Entwicklung von Methoden zur Untersuchung und Reduktion des Kollisionsrisikos von Fledermäusen an Onshore-Windenergieanlagen

Umwelt und Raum Band 4 Entwicklung von Methoden zur Untersuchung und Reduktion des Kollisionsrisikos von Fledermäusen an Onshore-Windenergieanlagen Ergebnisse eines Forschungsvorhabens *) Robert Brinkmann 1, Oliver Behr 2, Ivo Niermann 1 & Michael Reich 1 (Hrsg.) 1 Leibniz Universität Hannover, Institut für Umweltplanung, Herrenhäuser Str. 2, 30419 Hannover 2 Friedrich-Alexander-Universität Erlangen-Nürnberg, Institut für Tierphysiologie, Staudtstrasse 5, 91058 Erlangen *) Das diesem Bericht zugrunde liegende Vorhaben wurde mit Mitteln des Bundesministeriums für Umwelt, Naturschutz und Reaktorsicherheit unter dem Förderkennzeichen 0327638 A und B gefördert. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren. Schriftenreihe Institut für Umweltplanung Leibniz Universität Hannover

Bibliografische Information der Deutschen Nationalbibliothek Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie; detaillierte bibliografische Daten sind im Internet über http://d-nb.ddb.de abrufbar. 1. Aufl. - Göttingen: Cuvillier, 2011 Herausgeber Institut für Umweltplanung Leibniz Universität Hannover Herrenhäuser Straße 2, 30419 Hannover www.umwelt.uni-hannover.de Schriftleitung: Dr. Stefan Rüter Die Verantwortung für den Inhalt liegt bei den Autoren. Titelfotos: Klaus Echle (oben), Ivo Niermann (Mitte, unten) CUVILLIER VERLAG, Göttingen 2011 Nonnenstieg 8, 37075 Göttingen www.cuvillier.de Alle Rechte vorbehalten. Ohne ausdrückliche Genehmigung des Verlages ist es nicht gestattet, das Buch oder Teile daraus auf fotomechanischem Weg (Fotokopie, Mikrokopie) zu vervielfältigen. 1. Auflage, 2011 Gedruckt auf säurefreiem Papier ISBN 978-3-86955-753-3 ISSN 2190-7161

Inhaltsverzeichnis I Forschungsnehmer: Prof. Dr. Otto von Helversen Dr. Oliver Behr Jürgen Mages Prof. Dr. Michael Reich Dr. Robert Brinkmann Ivo Niermann Kristine Mayer Friedrich-Alexander-Universität Erlangen-Nürnberg, Institut für Tierphysiologie, Erlangen Staudtstrasse 5 91058 Erlangen Leibniz Universität Hannover Institut für Umweltplanung Herrenhäuser Str. 2 30419 Hannover Kooperationspartner: Dr. Reinhard Ebert Uwe Adomeit Dr. Fränzi Korner-Nievergelt Dr. Stefanie von Felten Prof. Dr. Barbara Hellriegel Boris de Wolf Fraunhofer Institut für Optronik, Systemtechnik und Bildauswertung Gutleuthausstr. 1 76275 Ettlingen oikostat GmbH Ausserdorf 43 CH - 6218 Ettiswil ENERCON GmbH Dreekamp 5 26605 Aurich Zitiervorschläge für Gesamtbericht bzw. Einzelberichte: BRINKMANN, R., O. BEHR, I. NIERMANN und M. REICH (Hrsg.) (2011). Entwicklung von Methoden zur Untersuchung und Reduktion des Kollisionsrisikos von Fledermäusen an Onshore- Windenergieanlagen. - Umwelt und Raum Bd. 4, 457 S., Cuvillier Verlag, Göttingen. BEHR, O., R. BRINKMANN, I. NIERMANN und F. KORNER-NIEVERGELT (2011). Akustische Erfassung der Fledermausaktivität an Windenergieanlagen. In: BRINKMANN, R., O. BEHR, I. NIERMANN und M. REICH (Hrsg.): Entwicklung von Methoden zur Untersuchung und Reduktion des Kollisionsrisikos von Fledermäusen an Onshore-Windenergieanlagen. - Umwelt und Raum Bd. 4, 177-286, Cuvillier Verlag, Göttingen.

