren Gebietes regelmäßig über die Jahre anstatt von kleinskaligen Flügen, wie im StUK3 vorgesehen) sowie die Erweiterung der SAM-Untersuchungen hin zu mehr Stationen, waren dies speziell die Schiffsurveys mit Schlepphydrophon, die dem SCANS II Protokoll folgten, sowie die Auswertung der POD-Daten hinsichtlich von aufgezeichneten Verhaltensmustern. Da diese beiden Arbeitspakete des StUKplus-Teilprojekts TiHo1 bereits 2012 beendet wurden, findet sich eine ausführliche Diskussion dieser Ergebnisse in Siebert et al. (2012b). Die Ergebnisse weisen kurz zusammengefasst darauf hin, dass im Nahbereich die Registrierungsraten während der Rammung zu gering sind, um detaillierte Aussagen zu erlauben. Trotzdem deutet sich an, dass eine Verschiebung der Verhaltensweisen von Fischfang zu zielgerichteter Bewegung eintritt. Für zukünftige Analysen bei anderen Bauvorhaben müssten die Daten in größerer Entfernung von der Baustelle überprüft werden, da hier die Registrierungsraten höher sind und somit ein besseres Verständnis erzielt werden kann Bewertung der Ergebnisse Die raum-zeitliche Dynamik des Schweinswalvorkommens im Großbereich um alpha ventus wurde durch die visuellen Flugsurveys erfasst. Die Auswirkungen von Bau- und Betriebsphase auf die Dichte in einem weiteren Umfeld wird durch die aus den Flugdaten gewonnenen Erkenntnisse ermöglicht und erlaubt die Charakterisierung der natürlichen Variabilität der Schweinswalverteilung im Seegebiet der süd-westlichen Nordsee. Im Vergleich mit den StUK3-Erfassungen wird deutlich, dass diese großräumigere Erfassung insbesondere wichtig ist, um die gesamte räumliche Ausdehnung diverser Gradienten erfassen zu können. Zum Beispiel schneidet das StUK3-Surveygebiet, das nur 19 % des hier untersuchten Gebietes erfasst, den während dieses Projekts bestätigten Hotspot (siehe Kapitel ) südwestlich von BARD I Offshore lediglich an. Im Verlauf der fünf Untersuchungsjahre zeigte sich, dass 2009 (d.h. Bauphase in alpha ventus) ein Jahr mit offensichtlich relativ niedrigen Schweinswaldichten im Untersuchungsgebiet war. Darin stimmten die Ergebnisse aller vier Methoden (Flugzeug, Schiff, Schlepphydrophon, PODs) deutlich überein. Die akustischen Detektionsraten der PODs waren von April bis August 2009 deutlich reduziert, auch die visuellen Erfassungen nach StUK3 weisen auf insgesamt sehr niedrige Dichten zwischen Juni und August 2009, sowie auf deutlich geringere Dichten im Vergleich mit 2008 und 2010 hin (Diederichs et al. 2010; Höschle et al. 2011). Ebenfalls aufgezeigt wurden jahreszeitenabhängige Schwerpunkte in der räumlichen Verteilung. Während keiner Jahreszeit kann von einer homogenen Verteilung der Schweinswale ausgegangen werden. Die klare Ausbildung eines hotspots im Bereich der Windparks alpha ventus und Borkum West II sowie westlich von diesen bis ca. 70 km in niederländische Gewässer wurde während der Frühjahrsmonate beobachtet und durch Modellierungen kleinräumig bestätigt. Im Sommer wurde, neben einem etwas schwächer ausgeprägten hotspot im Bereich Borkum Riffgrund, ein weiterer hotspot im Nordosten entdeckt, der wahrscheinlich mit dem im Sommer stark erhöhten Dichten im Bereich des dort angrenzenden Sylter Außenriffs zusammenhängt (Gilles et al. 2009). Im Herbst ist die Verteilung etwas homogener und insgesamt durch niedrigere Dichten gekennzeichnet. Die Dichte in den Wintermonaten Seite 77

78 November bis Februar wurde im Rahmen dieses Vorhabens von den Flugsurveys nicht erfasst. Die Detektionsraten der PODs zeigten jedoch wiederholt über die Jahre Maxima in den Monaten September bis Januar. Die Minima der akustischen Detektionsraten im direkten Umfeld von alpha ventus vom späten April bis zum frühen August können durch die visuellen Surveys bzw. die räumliche Modellierung nur bedingt bestätigt werden. Im Frühling wurden im Nahbereich von alpha ventus Dichten zwischen 1,4 und 1,7 Ind./km 2 modelliert, im Sommer und Herbst um 0,8 Ind./km². Die Trendanalyse zeigt einen positiven Trend und weist auf eine insgesamt ansteigende Schweinswalpopulation in der südlichen Deutschen Bucht über die Jahre 2002 bis 2012 hin. Seit 2005 ist dieser positive Trend deutlich zu erkennen, wobei der Trend im Jahr 2012 etwas gebremst scheint. Der Bau einzelner Windenergieanlagen scheint diesen positiven Trend nicht stark beeinträchtigt zu haben. Die Trendanalyse bestätigt den hotspot im westlichen Gebiet (um Borkum Riffgrund). Dieser wurde von Gilles et al. (2009, 2011) schon für das Frühjahr beschrieben, zeigt sich seit 2008 aber auch regelmäßig im Sommer, was die hohe ökologische Bedeutung dieses Gebietes für Schweinswale unterstreicht. Diese Erkenntnis wird vor allem durch das SAM gestützt. In den Jahren 2010, 2011 und 2012 wurden ebenfalls im Schnitt höhere Registrierungsraten als in den jeweiligen Jahren zuvor aufgezeichnet. Die räumliche Modellierung der visuellen Daten zeigte, dass sich Rammereignisse in den drei Windparks alpha ventus, BARD Offshore 1 und Borkum West II eher in annuellen Schweinswaldichten niederschlagen als in saisonalen Dichten. Das Ergebnis lässt daher keine eindeutigen Schlüsse auf einen Effekt durch Rammereignisse auf die Dichteverteilung im gewählten Versuchsaufbau zu. Es ist davon auszugehen, dass der Faktor Rammereignis im 48 h Intervall zu grob gefasst und durch seinen fehlenden räumlichen Bezug keine stärkere Aussagekraft erhalten kann, sondern die Rammung sich intrinsisch in der jeweilig beobachteten Verteilung der Schweinswale an einem Flugtag abzeichnet und somit bereits im Wert der Dichte einer jeweiligen Zelle erfasst ist. Dies bedeutet jedoch nicht, dass Rammereignissen keine Auswirkungen auf die Schweinswale zugeordnet werden können (siehe Ergebnisse des SAMs in diesem Bericht sowie Dähne et al. 2013a). Die durch die C-PODs kontinuierlich aufgezeichnete akustische Aktivität erlaubt sehr viel detailliertere Aussagen zu Wirkradien von Rammschall auf Schweinswale. Dabei ist zu beachten, dass die nachweislich deutliche Wirkung der Rammarbeiten bei alpha ventus sowohl auf die Vergrämung durch Pinger und Seal Scarer als auch auf die eigentliche Rammung zurückzuführen ist. Eine wirkliche Unterscheidung, wie beide Effekte wirken, kann anhand der vorliegenden Daten nicht getroffen werden. Ansätze zur Beurteilung der Vergrämung während der Rammarbeiten werden in Siebert et al. (2010) ausgeführt. Der Effekt der Vergrämung durch Seal Scarer kann bis in 2,4 bzw. 7,5 km festgestellt werden (Brandt et al. 2012, 2013). Diese Radien stimmen gut mit älteren Studien überein (Olesiuk et al. 2002, Johnston 2002). Der durch Rammschall ausgelöste Vertreibungs- und Störungsradius, bei der vier Monate dauernden Fundamentgründung des mit 12 OWEA verhältnismäßig kleinen Offshore- Windparks alpha ventus, ist räumlich wesentlich größer (10-20 km). Dies wird sowohl durch die im Rahmen des StUKplus-Projekts durchgeführten Untersuchungen als auch das StUK3- Monitoring (Diederichs et al. 2010) bestätigt. Während anhand der StUKplus- Untersuchungen eine Scheuchwirkung bis in 10,8 km dokumentiert und in 25 km Entfernung ein positiver Effekt festgestellt wurde, wurde beim StUK3-Monitoring eine Vertreibungswirkung bis in 17 km Entfernung dokumentiert. Da die Position der PODs nicht mit der Reich- Seite 78

79 weite des Effektes gleichgesetzt werden kann, ist es sehr wahrscheinlich, dass die Schweinswale bis in eine Entfernung von mehr als 17 km verscheucht wurden. Da jeder Schweinswal eine individuelle Grenze für eine Fluchtreaktion besitzen wird, ist es sehr wahrscheinlich, dass einige Tiere in diesen festgestellten Entfernungen noch reagieren, während andere keine Reaktion mehr zeigen. Dies bedeutet auch, dass sich während bzw. nach Ende der Rammarbeiten in größerer Entfernung zum Windpark mehr Tiere als vor der Rammung befinden müssten (ausweichende Tiere kommen zu den natürlich vorkommenden hinzu). Dieser Effekt ist laut der Modellierung der Einzelstationen bis in 50 km Entfernung feststellbar, d.h. die Variabilität in der Reaktion der Tiere ist höchstwahrscheinlich sehr groß. Die Störradien sind sehr wahrscheinlich wesentlich größer als die Radien der Vertreibung. Die Vertreibung ist ein sehr starker Effekt, aber es ist anzunehmen, dass es bereits bei geringeren Schalldrücken zu einer Erhöhung der Respirationsrate (Kastelein et al. 2013b), Änderung des Tauchverhaltens, einer kurzzeitigen Verhaltensänderung (Kastelein et al. 2013a) und zu einer erhöhten Ausschüttung von Stresshormonen (Müller et al. 2013) kommen kann. Dies impliziert, dass der Vertreibungsradius als unterste Grenze für die Beschreibung einer Störung verstanden werden muss. Die räumliche Modellierung erlaubte die Vorhersage von Dichten für beliebige Bereiche unabhängig vom Transektdesign im Untersuchungsgebiet. So konnte basierend auf den räumlichen Modellierungen die Abundanz in Pufferringen um alpha ventus bestimmt (Abb. 14 a und Tabelle 16) und nachfolgend abgeschätzt werden, wie hoch der Anteil der vertriebenen Schweinswale gewesen sein könnte. Bezogen auf den Schweinswalbestand im gesamten Untersuchungsgebiet der StUKplus Flugsurveys im Jahre 2009 (siehe Tabelle 14), könnten 1,4 % (im 5 km Puffer) über 18,4 % (20 km Puffer) bis 27,9 % (25 km Puffer) der Schweinswale vom Rammschall in alpha ventus vertrieben worden sein (Tabelle 21). Im Rahmen des BfN Monitorings wurde 2009 ein Survey der gesamten deutschen AWZ sowie des Küstenmeers in der Nordsee durchgeführt (Gilles & Siebert 2010). Im Ergebnis wurde eine A- bundanz von (95 % KI: ) Schweinswalen in der deutschen Nordsee im Juni/Juli 2009 bestimmt. Bezogen auf diesen gesamten Bestand könnten 0,2 % (im 5 km Puffer) über 2,5 % (20 km Puffer) bis 3,7 % (25 km Puffer) der Schweinswale in der deutschen Nordsee von Rammschall einer einzelnen Rammung (Rammung eines Fundamentpfahles) in alpha ventus vertrieben worden sein. Es ist zudem nicht auszuschließen, dass durch schallbedingte Vertreibungen Mutter-Kalb Paare vertrieben und die Kälber von ihren Müttern getrennt werden, was bei einer dauerhaften Trennung zum Tod der Kälber führen würde. Tabelle 21: Geschätzter Anteil von Schweinswalen am Bestand 2009 im Untersuchungsgebiet TF, der dem Rammschall während des Baus von alpha ventus ausgesetzt gewesen sein könnte; Pufferbereiche um alpha ventus; TF = Untersuchungsgebiet Flugsurveys StUKplus. Pufferzone (km) % an 2009 Bestand in TF 5 1,4 0,2 10 5,0 0, ,7 1, ,4 2, ,9 3,7 % an 2009 Bestand deutsche AWZ Nordsee Seite 79

80 Da zwischen den einzelnen Rammaktivitäten größere Pausen eintraten, ist der Anteil der Tiere, die zumindest einmalig von Rammungen betroffen waren, vermutlich wesentlich höher einzuschätzen als in Tabelle 21 angegeben. Bei wiederholten Rammvorgängen und größeren Offshore-Windparks (80 OWEA), wie sie derzeit in Gebieten mit höheren Schweinswaldichten gebaut werden (z.b. Dan Tysk, Amrumbank West), ist ein populationsrelevanter Effekt trotz der zur Anwendung kommenden Schallschutzsysteme möglich. Die Vorgabe, zum einen Schallschutzsysteme bei allen Rammvorgängen einzusetzen und zum anderen den Schallgrenzwert von 160 db re 1µPa²s (SEL) in 750 m für ein Einzelereignis einzuhalten, ist daher unerlässlich. Nach Diederichs et al. (2014) kann der Vertreibungsradius für Schweinswale durch den Einsatz eines Blasenschleiers deutlich reduziert werden. Dies ist speziell für Anlagen, die mit Einzelpfählen großen Durchmessers gebaut werden wichtig, da in diesen Fällen die höchsten Schallpegel verursacht werden (Betke & Schultz-von-Glahn 2008) und somit eine Schallminderung eine noch größere Rolle spielt. Es ist unklar, ob Schweinswale die Fluchtdistanzen in hoher Geschwindigkeit zurücklegen denn diese Fluchtgeschwindigkeiten können nicht über sehr weite Strecken aufrechterhalten werden. Die höchste anzunehmende Schwimmgeschwindigkeiten von Schweinswalen (vergleichbar einem Sprint) ist ca. 5 m/s (dokumentierte maximale Geschwindigkeit: 4,3 m/s, Otani et al. 2000, 6,2 m/s Leatherwood et al. 1988), dies entspricht z.b. einer Distanz von 300 m/min bzw. 18 km/h. Eine Schwimmgeschwindigkeit von ca. 1,5 m/s scheint realistischer; dies würden 90 m/min bzw. 5,4 km/h entsprechen. Mit dieser Geschwindigkeit braucht ein Schweinswal demnach 4 Stunden, um sich ca. 20 km vom Zentralort der Rammung zu entfernen und somit nicht weiter verscheucht zu werden. Die meisten einzelnen Rammereignisse bei alpha ventus dauerten ca. 2 h an. Zu vermuten ist, dass hier in vielen Fällen nicht der Reaktionssradius festgestellt, sondern ein Einzelwert der Verscheuchwirkung für die entsprechende Rammdauer bestimmt wurde. Es ist sehr wohl denkbar (und mit den Ergebnissen der Flugsurveys vergleichbar), dass Schweinswale bei länger andauernden Rammungen noch weiter vertrieben werden. Für die Betriebsphase von alpha ventus können auch nach Abschluss der Untersuchungen keine endgültigen Aussagen getätigt werden. Innerhalb des StUKplus-Projektes konnten jedoch keine Anzeichen gefunden werden, dass die Betriebsphase von alpha ventus eine Auswirkung auf Schweinswale hat. Es wurden weder positive noch negative Effekte entdeckt. Auch im letzten Bericht zum StUK3-Monitoring wird keine abschließende Beurteilung durchgeführt (Hansen et al. 2013). Die bisherige Betriebsphase (3 Jahre) ist noch kurz und ein künstlicher Riffeffekt, der zu einer erhöhten Beuteverfügbarkeit für Schweinswale führen könnte, wurde bisher nicht eindeutig festgestellt (s. andere Teilprojekte des StUKplus- Vorhabens; z.b. Krägefsky 2014) und hat bei Beendigung der Datenaufnahme noch keine größere Wirkung entfaltet. Insofern wäre eine eindeutige Reaktion von Schweinswalen unwahrscheinlich. Zudem ist die Entfernung der nächsten PODs zu alpha ventus (750 m; StUKplus und StUK3) wahrscheinlich zu groß, um Effekte der Betriebsphase zu dokumentieren Einordnung der Ergebnisse Der signifikante Anstieg der Schweinswalabundanz in der südlichen Nordsee in den letzten 8 Jahren wird auch von anderen Nordseeanrainern berichtet. Die Schweinswaldichte in einem direkt an das betrachtete Untersuchungsgebiet angrenzenden Gebiet auf niederländischer Seite wurde mit 1,02 Ind./km² (95 % KI: 0,34-2,10 Ind./km²) im November 2008, 0,52 Seite 80

81 Ind./km² (95 % KI: 0,11-1,26 Ind./km²) im April 2009 und 1,11 Ind./km² (95 % KI: 0,48-2,49 Ind./km²) im März 2010 angegeben und 2.98 (95 % KI: Ind./km²) im März 2011 angegeben (Gebiet C in Scheidat et al und Geelhoed et al. 2013). Im gesamten Gebiet des niederländischen Kontinentalschelfs wurde die höchste Dichte im März 2011 geschätzt, diese war etwa drei Mal höher als im Juli 2010 und Oktober/November 2010 (Geelhoed et al. 2013). Auch in der belgischen Nordsee wird ein Anstieg der Schweinswalabundanz beobachtet, ähnlich wie in den Niederlanden nach einer jahrzehntelangen Abwesenheit (Haelters et al. 2011); dies spiegelt sich auch im starken Anstieg der Strandungen und Beifänge wider, dabei sticht das Jahr 2011 mit der höchsten Anzahl an Strandungen heraus (Haelters et al. 2012). Da der SCANSII Survey 2005 von keiner signifikanten Änderung der Abundanz seit SCANS 1994 berichtete, werden Fluktuationen in der Populationsgröße der gesamten Nordsee als unwahrscheinlich betrachtet; vermutlich wurde die Umverteilung durch lokale Reduktion oder Veränderung der Beuteverfügbarkeit, v.a. im nördlichen Bereich der Nordsee, ausgelöst (Camphuysen 2004, Hammond et al. 2013). In ähnlicher Weise sind Seevogel-Kolonien in der nördlichen Nordsee betroffen, deren Bruterfolg in den letzten Jahren dramatisch abgenommen hat (Wanless et al. 2005, Mitchell 2006). An den Ursachen wird weiter geforscht, im Verdacht stehen Klimawandel und/oder Überfischung. Es muss bedacht werden, dass das Konfliktpotenzial im Zusammenhang mit anthropogenen Aktivitäten in der südlichen Nordsee, die zu den am meisten genutzten Meeresgebieten der Welt gehört, mit der Zunahme der Schweinswalbestände steigen wird. Beim Monitoring der Bauphase von Offshore-Windparks in der dänischen Nordsee wurde festgestellt, dass die Vertreibungsradien durch Rammungen mindestens 20 km (Tougaard et al. 2009) bzw. 17,8 km (Brandt et al. 2011) bei Horns Rev 1 und 2 betrugen. Die Ergebnisse der vorliegenden Studie zeigen ähnliche Ergebnisse bei vergleichbaren Schallpegeln zu Horns Rev 2 (ca db re µpa²s in 720 m Entfernung, Brandt et al. 2011). Eine länger andauernde negative Auswirkung, wie von Teilmann & Carstensen (2012b) für den Bau des Nysted-Windparks in der Ostsee beobachtet, konnte hier nicht festgestellt werden. Dies kann an den erheblich höheren Schweinswaldichten in der Nordsee liegen, aber auch durch das wesentlich stärker durch veränderliche Bedingungen (Tide, Strömungen, Schichtungen) geprägte System der Nordsee verursacht sein. Zur Betriebsphase von Offshore-Windparks existieren bisher nur Erkenntnisse aus niederländischen und dänischen Windparks. Scheidat et al. (2011) zeigten, dass beim niederländischen Windpark Egmond aan Zee Schweinswale in der Betriebsphase häufiger akustisch registriert wurden, als vor dem Bau der OWEA. Die Fundamente wurden bei diesem Windpark im August 2006 fertiggestellt, das Betriebsmonitoring umfasste den Zeitraum April 2007 bis April Im Vergleich dazu wurden die Fundamente von alpha ventus im August 2009 fertiggestellt und das Betriebsmonitoring dauerte bis Juni 2012 an. Dementsprechend sind die Zeiträume an sich vergleichbar und Auswirkungen eines potentiellen künstlichen Riffeffektes sollten in beiden Studien festgestellt werden können. Im Prinses Amalie Windpark wurde kein Unterschied zwischen den Basisuntersuchungen und dem Betriebsmonitoring festgestellt (van Polanen Petel et al. 2012). In der Ostsee (Windpark Nysted) wurden Änderungen des Echoortungsverhaltens von Schweinswalen festgestellt (Diederichs et al. 2008), allerdings nicht in den reinen Detektionsraten, sondern im diurnalen Verhalten innerhalb des Windparks. Dieser Wechsel des diurnalen Verhaltens steht eventuell im Zusammenhang mit der Vertikalwanderung von Beutefischen. Seite 81