Inhaltsverzeichnis 1 Inhaltsverzeichnis Zusammenfassung...3 Summary...10 BRINKMANN, R., O. BEHR, J. MAGES, I. NIERMANN und M. REICH Anlass, Aufgabenstellung und Studiendesign...16 NIERMANN, I., R. BRINKMANN, F. KORNER-NIEVERGELT und O. BEHR Systematische Schlagopfersuche - Methodische Rahmenbedingungen, statistische Analyseverfahren und Ergebnisse....40 NIERMANN, I., R. BRINKMANN, F. KORNER-NIEVERGELT und O. BEHR Windbedingte Verdriftungen von Fledermausschlagopfern an Windenergieanlagen ein Diskussionsbeitrag zur Methodik der Schlagopfersuche....116 BEHR, O., R. BRINKMANN, I. NIERMANN und J. MAGES Methoden akustischer Erfassung der Fledermausaktivität an Windenergieanlagen...130 ADOMEIT, U., I. NIERMANN, O. BEHR und R. BRINKMANN Charakterisierung der Fledermausaktivität im Umfeld von Windenergieanlagen mittels IR-Stereoaufnahmen...145 BEHR, O., R. BRINKMANN, I. NIERMANN und F. KORNER-NIEVERGELT Akustische Erfassung der Fledermausaktivität an Windenergieanlagen....177 BEHR, O., R. BRINKMANN, I. NIERMANN und F. KORNER-NIEVERGELT Vorhersage der Fledermausaktivität an Windenergieanlagen...287 KORNER-NIEVERGELT, F., O. BEHR, I. NIERMANN und R. BRINKMANN Schätzung der Zahl verunglückter Fledermäuse an Windenergieanlagen mittels akustischer Aktivitätsmessungen und modifizierter N-mixture Modelle...323 BEHR, O., R. BRINKMANN, I. NIERMANN und F. KORNER-NIEVERGELT Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen....354 NIERMANN, I., S. VON FELTEN, F. KORNER-NIEVERGELT, R. BRINKMANN und O. BEHR Einfluss von Anlagen- und Landschaftsvariablen auf die Aktivität von Fledermäusen an Windenergieanlagen....384

2 Inhaltsverzeichnis BRINKMANN, R., F. KORNER-NIEVERGELT, O. BEHR und I. NIERMANN Darf bezüglich des Kollisionsrisikos von einer Windenergieanlage auf bestehende oder geplante Anlagen in der Umgebung geschlossen werden?...406 BRINKMANN, R., O. BEHR, F. KORNER-NIEVERGELT, J. MAGES, I. NIERMANN und M. REICH Zusammenfassung der praxisrelevanten Ergebnisse und offene Fragen....425