82 12.3 Angemessenheit des StUK3-Untersuchungsrahmens Die Beurteilung des StUK3 hinsichtlich der Eignung der akustischen Erfassung mit PODs ist nicht eindeutig zu führen. Alpha ventus wird wohl das einzige Projekt bleiben, bei dem das Monitoring nach StUK3 wirklich zur Anwendung kam. Insgesamt ist ein Gradientensampling- Design, wie es im Rahmen des StUKplus-Teilprojekts TiHo1 zur Anwendung gekommen ist (aber auch bei Brandt et al. 2011), gegenüber der relativ unregelmäßigen und nicht zielgerichteten Ausbringung der PODs für das StUK3 bei alpha ventus zu bevorzugen. Dennoch liegen die Ergebnisse beider Untersuchungen in einem ähnlichen Bereich. Zum Zeitpunkt des Inkrafttretens des StUK3 wurden nur T-PODs als einziges nutzbares Gerät für SAM-Untersuchungen angeboten. Der Wechsel der Messgeräte in den StUK3- Untersuchungen von T-PODs zu C-PODs muss außerordentlich kritisch betrachtet werden. Der Zusammenhang der Daten der beiden Geräte ist nicht linear und damit ist eine Angleichung der Daten über einen Faktor, wie von Hansen et al. (2013) durchgeführt, grundsätzlich nicht möglich. Ob statistische Modelle für diese Angleichung gefunden werden ist fraglich, da dies, aus Sicht der Berichtsautoren, mindestens eine einjährige Vergleichsuntersuchung mit C-PODs und T-PODs an allen Messpositionen erfordert. Hinsichtlich der Version der Auswertesoftware sollten Vorgaben des BSH getroffen werden. Es wird vorgeschlagen, die C- POD.exe Versionen und für die Auswertung zu nutzen. Mit dem vom BSH neugeschaffenen POD-Stationen Konzept sollten zukünftig gute Aussagen über die Langzeitwirkungen der OWEA möglich sein. Dies ist der erste Schritt hin zu einer kumulativen Betrachtung und weg von einer Einzelbetrachtung der Windparks. Trotzdem ist gerade durch die neu eingeführten Methoden zur Schallminderung (u.a. Schallschutzsysteme, neue Pfahlgründungssysteme) der Forschungsbedarf für die Einzelwindparkbetrachtung hoch hier werden auch Fragen wie z.b. die Veränderung des Frequenzganges der abgeschwächten Rammsignale gegenüber dem ungedämmten Rammsignal eine große Rolle spielen. Seite 82

83 13. Ausblick Durch den Einsatz von großflächigen Flugsurveys und SAM war es möglich, die Auswirkungen des Baus und Betriebs von Offshore-Windparks detaillierter zu beschreiben, als dies in vorherigen Projekten möglich war. Der emittierte Rammschall - SELs zwischen (25 km) und (10 km) db re µpa²s;kalkuliert nach der Formel von Betke & Matuschek (2011), siehe Abschnitt führte zu einer Vertreibung von Schweinswalen aus dem Umfeld der Rammbaustelle. Diese Vertreibung konnte auch anhand von Flugsurveys dokumentiert werden. Die genannten SELs sind höchstwahrscheinlich eine Überschätzung der tatsächlichen Schallpegel, da die verwendeten empirischen Formeln bei 10 km zu einer Überschätzung neigen (Betke & Matuschek 2011). Dies bedeutet im Umkehrschluss, dass die Verhaltensreaktion von Schweinswalen unterhalb dieser genannten SELs beginnt, was durch Untersuchungen von Kastelein et al. (2013a) an einem Schweinswal in Gefangenschaft bestätigt wurde. Das dort untersuchte Tier sprang aus dem Wasser (Stressreaktion) bei Schalleinwirkungen (eingespielte Rammgeräusche), die deutlich unter den hier genannten Werten liegen (133 db re µpa²s SEL Verhaltensreaktion, 127 db re µpa²s SEL Erhöhung der Respirationsrate, bei 154 db re µpa SPL (kein SEL angegeben) signifikant erhöhte Anzahl an Sprüngen aus dem Wasser). Innerhalb eines Radius von 25 km stieg die erste Waiting time (WT) zwischen zwei Schweinswalregistrierungen bei alpha ventus auf 16,8 h an. Ein wichtiges Ergebnis ist ebenfalls, dass die erste Waiting time nach Abschluss der Rammarbeiten und die Dauer der Rammung korreliert waren und somit ein größerer Vertreibungssradius bei länger andauernder Rammung zu erwarten ist. Die Auswirkungen des geplanten Ausbaus der Offshore-Windenergie in der deutschen Nordund Ostsee auf das Populationsniveau können noch nicht abgeschätzt werden. Hier kommt es zukünftig zu einem Zusammenspiel von kumulativen Effekten der Scheuchwirkung zwischen einzelnen Rammbaustellen verbunden mit erhöhtem Energiebedarf und Stressbelastung für Schweinswale und möglichen Effekten auf das Gehör und den Gesundheitszustand der Tiere durch eine kumulierende Schallbelastung. Die bereits bestehenden anthropogenen und natürlichen Stressoren führen zu einer weiteren Anhäufung von Belastungen im Gesamtbild. Die kumulativen Effekte dieser gesamten anthropogenen Einflüsse können das Aktivitäts- bzw. Energiebudget der Tiere signifikant verändern (Lusseau 2003) und somit letztlich Auswirkungen auf individuelle Überlebensraten und den Reproduktionserfolg haben. Hierfür werden derzeit Modelle entwickelt, die diesen Populationseffekt quantifizieren können (Wartzok et al bzw. NRC 2005). Es muss davon ausgegangen werden, dass die Schweinswale ein präferiertes Habitat mit einhergehender Stressbelastung verlassen müssen und sich in Bereiche mit schlechterem Nahrungsangebot bei gleichzeitig steigendem Energiebedarf durch Störungen und Stressbelastung zurückziehen. Dort könnte sich die Nahrungssituation durch die zunehmende Konkurrenz noch weiter verschlechtern (dichteabhängige Konkurrenz). Jeder Population stehen nur beschränkte Ressourcen im marinen Ökosystem zur Verfügung und ab einem bestimmten Zeitpunkt sind die Grenzen der Kapazität des Lebensraumes erreicht. Über die Tragfähigkeit (carrying capacity) der Nordsee für Schweinswale existieren derzeit keine Kenntnisse. Dementsprechend sollten sich zukünftige Studien auf die Quantifizierung des Populationseffektes konzentrieren. Sicherlich hat darauf auch Einfluss, dass Schallminderungs- Seite 83

84 maßnahmen nun regulär angeordnet werden und somit die Belastung an der Quelle verringert wird. Studien zur Quantifizierung der Schallbelastung (nicht nur durch die Rammung von Gründungspfählen für OWEA) sollten langfristig und großräumig durchgeführt werden. Nur so lässt sich ermitteln, welcher zusätzlichen Belastung Schweinswale durch die Errichtung der Offshore-Windparks ausgesetzt sind. Der Gesundheitszustand der Schweinswale in Nord- und Ostsee ist deutlich schlechter im Vergleich zu Verbreitungsgebieten, in denen Schweinswale geringeren anthropogenen Belastungen ausgesetzt sind (Siebert et al. 2001, 2006b, Siebert & Weiss 2009). Daher ist es in den kommenden Jahren sehr wichtig, den Gesundheitszustand der Schweinswale in der deutschen Nord- und Ostsee systematisch und umfangreich zu erfassen. Ein besonderer Fokus sollte hierbei auf das Endokrinium, Respirations-, Immun-, Gehör und Reproduktionssytem gelegt werden. Insgesamt sollte ein Index ermittelt werden, der in der Lage ist die Belastungsfähigkeit und damit verbunden auch populationsrelevante Konsequenzen zu ermitteln. Seite 84

85 14. Veröffentlichungen Fachzeitschriften Peschko V, Ronnenberg K, Siebert U, und Gilles A. Southern North Sea: Increasing harbour porpoise occurrence in conflict with anthropogenic activities? in prep. Dähne M, Verfuß UK, Brandecker A, Siebert U, Benke H (2013). Methodology and results of calibration of tonal click detectors for small odontocetes (C-PODs). Journal of the Acoustical Society of America 134: Dähne M, Gilles A, Lucke K, Peschko V, Adler S, Krügel K, Sundermeyer J, Siebert U (2013). Effects of pile-driving on harbour porpoises (Phocoena phocoena) at the first offshore wind farm in Germany. Environmental Research Letters 8: (16pp) Buchbeiträge Dähne M, Peschko V, Gilles A, Lucke K, Adler S, Ronnenberg K, Siebert U (in press). Marine mammals and windfarms: Effects of alpha ventus on porpoises. Springer Verlag Lucke K, Dähne M, Adler S, Brandecker A, Krügel K, Sundermeyer JK, Siebert U (2012) Evaluating the effects of offshore pile driving on Phocoena phocoena (Harbor porpoises) by using passive acoustic monitoring. In: Popper AN und Hawkins A (eds.). Effects of Noise on Aquatic Life. Springer Science+Business Media, LLC, New York: Konferenzen und workshops Gilles A (2013). Monitoring von marinen Säugetieren und Auswirkungen von Offshore- Bauvorhaben. Eingeladener Vortrag, Anthropogene Störungen mariner Ökosysteme in Deutschland eine natur- und rechtswissenschaftliche Bewertung. Workshop des DGF-Graduiertenkollegs Verbesserung von Normsetzung und Normanwendung im integrierten Umweltschutz durch rechts- und naturwissenschaftliche Kooperation, Trier Peschko V, Ronnenberg K, Siebert U, Gilles A (2013). Trends of harbour porpoise (Phocoena phocoena) occurrence in the southern North Sea. Poster, Abstracts of the 27th European Cetacean Society Conference in Setubal, Portugal: 175 Peschko V, Gilles A, Swift R, Müller S, Siebert U (2012). Visual and acoustic surveys of harbour porpoises (Phocoena phocoena) in the southern North Sea. Poster, Abstracts of the 26st European Cetacean Society Conference in Galway, Ireland: 259 Gilles A, Siebert U (2011). Monitoring of marine mammals. Eingeladener Vortrag, ICES Working Group on Integrated Assessments of the North Sea (WGINOSE), Hamburg, Germany Dähne M, Koblitz J, Gallus A, Siebert U, Benke H (2011). Comparison of static acoustic monitoring devices. Poster presented at the 25th annual conference of the European Cetacean Society, Cadiz, Spain. Seite 85

86 Krügel K, Brandecker A, Dähne M, Gallus A, Lucke K, Verfuß UK, Benke H, Siebert U (2011). The effects of offshore pile driving on the behavior of harbor porpoises (by using passive acoustic monitoring). Poster presented at the 25th annual conference of the European Cetacean Society, Cadiz, Spain. Müller S, Gilles A, Peschko V, Siebert U (2010). Wind farm construction: Various ways of monitoring effects on harbour porpoises (Phocoena phocoena) ship surveys. Poster, Abstracts of the 24st European Cetacean Society Conference in Stralsund, Germany: 259 Peschko V, Gilles A, Adler S, Siebert U (2010). Wind farm construction: Various ways of monitoring effects on harbour porpoises (Phocoena phocoena) aerial surveys. Poster, Abstracts of the 24st European Cetacean Society Conference in Stralsund, Germany: 260 Lucke K, Dähne M, Adler S, Brandecker A, Krügel K, Sundermeyer JK, Siebert U (2010). Wind farm construction: Various way of monitoring effects on harbour porpoises (Phocoena phocoena) passive acoustic monitoring. Poster presented at the 24th annual conference of the European Cetacean Society, Stralsund, Germany Lucke K, Adler S, Blasche K, Brandecker A (2009). The StUK and its evaluation. Eingeladener Vortrag, AMPOD symposium 28. & , Stralsund (in Verfuß et al. 2010) Peschko V, Gilles A, Siebert U (2009). Modeling harbour porpoise (Phocoena phocoena) occurrence in the southern German North Sea. Poster, Workshop Ecological Modeling for Marine Mammalogists during the18th Biennial Conference on the Biology of Marine Mammals, Quebec, Canada. Seite 86

87 15. Danksagung Dieses Projekt wurde im Rahmen der ökologischen Begleitforschung im Forschungsprojekt RAVE (Research at alpha ventus) durchgeführt. Wir bedanken uns beim BMU für die Finanzierung, beim BSH für die Koordination und beim Projektträger Jülich (PtJ) für die administrative Projektabwicklung. Unser besonderer Dank gilt dabei Kristin Blasche, Maria Boethling und Anika Beiersdorf sowie Tobias Verfuß. Die Durchführung der zahlreichen Flug- und Schiffsurveys wäre unmöglich gewesen ohne den besonderen Einsatz von (neben den Autoren): Sabine Billerbeck, Steve Geelhoed, Marjam Gues, Stö Hellwag, Helena Herr, Jan Heuschele, Christian Hundsrucker, Hugin Karaso, Thyge Jensen, Tina Kesselring, Susanne Kühn, Kristina Lehnert, Jan-Dag Pohlmann, Gaetane Maernoud, Danny Martensen- Staginnus, Miriam Müller, Sebastian Müller, Sylvia Osterrieder, Carsten Rocholl, Conny Schmidt, Ernst Schrijver, Gregor Schulte, Jose Antonio Vazquez, Florian Weiner und Lennard Zaiß. Wir danken der Crew von Sylt Air, FLM Aviation Kiel sowie Leif Petersen (in memorandum) vom Danish Air Survey für sichere Flüge und der Crew von MV Edna, MV Hydrograf und MV Valdemar M für sichere Schiffsfahrten. Vielen Dank an René Swift für die Unterstützung bei der Analyse der Schlepphydrophondaten und an Hauke Giewat für die Pflege der Datenbank. Wir danken Nick Tregenza, Jeff und Jan Loveridge für die Bereitstellung der C-PODs und für die durchgehende Hilfe und Unterstützung. Anja Brandecker und Anne Hermann führten die Kalibration der C-PODs am DMM Stralsund durch. Wir danken den Crews von KfK Venus, MV Laura, MV Christopher, MV Karoline, MV Cecilie, MV Blue Capella, MV Reykjanes und dem Wasser- und Schifffahrtsamt für die Unterstützung bei der Bergung der Bojen und bei der Administration. Sophie Paul, Aline Hock und Lina Weirup unterstützen bei der Abgleichung der Rammprotokolle. Lars Kolbe, Hauke Boyens und Patrick Stührk warteten und bargen die C-PODs. Abbo van Neer stellte die Umweltdaten zusammen. Wir bedanken uns bei BioConsult SH für die Erhebung und Bereistellung der StUK3-Daten und beim Bundesamt für Naturschutz (BfN) für die Nutzung der Daten aus dem Monitoring. Seite 87

88 16. Literaturangaben ASCOBANS (2000). Proceedings of the third meeting of parties to ASCOBANS, Bristol (UK), July Bailey H, Senior B, Simmons D, Rusin J, Picken G und Thompson PM (2010). Assessing underwater noise levels during pile-driving at an offshore windfarm and its potential effects on marine mammals. Marine Pollution Bulletin, 60: Bates D, Meachler M und Bolker B (2011). lme4: linear mixed-effects models using S4 classes R Package Version ( Beineke A, Siebert U, Mclachlan M, Bruhn R, Thron K, Failing K, Müller G und Baumgärtner W (2005). Investigations of the potential influence of environmental contaminants on the thymus and spleen of harbor porpoises (Phocoena phocoena). Environmental Science & Technologie, 39: Berggren P, Wade PR, Carlström J und Read AJ (2002). Potential limits to anthropogenic mortality for harbour porpoises in the Baltic region. Biological Conservation, 103: Betke K und Schultz-von-Glahn M (2008). Prognose des Unterwassergeräusches beim Bau und beim Betrieb des Offshore-Windparks Borkum-West ( alpha ventus ) und Messung des Hintergrundgeräusches im Planungsgebiet. ITAP Oldenburg: 41 Seiten. Betke K und Matuschek R (2011). Messungen von Unterwasserschall beim Bau der Windenergieanlagen im Offshore-Testfeld alpha ventus. ITAP Oldenburg: 48 Seiten. BMWI (2012). Forschung für eine umweltschonende, zuverlässige und bezahlbare Energieversorgung. Das 6. Energieforschungsprogramm der Bundesregierung ( publikationen,did= html ). Boisseau O, Matthews J, Gillespie D, Lacey C, Moscrop A und Ouamari NE (2007). A visual and acoustic survey for harbour porpoises off North-West Africa: further evidence of a discrete population. African Journal of Marine Science, 29: Brandt MJ, Diederichs A, Betke K und Nehls G (2011). Responses of harbour porpoises to pile driving at the Horns Rev II offshore wind farm in the Danish North Sea. Marine Ecology Progress Series, 421: Brandt MJ, Höschle C, Diederichs A, Betke K, Matuschek R, Witte S und Nehls G (2012). Far-reaching effects of a seal scarer on harbour porpoises, Phocoena phocoena. Aquatic Conservation: Marine and Freshwater Ecosystems, 23: Brandt MJ, Höschle C, Diederichs A, Betke K, Matuschek R und Nehls G (2013). Seal scarers as a tool to deter harbour porpoises from offshore construction sites. Marine Ecology Progress Series, 475: BSH (2007). Standard - Untersuchung der Auswirkungen von Offshore-Windenergieanlagen auf die Meeresumwelt (StUK3). Hamburg und Rostock, Bundesamt für Seeschifffahrt und Hydrographie (BSH): 58 Seiten. Seite 88