354 Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen OLIVER BEHR a, ROBERT BRINKMANN b, IVO NIERMANN b, FRÄNZI KORNER-NIEVERGELT c a Friedrich-Alexander-Universität Erlangen-Nürnberg, Institut für Tierphysiologie, Erlangen b Leibniz Universität Hannover, Institut für Umweltplanung, Hannover c oikostat GmbH, Ettiswil (CH) 1 Zusammenfassung...355 2 Einleitung...356 3 Methode...359 3.1 Datengrundlage...359 3.2 Berechnung der Anzahl toter Fledermäuse aus der vorhergesagten Aktivität...360 3.3 Vergleich der vorhergesagten Zahl toter Fledermäuse für 10 Minuten Intervalle und für ganze Nächte...363 4 Berechnung fledermausfreundlicher Betriebsalgorithmen...364 5 Ertragseinbuße in Abhängigkeit von der Zahl in Kauf genommener toter Fledermäuse...366 6 Ertragseinbuße in Abhängigkeit vom verwendeten Modell der Aktivitätsvorhersage...368 7 Vergleich der Ertragseinbuße für die Aktivitätsvorhersage mit einem Gesamtmodell und mit Modellen für einzelne Anlagen...369 8 Diskussion...371 8.1 Erfassungszeitraum...371 8.2 Streuung der Zahl getöteter Fledermäuse...372 8.3 Zeiteinheit der Gefährdungsbeurteilung - 10 Minuten Intervalle...372 8.4 Übertragbarkeit der Methodik auf nicht im Forschungsvorhaben beprobte WEA.373 8.5 Spezifische fledermausfreundliche Betriebsalgorithmen für einzelne Artengruppen...375 8.6 Experimenteller Einsatz fledermausfreundlicher Betriebsalgorithmen...375 8.7 Effizienz fledermausfreundlicher Betriebsalgorithmen...377 9 Literatur...379 10 Anhang...382

Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen 355 1 Zusammenfassung Wir stellen in diesem Kapitel eine Methode vor, mit der das Schlagrisiko für Fledermäuse an WEA quantifiziert und reduziert werden kann. Die Reduktion des Schlagrisikos erfolgt durch fledermausfreundliche Betriebsalgorithmen, die anlagenspezifisch eine quantitative Abwägung von Belangen des Artenschutzes und der Energieerzeugung ermöglichen. Die hier dargestellten Arbeiten beruhen auf der Vorhersage der Fledermausaktivität für einzelne 10 Minuten Intervalle einerseits und der Berechnung der Schlagopferzahl aus der gemessenen akustischen Aktivität andererseits. Die Zusammenführung der beiden methodischen Ansätze ermöglicht es, für eine spezifische Anlage und einzelne Zeitabschnitte einen Erwartungswert der Zahl getöteter Fledermäuse anzugeben. Die Vorhersage beruht dabei auf den Einflussfaktoren Monat, Nachtzeit und der an der WEA gemessenen Windgeschwindigkeit (Temperatur und Niederschlag wurden aus dem Modell ausgeschlossen, da die Kosten für die Datenerhebung in der Praxis höher sind als der Nutzen durch die geringfügige Verbesserung des Modells). Eine Gegenüberstellung der Vorhersage der zu Tode kommenden Fledermäuse und des erzielten Energieertrags der Anlage ermöglicht dann eine abwägende Bewertung für einzelne Zeitabschnitte. Diese Bewertung einzelner Zeitabschnitte kann in einem zeitlich hoch auflösenden fledermausfreundlichen Betriebsalgorithmus der WEA verwendet werden. Der Algorithmus bestimmt die Zeiträume, in denen der Quotient aus der zu erwartenden Ertragseinbuße und der vorhergesagten Zahl toter Fledermäuse minimal ist. In diesen Zeiträumen wird die WEA aus dem Betrieb genommen, d.h. der Rotor wird still gestellt und damit die Kollision von Fledermäusen vermieden. Eine solche Anlagensteuerung kann das Risiko von Fledermausschlag reduzieren und gleichzeitig die aus der zeitweiligen Abschaltung resultierenden Ertragseinbußen minimieren. Unsere Ergebnisse können dabei das in Kauf genommene Risiko des Fledermausschlags quantifizieren, die Festlegung von Schwellenwerten für "tolerierbare" Schlagopferzahlen muss jedoch das Ergebnis eines politisch-gesellschaftlichen Abwägungsprozesses sein. Das geschilderte Vorgehen ist auf nicht im Forschungsvorhaben beprobte Anlagen übertragbar: Für diese Anlagen sind zunächst die spezifische Fledermausaktivität und die zur Vorhersage gewünschten Einflussfaktoren zu messen und daraus das entsprechende Modell zur Aktivitätsvorhersage zu entwickeln. Für Anlagen mit dem in Mitteleuropa an WEA typischen Artenspektrum und ähnlichen Rotordimensionen kann dann mit Hilfe des von uns kalibrierten Modells die Zahl zu erwartender toter Fledermäuse berechnet und gegebenenfalls durch einen fledermausfreundlichen Betriebsalgorithmus begrenzt werden. Anhand des im Forschungsvorhaben erhobenen Datensatzes konnten mögliche Szenarien fledermausfreundlicher Betriebsalgorithmen für die untersuchten Anlagen berechnet werden. Hierbei wurden Windgeschwindigkeit, Monat und Nachtzeit zur Vorhersage der Fledermausaktivität verwendet. Um das Schlagrisiko auf z.b. zwei tote Fledermäuse im Untersuchungszeitraum (15.06.2008 bis 31.10.2008) zu senken, wären Abschaltungen notwendig gewesen, die an einzelnen WEA zu Ertragsverlusten von maximal 1,15 (akustische Erfassung an der Gondel mit dem Batcorder) bzw. 1,46 % (akustische Erfassung mit dem Anabat SD1), im Mittel 0,32 bzw. 0,83 % und im Median 0,28 bzw. 0,75 % eines angenommenen Jahresertrags von 4500 MWh geführt hätten.