89 BSH (2013). Untersuchung der Auswirkungen von Offshore-Windenergieanlagen auf die Meeresumwelt (StUK4), Hamburg und Rostock, Bundesamt für Seeschifffahrt und Hydrographie (BSH): 86 Seiten. Buckland ST, Anderson DR, Burnham KP, Laake JL, Borchers DL und Thomas L (2001). Intro-duction to distance sampling. Estimating abundance of biological populations. Oxford University Press, New York: 432 Seiten. Buckland ST, Anderson DR, Burnham KP, Laake JL, Borchers DL und Thomas L (2004). Advanced distance sampling. Estimating abundance of biological populations. Oxford University Press, New York: 416 Seiten. Camphuysen CJ (2004). The return of the harbour porpoise (Phocoena phocoena) in Dutch coastal waters. Lutra, 47: Camphuysen CJ (2011). Recent trends and spatial patterns in nearshore sightings of harbour porpoises (Phocoena phocoena) in the Netherlands (Southern Bight, North Sea), Lutra, 54: Carstensen J, Henriksen OD und Teilmann J (2006). Impacts of offshore wind farm construction on harbour porpoises: acoustic monitoring of echolocation activity using porpoise detectors (T-PODs). Marine Ecology Progress Series, 321: Cox TM, Read AJ, Solow A und Tregenza N (2001). Will harbour porpoises (Phocoena phocoena) habituate to pingers? Journal of Cetacean Research & Management, 3: Dähne M, Verfuß UK, Diederichs A, Meding A und Benke H (2006). T-POD test tank calibration and field calibration. In: Leeney RH, Tregenza NJ (eds) ECS Special Publication Series. 46. European Cetacean Society, Gdynia, Poland, p Dähne M, Gilles A, Lucke K, Peschko V, Adler S, Krügel K, Sundermeyer J und Siebert U (2013a). Effects of pile-driving on harbour porpoises (Phocoena phocoena) at the first offshore wind farm in Germany. Environmental Research Letters, 8: (16pp). Dähne M, Verfuß UK, Brandecker A, Siebert U und Benke H (2013b). Methodology and results of calibration of tonal click detectors for small odontocetes (C-PODs). Journal of the Acoustical Society of America, 134: Das K, Vossen A, Tolley K, Víkingsson G, Thron K, Müller G, Baumgärtner W und Siebert U (2006). Interfollicular fibrosis in the thyroid of the harbour porpoise: an endocrine disruption? Archives of Environmental Contamination & Toxicology, 51: DeMaster DP, Fowler CW, Perry SL und Richlen MF (2001). Predation and competition: The impact of fisheries on marine-mammal populations over the next one hundred years. Journal of Mammalogy, 82: DeRuiter SL, Bahr A, Blanchet M-A, Hansen SF, Kristensen JH, Madsen PT, Tyack PL und Wahlberg M (2009). Acoustic behaviour of echolocating porpoises during prey capture. Journal of Experimental Biology, 212: Diederichs A, Hennig V und Nehls G (2008). Investigations of the bird collision risk and the responses of harbour porpoises in the offshore wind farms Horns Rev, North Sea, and Nysted, Baltic Sea, in Denmark. Part II: Harbour porpoises (FKZ FKZ A). Final Report, BioConsult SH: 100 Seiten. Seite 89

90 Diederichs A, Brandt MJ, Nehls G, Laczny M, Ströh A und Piper W (2010). Auswirkungen des Baus des Offshore- Testfelds alpha ventus auf marine Säugetiere. Bioconsult SH & Biola: 109 Seiten. Diederichs A, Pehlke H, Nehls G, Bellmann M, Gerke P, Oldeland J, Grunau C, Witte S und Rose A (2014). Entwicklung und Erprobung des Großen Blasenschleiers zur Minderung der Hydroschallemissionen bei Offshore-Rammarbeiten. BioConsult SH, Hydrotechnik Lübeck & itap GmbH. Husum: 247 Seiten. Dormann CF, Elith J, Bacher S, Buchmann C, Carl G, Carré G, Marquéz JRG, Gruber B, Lafourcade B, Leitão PJ, Münkemüller T, McClean C, Osborne PE, Reineking B, Schröder B, Skidmore AK, Zurell D und Lautenbach S (2013). Collinearity: a review of methods to deal with it and a simulation study evaluating their performance. Ecography, 36: Foote AD, Thomsen PF, Sveegaard S, Wahlberg M, Kielgast J, Kyhn LA, Salling AB, Galatius A, Orlando L und Gilbert MTP (2012). Investigating the potential use of environmental DNA (edna) for genetic monitoring of marine mammals. PLoS One, 7: e Geelhoed SCV, Scheidat M, van Bemmelen RSA und Aarts G (2013). Abundance of harbour porpoises (Phocoena phocoena) on the Dutch Continental Shelf aerial surveys in July 2010-March Lutra, 56: Gerrodette T und Rojas-Bracho L (2011). Estimating the success of protected areas for the vaquita, Phocoena sinus. Marine Mammal Science, 27(2): E101 E125. Gallus A, Dähne M, Verfuß UK, Bräger S, Adler S, Siebert U und Benke H (2012). Use of static passive acoustic monitoring to assess the status of the Critically Endangered Baltic harbour porpoise in German waters. Endangered Species Research, 18: Gormley AM, Slooten E, Dawson S, Barker R.J, Rayment W, du Fresne S und Bräger, S (2012). First evidence that marine protected areas can work for marine mammals. Journal of Applied Ecology, 49: Gilles A, Herr H, Lehnert K, Scheidat M, Kaschner K, Sundermeyer J, Westerberg U und Siebert U (2008). Erfassung der Dichte und Verteilungsmuster von Schweinswalen (Phocoena phocoena) in der deutschen Nord- und Ostsee. MINOS 2 - Weiterführende Arbeiten an Seevögeln und Meeressäugern zur Bewertung von Offshore - Windkraftanlagen (MINOS plus). Endbericht für das Bundesministerium für Umwelt, Naturschutz und Reaktorsicherheit FKZ B. Teilprojekt 2, pp. 67. Gilles A und Siebert U (2009). Erprobung eines Bund/Länder-Fachvorschlags für das Deutsche Meeresmonitoring von Seevögeln und Schweinswalen als Grundlage für die Erfüllung der Natura Berichtspflichten mit einem Schwerpunkt in der deutschen AWZ von Nord- und Ostsee (FFH-Berichtsperiode ) - Teilbericht Schweinswale. Visuelle Erfassung von Schweinswalen, pp Gilles A, Scheidat M und Siebert U (2009). Seasonal distribution of harbour porpoises and possible interference of offshore wind farms in the German North Sea. Marine Ecology Progress Series, 383: Seite 90

91 Gilles A und Siebert U (2010). Monitoringbericht Marine Säugetiere und Seevögel in der deutschen AWZ von Nord- und Ostsee. Teilbericht marine Säugetiere - Visuelle Erfassung von Schweinswalen, pp Gilles A, Adler S, Kaschner K, Scheidat M und Siebert U (2011a). Modelling harbour porpoise seasonal density as a function of the German Bight environment: implications for management. Endangered Species Research, 14: Gilles A, Peschko V und Siebert U (2011b). Monitoringbericht Marine Säugetiere und Seevögel in der deutschen AWZ von Nord- und Ostsee. Teilbericht marine Säugetiere - Visuelle Erfassung von Schweinswalen. Endbericht für das Bundesamt für Naturschutz, pp Gilles A, Peschko V und Siebert U (2012). Monitoring von marinen Säugetieren 2012 in der deutschen Nord- und Ostsee. Visuelle Erfassung von Schweinswalen. Endbericht für das Bundesamt für Naturschutz, pp Gillespie D und Chapell O (2002). An automatic system for detecting and classifying the vocalisations of harbour porpoises. Bioacoustics, The International Journal of Animal Sound and its Recording, 13: Gillespie D, Berggren P, Brown S, Kuklik I, Lacey C, Lewis T, Matthews J, McLanaghan R, Moscrop A und Tregenza N (2005). Relative abundance of harbour porpoises (Phocoena phocoena) from acoustic and visual surveys of the Baltic Sea and adjacent waters during 2001 and Journal of Cetacean Research and Management, 7: Hadfield JD (2010). MCMC Methods for Multi-Response Generalized Linear Mixed Models: The MCMCglmm R Package. Journal of Statistical Software 33(2): 1-22 URL Haelters J und Camphuysen CJ (2009). The harbour porpoise in the southern North Sea. Abundance, threats and research & management proposals. Report for IFAW (International Fund for Animal Welfare): 60 Seiten. Haelters J, Kerckhof F, Jacques TG und Degraer S (2011). The harbour porpoise Phocoena phocoena in the Belgian part of the North Sea: trends in abundance and distribution. Belgian Journal of Zoology, 141: Haelters J., Kerckhof F, Toussaint E, Jauniaux T und Degraer S (2012). The diet of harbour porpoises bycaught or washed ashore in Belgium, and relationship with relevant data from the strandings database. Report, Royal Belgian Institute of Natural Sciences: 48 Seiten. Hammond PS, Berggren P, Benke H, Borchers DL, Collet A, Heide-Jørgensen MP, Heimlich S, Hiby AR, Leopold MF und Øien N (2002). Abundance of harbour porpoise and other cetaceans in the North Sea and adjacent waters. Journal of Applied Ecology, 39: Hammond PS, Macleod K, Berggren P, Borchers DL, Burt ML, Cañadas A, Desportes G, Donovan GP, Gilles A, Gillespie D, Gordon J, Hedley S, Hiby L, Kuklik I, Leaper R, Lehnert K, Leopold M, Lovell P, Øien N, Paxton CGM, Ridoux V, Rogan E, Samarra F, Scheidat M, Sequeira M, Siebert U, Skov H, Swift R, Tasker ML, Teilmann J, Van Can- Seite 91

92 neyt O und Vázquez JA (2013). Distribution and abundance of harbour porpoise and other cetaceans in European Atlantic shelf waters: implications for conservation and management. Biological Conservation, 164: Hansen S, Höschle C, Diederichs A, Nehls G, Laczny M und Piper W (2013). Offshore- Testfeld Alpha ventus Fachgutachten Meeressäugetiere 2. Untersuchungsjahr der Betriebsphase (Januar - Dezember 2011). BioConsult SH & IfAÖ: 87 Seiten. Hardy T, Williams R, Caslake R und Tregenza N (2012). An investigation of acoustic deterrent devices to reduce cetacean bycatch in an inshore set net fishery. Journal of Cetacean Research and Management, 12: Hastie T und Tibshirani R (1990). Generalized Additive Models (London: Chapman and Hall) Heiberger, RM (2013). HH: Statistical Analysis and Data Display: Heiberger and Holland. R package version Hiby L (1999). The objective identification of duplicate sightings in aerial survey for porpoise Marine Mammals Survey and Assessment Methods. In: Garner GW, Amstrup SC, Laake JL, Manly BFJ, McDonald LL, Robertson DG (eds.). Marine mammal survey and assessment methods. A.A. Balkema, Rotterdam: p Hiby AR und Lovell P (1998). Using aircraft in tandem formation to estimate abundance of harbour porpoise Biometrics, 54: Höschle C, Diederichs A, Nehls G, Laczny M und Piper W (2011). Statusbericht Meeressäugetiere im Bereich des Offshore-Testfeldes Alpha Ventus. Im Auftrag der Stiftung Offshore-Windenergie; Bioconsult SH & Biola: 78 Seiten. Ito J, Nikolaev AR, Luman M, Aukes MF, Nakatani C und van Leeuwen C (2003). Perceptual switching, eye movements, and the bus paradox. Perception, 32: Jepson PD, Bennett PM, Deaville R, Allchin CR, Baker JR und Law RJ (2005). Relationships between polychlorinated biphenyls and health status in harbor porpoises (Phocoena phocoena) stranded in the United Kingdom. Environmental Toxicology and Chemistry, 24: Johnston DW (2002). The effect of acoustic harassment devices on harbour porpoises (Phocoena phocoena) in the Bay of Fundy, Canada. Biological Conservation, 108: Kastelein R, Steen N, Gransier R und de Jong CAF (2013a). Brief behavioral response threshold level of a harbor porpoise (Phocoena phocoena) to an impulsive sound. Aquatic Mammals, 39: Kastelein RA, van Heerden D, Gransier R und Hoek L (2013b). Behavioral responses of a harbor porpoise (Phocoena phocoena) to playbacks of broadband pile driving sounds. Marine Environmental Research: Kastelein RA, Hoek L, Gransier R und Jennings N (2013c). Hearing thresholds of two harbor seals (Phoca vitulina) for playbacks of multiple pile driving strike sounds. The Journal of the Acoustical Society of America, 134: Seite 92

93 Kastelein RA, Hoek L, Gransier R und de Jong CAF (2013d). Hearing thresholds of a harbor porpoise (Phocoena phocoena) for playbacks of multiple pile driving strike sounds. The Journal of the Acoustical Society of America, 134: Kindermann R und Snell JL (1980). Markov Random Fields and Their Applications. American Mathematical Society. ISBN MR King R, Morgan BJT, Gimenez O und Brooks SP (2010). Bayesian analysis for population ecology. Interdisciplinary Statistics Series. Chapman and Hall/CRC, Taylor & Francis Group. Boca Raton, London, New York. Kiszka J, Haelters J und Jauniaux T (2004). The harbour porpoise (Phocoena phocoena) in the southern North Sea: a come-back in northern French and Belgian waters? Document Presented at the 11th Advisory Committee Meeting of ASCOBANS (Poland) AC11/Doc Kock K-H und Benke H (1996). On the by-catch of harbour porpoise (Phocoena phocoena) in German fisheries in the Baltic and the North Sea. Archives of Fishery and Marine Research, 44: Krägefsky, S. (2014). Untersuchung der Effekte von Windenergieanlagen auf Fische und vagile Megafauna im Testfeld "alpha ventus, Arbeitspaket: Pelagische Fische. Schlussbericht zum Projekt Ökologische Begleitforschung am Offshore- Testfeldvorhaben alpha ventus zur Evaluierung des Standarduntersuchungskonzeptes des BSH (StUKplus). Forschungsvorhaben gefördert durch das Bundesministerium für Umwelt, Naturschutz und Reaktorsicherheit (FKZ: A). Kyhn LA, Tougaard J, Teilmann J, Wahlberg M, Jørgensen PB und Bech NI (2008). Harbour porpoise (Phocoena phocoena) static acoustic monitoring: laboratory detection thresholds of T-PODs are reflected in field sensitivity. Journal of the Marine Biological Association of the UK, 88: Kyhn LA, Tougaard J, Thomas L, Duve RL, Stenback J, Amundin M, Desportes G und Teilmann J (2012). From echolocation clicks to animal density Acoustic sampling of harbor porpoises with static dataloggers. The Journal of the Acoustical Society of America, 131: Leatherwood SR, Reeves RR, Perrin WF und Evans WE (1988). Whales, dolphins, and porpoises of the Eastern North Pacific and adjacent arctic waters. A guide to their identification. Dover Publications, New York: 256 Seiten. Lin X und Zhang D (1999). Inference in generalized additive mixed models by using smoothing splines. Journal of the Royal Statistical Society B, 61: Lucke K, Lepper PA, Blanchet M-A und Siebert U (2008a). How tolerant are porpoises to underwater sound? In: Wollny-Goerke K, Eskildsen K (eds). Marine mammals and seabirds in front of offshore wind energy. Teubner Verlag / GWV Fachverlage GmbH, Wiesbaden: Lucke K, Sundermeyer J, Driver J, Rosenberger T und Siebert U (2008b). Too loud to talk? Do wind turbine-related sounds affect harbour seal communication? In: Wollny-Goerke K, Eskildsen K (eds). Marine mammals and seabirds in front of offshore wind energy. Teubner Verlag / GWV Fachverlage GmbH, Wiesbaden: Seite 93

94 Lucke K, Siebert U, Lepper PA und Blanchet M-A (2009). Temporary shift in masked hearing thresholds in a harbor porpoise (Phocoena phocoena) after exposure to seismic airgun stimuli. The Journal of the Acoustical Society of America, 125: Lucke K, Lepper PA, Blanchet M-A und Siebert U (2011). The use of an air bubble curtain to reduce the received sound levels for harbor porpoises (Phocoena phocoena). The Journal of the Acoustical Society of America, 130: MacLeod CD (2009). Global climate change, range changes and potential implications for the conservation of marine cetaceans: a review and synthesis. Endangered Species Research, 7: Madsen PT, Wahlberg M, Tougaard J, Lucke K und Tyack P (2006). Wind turbine underwater noise and marine mammals: implications of current knowledge and data needs. Marine Ecology Progress Series, 309: Marquardt DW (1970). Generalized Inverses, Ridge Regression, Biased Linear Estimation, and Nonlinear Estimation. Technometrics, 12(3): McCullagh P und Nelder JA (1989). Generalized Linear Models (London: Chapman and Hall). Mitchell I (2006) Impacts of Climate Change on Seabirds. In: Buckley PJ, Dye SR, Baxter JM (eds). Marine Climate Change Impacts Annual Report Card 2006, Online Summary Reports, MCCIP, Lowestoft. Moore JE und Barlow J (2011). Bayesian state-space model of fin whale abundance trends from a time series of line-transect surveys in the California Current. Journal of Applied Ecololgy, 48: Müller S, Lehnert K, Seibel H, Driver J, Ronnenberg K und Teilmann J (2013). Evaluation of immune and stress status in harbour porpoises (Phocoena phocoena): can hormones and mrna expression levels serve as indicators to assess stress? BMC Veterinary Research. doi: / NRC National Research Council (2005). Marine Mammal Populations and Ocean Noise: Determining when Noise Causes Biologically Significant Effects, National Academies Press, Washington, DC. Nuuttila HK, Meier R, Evans PGH, Turner JR, Bennell JD und Hiddink JG (2013a). Identifying foraging behaviour of wild bottlenose dolphins (Tursiops truncatus) and harbour porpoises (Phocoena phocoena) with static acoustic dataloggers. Aquatic Mammals, 39: Nuuttila HK, Thomas L, Hiddink JG, Meier R, Turner JR, Bennell JD, Tregenza NJC und Evans PGH (2013b). Acoustic detection probability of bottlenose dolphins, Tursiops truncatus, with static acoustic dataloggers in Cardigan Bay, Wales. The Journal of the Acoustical Society of America, 134: Olesiuk PF, Nichol LM, Sowden MJ und Ford JKB (2002). Effect of the sound generated by an acoustic harassment device on the relative abundance and distribution of harbor porpoises (Phocoena phocoena) in retreat passage, British Columbia. Marine Mammal Science, 18: Seite 94

95 Otani S, Naito Y, Kato A und Kawamura A (2000). Diving behavior and swimming speed of a free-ranging harbor porpoise, Phocoena phocoena. Marine Mammal Science, 16: Pinheiro J, Bates D, DebRoy S, Sarkar D und R Development Core Team (2011). nlme: Linear and Nonlinear Mixed Effects Models. R Package Version R Development Core Team (2011). R: A Language and Environment for Statistical Computing (Vienna: R Foundation for Statistical Computing) ( R Core Team (2013). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. Reichert K, Gusky M und Gutow L (2012). Vervollständigung der Zeitreihen während der Betriebsphase und Ermittlung von Veränderungen des Benthos durch Ausweitung des anlagenbezogenen Effektmonitorings Jährlicher Zwischenbericht 2010 zum Projekt Ökologische Begleitforschung am Offshore-Testfeldvorhaben alpha ventus zur Evaluierung der Standarduntersuchungskonzeptes des BSH-StUKplus FKZ A. Reijnders, P (1992). Harbour porpoises Phocoena phocoena in the North Sea: numerical responses to changes in environmental conditions. Netherlands Journal of Aquatic Ecology, 26: Reubens JT, Braeckman U, Vanaverbeke J, Van Colen C, Degraer S, & Vincx M (2013). Aggregation at windmill artificial reefs: CPUE of Atlantic cod (Gadus morhua) and pouting (Trisopterus luscus) at different habitats in the Belgian part of the North Sea. Fisheries Research, 139: Rigby RA und Stasinopoulos DM (2005). Generalized additive models for location, scale and shape, (with discussion). Applied Statistics, 54: SCANSII (2008) Small Cetaceans in the European Atlantic and North Sea. Final report to the European Commission under project LIFE04NAT/GB/ Available from SMRU, Gatty Marine Laboratory, University of St Andrews, St Andrews, Fife KY16 8LB, UK. Scheidat M, Kock KH und Siebert U (2004). Summer distribution of harbour porpoise (Phocoena phocoena) in the German North Sea and Baltic Sea. Journal of Cetacean Research and Management, 6: Scheidat M, Gilles A und Siebert U (2008). Harbour porpoise (Phocoena phocoena) abundance in the south western Baltic Sea. Endangered Species Research, 5: Scheidat M, Tougaard J, Brasseur S, Carstensen J, van Polanen PT, Teilmann J und Reijnders P (2011). Harbour porpoises (Phocoena phocoena) and wind farms: a case study in the Dutch North Sea. Environmental Research Letters, Scheidat M, Verdaat H und Aarts G (2012). Using aerial surveys to estimate density and distribution of harbour porpoises in Dutch waters. Journal of Sea Research, 69: 1 7. Sheavly SB und Register KM (2007). Marine debris & plastics: Environmental concerns, sources, impacts and solutions. Journal of Polymers and the Environment, 15: Seite 95

96 Siebert U, Joiris C, Holsbeek L, Benke H, Failing K, Frese K und Petzinger E (1999). Potential relation between mercury concentrations and necropsy findings in cetaceans from German Waters of the North and Baltic Seas. Marine Pollution Bulletin, 38: Siebert U, Wünschmann A, Weiss R, Frank H, Benke H und Frese K (2001). Post mortem findings in harbour porpoises (Phocoena phocoena) from the German North and Baltic Sea. Journal of Comparative Pathology, 124: Siebert U, Gilles A, Lucke K, Ludwig M, Benke H, Kock KH und Scheidat M (2006a) A decade of harbour porpoise occurrence in German waters - Analyses of aerial surveys, incidental sightings and strandings. Journal of Sea Research, 56: Siebert U, Wünschmann A, Tolley K, Vikingsson G, Olafsdottir D, Lehnert K, Weiss R und Baumgärtner W (2006b). Pathological findings in harbour porpoises (Phocoena phocoena) originating from Norwegian and Icelandic waters. Journal of Comparative Pathology, 134: Siebert U und Rye J (2008a). Correlation between aerial surveys and acoustic monitoring. In: Wollny-Goerke K, Eskildsen K (eds) Marine mammals and seabirds in front of offshore wind energy. Teubner Verlag / GWV Fachverlage GmbH, Wiesbaden: Siebert U und Rye J (2008b). Harbour porpoises in the North Sea - Tidal dependency. In: Wollny-Goerke K, Eskildsen K (eds) Marine mammals and seabirds in front of offshore wind energy. Teubner Verlag / GWV Fachverlage GmbH, Wiesbaden: Siebert U und Weiss R (2009). Regional differences in bacteria flora in harbour porpoises from the North Atlantic: environmental effects. Journal of Applied Microbiology, 106: Siebert U, Benke H, Gilles A, Lucke K, Sundermeyer J, Brandecker A, Krügel K, Dähne M, Verfuß UK und Gallus A (2009). Ergänzende Untersuchungen zum Effekt der Bau- und Betriebsphase im Offshore-Testfeld alpha ventus auf marine Säugetiere. In: Blasche K, Dahlke C, Boethling M, Binder A (eds). Ö kologische Begleitforschung am Offshore- Testfeldvorhaben alpha ventus zur Evaluierung des Standarduntersuchungskonzeptes des BSH-StUKplus. Fortschrittsbericht 2008, p Siebert U, Benke H, Gilles A, Lucke K, Peschko V, Adler S, Dähne M, Sundermeyer J, Müller S, de Jong E, Brandecker A, Krügel K, Verfuß UK und Gallus A (2010). Ergänzende Untersuchungen zum Effekt der Bau- und Betriebsphase im Offshore-Testfeld alpha ventus auf marine Säugetiere. In: Blasche K, Dahlke C, Boethling M, Binder A (eds). Ö kologische Begleitforschung am Offshore-Testfeldvorhaben alpha ventus zur Evaluierung des Standarduntersuchungskonzeptes des BSH-StUKplus. Fortschrittsbericht 2009, p Siebert U, Gilles A, Dähne M, Peschko V, Krügel K, Benke H, Lucke K, Müller S, Adler S und Sundermeyer J (2012a). Ergänzende Untersuchungen zum Effekt der Bau- und Betriebsphase im Offshore-Testfeld alpha ventus auf marine Säugetiere. In: Blasche K, Dahlke C, Boethling M, Binder A (eds). Ö kologische Begleitforschung am Offshore- Testfeldvorhaben alpha ventus zur Evaluierung des Standarduntersuchungskonzeptes des BSH-StUKplus. Fortschrittsbericht 2010, p Seite 96

97 Siebert U, Gilles A, Dähne M, Peschko V, Krügel K, Benke H, Lucke K, Müller S, Adler S und Sundermeyer J (2012b). Ergänzende Untersuchungen zum Effekt der Bau- und Betriebsphase im Offshore-Testfeld alpha ventus auf marine Säugetiere. In: Beiersdorf A, Dahlke C, Boethling M, Binder A (eds). Ö kologische Begleitforschung am Offshore-Testfeldvorhaben alpha ventus zur Evaluierung des Standarduntersuchungskonzeptes des BSH - StUKplus. Fortschrittsbericht 2011: 74 Seiten. Siebert U, Gilles A, Dähne M, Peschko V, Ruser A, Meyer-Klaeden O, Viquerat S, Giewat H und Ronnenberg K (2013). Ergänzende Untersuchungen zum Effekt der Bau- und Betriebsphase im Offshore-Testfeld alpha ventus auf marine Säugetiere. In: Beiersdorf A, Dahlke C, Boethling M, Binder A (eds). Ökologische Begleitforschung am Offshore-Testfeldvorhaben alpha ventus zur Evaluierung des Standarduntersuchungskonzeptes des BSH StUKplus. Fortschrittsbericht 2012: 17 Seiten Skeate ER, Perrow MR und Gilroy JJ (2012). Likely effects of construction of Scroby Sands offshore wind farm on a mixed population of harbour Phoca vitulina and grey Halichoerus grypus seals. Marine Pollution Bulletin, 64: Taylor BL, Martinez M, Gerrodette T, Barlow J, und Hrovat Y N (2007). Lessons from monitoring trends in abundance of marine mammals. Marine Mammal Science, 23: Teilmann J und Carstensen J (2012). Negative long term effects on harbour porpoises from a large scale offshore wind farm in the Baltic-evidence of slow recovery. Environmental Research Letters, 7: Thompson PM, Brookes KL, Graham IM, Barton TR, Needham K, Bradbury G und Merchant ND (2013). Short-term disturbance by a commercial two-dimensional seismic survey does not lead to long-term displacement of harbour porpoises. Proceedings of the Royal Society B: Biological Sciences, 280: Thomsen F, Laczny M und Piper W (2006). A recovery of harbour porpoises (Phocoena phocoena) in the southern North Sea? A case study off Eastern Frisia, Germany. Helgoland Marine Research, 60(3): Tougaard J, Carstensen J, Teilmann J, Skov H und Rasmussen P (2009a). Pile driving zone of responsiveness extends beyond 20 km for harbor porpoises (Phocoena phocoena (L.)). The Journal of the Acoustical Society of America, 126: Tougaard J, Henriksen OD und Miller LA (2009b). Underwater noise from three types of offshore wind turbines: estimation of impact zones for harbor porpoises and harbor seals. The Journal of the Acoustical Society of America, 125: Van Polanen Petel T, Geelhoed S und Meesters E (2012). Harbour porpoise occurrence in relation to the Prinses Amaliawindpark. IMARES Wageningen UR Report C177/10: 34 Seiten. Verfuß UK, Miller LA und Schnitzler H-U (2005). Spatial orientation in echolocating harbour porpoises (Phocoena phocoena). The Journal of Experimental Biology, 208: Seite 97

98 Verfuß UK, Honnef CG, Meding A, Dähne M, Mundry R und Benke H (2007). Geographical and seasonal variation of harbour porpoise (Phocoena phocoena) presence in the German Baltic Sea revealed by passive acoustic monitoring. Journal of the Marine Biological Association of the UK, 87: Verfuß UK, Honnef CG, Meding A, Dähne M, Adler S, Kilian A und Benke H (2008). The history of the German Baltic Sea harbour porpoise acoustic monitoring at the German Oceanographic Museum. In: Wollny-Goerke K, Eskildsen K (eds) Marine mammals and seabirds in front of offshore wind energy. Teubner Verlag / GWV Fachverlage GmbH, Wiesbaden: Verfuß UK, Miller LA, Pilz PKD und Schnitzler H-U (2009). Echolocation by two foraging harbour porpoises (Phocoena phocoena). The Journal of Experimental Biology, 212: Verfuß UK, Adler S, Brandecker A, Dähne M, Diederichs A, Gallus A, Herrmann A, Krügel K, Lucke K, Teilmann J, Tougaard J, Tregenza N, Siebert U und Benke H (2010). AMPOD Applications and analysis methods for the deployment of T-PODs in environmental impact studies for wind farms: Comparability and development of standard methods. (BMU-FKZ: ) Deutsches Meeresmuseum Stralsund: 116 Seiten. Verfuß UK, Dähne M, Gallus A, Jabbusch M und Benke H (2013). Determining the detection thresholds for harbor porpoise clicks of autonomous data loggers, the Timing Porpoise Detectors. The Journal of the Acoustical Society of America, 134: Vinther M (1999). Bycatches of harbour porpoises (Phocoena phocoena L.) in Danish set-net fisheries. Journal of Cetacean Research and Management, 1: Wanless S, Harris MP, Redman P und Speakman JR (2005). Low energy values of fish as a probable cause of a major seabird breeding failure in the North Sea. Marine Ecology Progress Series, 294: 1-8. Wartzok D, Altmann J, Au W, Ralls K, Starfield A, Tyack PL, Bintz J, Merrill J, Nadel R, Greene D, Capote S, Wilmore T, Grossblatt N und NRC National Research Council (2005). Marine Mammal Populations and Ocean Noise - Determining when noise causes biologically significant effects: 126 Seiten. Wenger D und Koschinski S (2012). Harbour porpoise (Phocoena phocoena Linnaeus, 1758) entering the Weser river after decades of absence. Marine Biology Research, 8: Wilke F, Kloske K und Bellmann M (2012). ESRa Evaluation of systems for ramming noise mitigation at an offshore test pile. RWE Offshore Logistics Company (OLC) GmbH, BMU-FKZ: : 168 Seiten. Wood, SN (2006). Generalized Additive Models: An Introduction with R. Chapman and Hall/CRC. Wood, SN (2011). Fast stable restricted maximum likelihood and marginal likelihood estimation of semiparametric generalized linear models. Journal of the Royal Statistical Society (B), 73(1): Wood S und Scheipl F (2013). gamm4: Generalized additive mixed models using mgcv and lme4. R package version Seite 98

99 Zuur AF, Ieno EN und Elphick CS (2010). A protocol for data exploration to avoid common statistical problems. Methods in Ecology and Evolution, 1: Seite 99

100 17. ANHANG 17.1 Tabellarische Zusammenfassung der Flugsurveys Tabelle A 1: Vorherrschender Seegang (% Gesamtstrecke) während der fluggestützten Erfassung von Schweinswalen im Gebiet des Testfeldes a) in den Jahren 2008 und Seegang (Bft.) b) im Jahr Seegang (Bft.) c) in den Jahren 2011 und Seegang (Bft.) Seite 100

101 Tabelle A 2: Zusammenfassung der fluggestützten Surveys im Testfeld. Survey = Eindeutige Kennzeichnungsnummer einer zusammenhängenden Befliegung; Aufwand = Effektiv beflogene Strecke in guten oder moderaten Sichtungsbedingungen; Sichtungsrate = Anzahl der Schweinswal-(gruppen)sichtungen pro effektiv beobachtetem Kilometer; Baustelle = Kennzeichnet (im Fall einer in einem 48h Intervall vorausgegangenen Rammung) die Baustelle, auf der gerammt wurde; Rammung = genaue Zeitangabe der Rammereignisse; Vergrämung = genaue Zeitangabe der Vergrämung; Flugzeitraum = minutengenauer Zeitraum des Surveys, Absetzung indiziert 2. Teil des Fluges (nach der Pause); Überlappung Rammung = Dauer der Überschneidung von Flugzeitraum und Rammungszeitraum; Überlappung Vergrämung = Dauer der Überschneidung von Flugzeitraum und Vergrämungszeitraum. Es lagen keine Informationen zu Vergrämungsmaßnahmen bei BARD Offshore 1 vor. Survey Datum Aufwand [km] Sichtungen Ind. Kälber Sichtungsrate (Sicht./km) Baustelle Rammung (UTC) Vergrämung (UTC) Flugzeitraum (UTC) ,09 08:47-14: ,08 07:08-10:42 Summe , ,06 AV Vibration am ,04 AV 11:20-12:10 09:50-12:30 Summe ,05 07:56-15:34 08:09-10:46 13:05-15: ,21 11:31-15: ,04 10:23 15:15 Summe , ,09 AV ,06 AV :42 15:33 16:38 22:58 05:05 06:43 16:24 18: ,03 AV 13:15 15: ,06 AV Summe 1, , : 22:21 22: : 00:20 00: :55 (22.05.) 00:40 02:40 22:00 11:35 18:20 21:00 22: : 17:50 (14.08.) 02:00 Überlappung Rammung 0s Überlappung Vergrämung 56m 0s 08:57 15:45 0s 0s 08:40 10:41 12:29 15:07 07:34 09:54 11:20 13:47 08:59 11:38 12:53 14: ,01 07:03 11:24 0s 0s 0s 32m 0s 2h01m 2h38m 0s 2h27m 0s Seite 101

102 ,09 08:43-13: ,07 Bard : 04:07 08:15 22:20 (11.05.) 01:39 07:34 10:15 11:26 13: ,16 08:57-14:52 Summe , ,13 08:42 15: ,05 09:02-13:33 Summe , ,15 09:06 15: ,06 Bard : 08:12 10:35 07:36 10:10 11:43-13:27 0s 0s 0s 0s Summe , ,01 Bard : 20:28 23: : 00:48 05:53 10:02 14:46 0s 0s ,08 Bard : 12:56 15:07 08:21 10:38 12:02 14:37 0 1h41m 0s Summe , ,02 11:51 15: ,15 07:49 15:00 Summe , ,06 Bard : 01:30 04:14 18:30-21: : 01:29 04:27 08:00 10:40 12:23 14: ,16 11:40-15:22 Summe , ,15 Bard :11 17:55 22:28 (11.07.) 02:22 07:51 10:40 11:52 13:56 0s 0s 0s 0s Seite 102

103 ,03 BWII ,07 BWII Summe , : 21:09 (24.09.) 00: : 17:58 21: : 20:05-22: : 17:30-18:05 07:48 13:43 0s 0s 08:24-11:06 13:01-14: ,06 08:56-15: ,17 Bard Summe , : 00:27 07:36 08:13 10:35 11:43 13:41 0s 0s 0s 0s , ,08 Bard 14:12 22:29 08:18 15:30 1h18m 0s ,01 08:19-13:38 Total ,09 Seite 103

104 Tabelle A 3: Schiffsurveys zur Erfassung von Schweinswalen in alpha ventus. Darstellung der Duplikate aus den Jahren 2008 bis 2011 (AVS/I bis AVS/V); Seegang = Seegang nach der Beaufort Skala; Sichtungen / Individuen = Anzahl der gesichteten Schweinswalgruppen / Anzahl der gesichteten Schweinswale (P = Wahrscheinliches Duplikat, D = Zweifelhaftes Duplikat). AVS=alpha ventus Schiffsurvey. Sichtungen / Individuen Duplikate Seegang AVS/I AVS/II AVS/III AVS/IV AVS/V Beaufort D10P / 30D13P Beaufort 1 0 1D1P / 1D1P 1P / 1P 0 15D15P / 27D28P Beaufort P / 1P Summe bei Bft 2 0 1D1P / 1D1P 1P / 1P 0 54D26P / 57D42P Beaufort 3 2P1D / 2P1D 0 1P / 1P 0 0 Gesamt 2P1D / 2P1D 1D1P / 1D1P 2P/2P 0 54D26P / 57D42P Seite 104

105 17.2 Kartografische Darstellung der flugzeuggestützten Schweinswalerfassungen Untersuchungszeitraum 2008: Abbildung 19: Ergebnisse der fluggestützten Schweinswalerfassung im August Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km). Das Testfeld alpha ventus ist durch das grüne Rechteck angezeigt. Abbildung 20: Ergebnisse der fluggestützten Schweinswalerfassung im September Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km). Das Testfeld alpha ventus ist durch das grüne Rechteck angezeigt. Seite 105

106 Untersuchungszeitraum 2009: StUKplus-Endbericht Marine Säugetiere Abbildung 21: Ergebnisse der flugzeuggestützten Schweinswalerfassung im April Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km). Das Testfeld alpha ventus ist durch das grüne Rechteck angezeigt. Abbildung 22: Ergebnisse der flugzeuggestützten Schweinswalerfassung im Mai Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km). Das Testfeld alpha ventus ist durch das grüne Rechteck angezeigt. Seite 106

107 Abbildung 23: Ergebnisse der flugzeuggestützten Schweinswalerfassung im Juli Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km). Das Testfeld alpha ventus ist durch das grüne Rechteck angezeigt. Abbildung 24: Ergebnisse der flugzeuggestützten Schweinswalerfassung im August Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km). Das Testfeld alpha ventus ist durch das grüne Rechteck angezeigt. Seite 107

108 Abbildung 25: Ergebnisse der flugzeuggestützten Schweinswalerfassung im September Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km). Das Testfeld alpha ventus ist durch das grüne Rechteck angezeigt. Seite 108

109 Untersuchungszeitraum 2010: StUKplus-Endbericht Marine Säugetiere Abbildung 26: Ergebnisse der fluggestützten Schweinswalerfassung im März Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km). Das Testfeld alpha ventus ist durch das grüne Rechteck angezeigt. Abbildung 27: Ergebnisse der fluggestützten Schweinswalerfassung im Mai Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km). Das Testfeld alpha ventus ist durch das grüne Rechteck angezeigt. Seite 109

110 Abbildung 28: Ergebnisse der fluggestützten Schweinswalerfassung im Juni Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km). Das Testfeld alpha ventus ist durch das grüne Rechteck angezeigt. Abbildung 29: Ergebnisse der fluggestützten Schweinswalerfassung im Juli Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km). Das Testfeld alpha ventus ist durch das grüne Rechteck angezeigt. Seite 110

111 Abbildung 30: Ergebnisse der fluggestützten Schweinswalerfassung im Oktober Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km). Das Testfeld alpha ventus ist durch das grüne Rechteck angezeigt. Seite 111

112 Untersuchungszeitraum 2011: StUKplus-Endbericht Marine Säugetiere Abbildung 31: Ergebnisse der fluggestützten Schweinswalerfassung im April Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km); grün = alpha ventus; gelb = BARD Offshore I. Die effektive Flugstrecke (nur in guten oder moderaten Sichtungsbedingungen) am ist in blau, die Strecke am in grau dargestellt. 1 & 3 zeigen Beginn, 2 & 4 jeweils das Ende der Surveystrecke am jeweiligen Tag. Abbildung 32: Ergebnisse der fluggestützten Schweinswalerfassung im Juni Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km); grün = alpha ventus; gelb = BARD Offshore I. Die effektive Flugstrecke (nur in guten oder moderaten Sichtungsbedingungen) am ist in blau, die Strecke am in grau dargestellt. 1 & 3 zeigen Beginn, 2 & 4 jeweils das Ende der Surveystrecke am jeweiligen Tag. Seite 112

113 Abbildung 33: Ergebnisse der fluggestützten Schweinswalerfassung am (Erfassung mit zwei Flugzeugen). Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km); grün = alpha ventus; gelb = BARD Offshore I Abbildung 34: Ergebnisse der fluggestützten Schweinswalerfassung im September Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km). Die effektive Flugstrecke (nur in guten oder moderaten Sichtungsbedingungen) am ist in blau, die Strecke am in grau dargestellt. 1 & 3 zeigen Beginn, 2 & 4 jeweils das Ende der Surveystrecke am jeweiligen Tag. Seite 113

114 Untersuchungszeitraum 2012: StUKplus-Endbericht Marine Säugetiere Abbildung 35: Ergebnisse der fluggestützten Schweinswalerfassung im Juni Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km); grün = alpha ventus; gelb = BARD Offshore I, Riffgat und Borkum West II. Die effektive Flugstrecke (nur in guten oder moderaten Sichtungsbedingungen) am ist in grau, die Strecke am in blau dargestellt. 1 & 3 zeigen Beginn, 2 & 4 jeweils das Ende der Surveystrecke am jeweiligen Tag. Abbildung 36: Ergebnisse der fluggestützten Schweinswalerfassung am Dargestellt ist die mittlere Dichte pro Rasterzelle (7x7 km); grün = alpha ventus; gelb = BARD Offshore I, Riffgat und Borkum West II. Seite 114