356 Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen 2 Einleitung Das Problem von Vogelschlag an WEA erregte wesentlich früher Aufmerksamkeit als die Kollision von Fledermäusen mit WEA-Rotoren. Eine entsprechend größere Zahl von Untersuchungen hat sich bislang mit dem Problem des Vogelschlags auseinandergesetzt (Übersicht in HÖTKER et al. 2004). Als Lösungsstrategie wird bei der Vogelschlagproblematik in erster Linie die Meidung potenziell problematischer Standorte verfolgt (Ausnahmen hiervon sind z.b. Vermeidungsansätze für Offshore-Anlagen und für Windparks in Zugrouten). Der Erfolg dieser Strategie ist dabei im Allgemeinen recht gut (für einige Arten jedoch noch ungenügend). Erst später rückte auch das Problem des Fledermausschlags an WEA verstärkt ins öffentliche Bewusstsein und damit auch in den Fokus entsprechender Untersuchungen (z.b. RAHMEL et al. 1999; BACH 2001). Entsprechend dem Vorgehen bei der Vogelschlagproblematik wird meist auch hinsichtlich der Fledermäuse versucht, im Rahmen der Eingriffsplanung, also vor dem Bau der WEA, das potenzielle Schlagrisiko eines Standortes zu beurteilen und entsprechende Schlussfolgerungen für den Genehmigungsprozess zu ziehen. Bundesweit kamen und kommen dabei seit Jahren sehr uneinheitliche methodische und planerische Standards zur Anwendung als Beispiel seien hier die viel diskutierten und bundesweit uneinheitlichen Mindestabstände zu Wäldern und Gehölzen genannt (siehe dazu NIERMANN et al. 2011b). Trotz teilweise erheblicher Bemühungen seitens Behörden, Gutachtern und Entwicklern oder Betreibern von WEA-Standorten innerhalb der letzten zehn Jahre sind noch diverse methodische und inhaltliche Fragen zu klären, um WEA-Standorte hinsichtlich des Kollisionsrisikos für Fledermäuse zuverlässig und quantitativ beurteilen zu können. Zu einem großen Teil dürfte diese zögerliche Entwicklung dem Umstand geschuldet sein, dass die Untersuchung des Schlagrisikos für Fledermäuse an WEA große methodische Herausforderungen mit sich bringt. So wird die Zahl der an bestehenden WEA getöteten Fledermäuse nach wie vor meist durch Nachsuchen unter den Anlagen ermittelt. Dieses Vorgehen ist jedoch, besonders wenn die Schlagopferzahlen einer Anlage nicht sehr hoch sind, nur ein geringer Flächenanteil unter den Anlagen absuchbar ist oder die toten Fledermäuse von Aasfressern schnell entfernt werden, mit zahlreichen Problemen behaftet, die eines methodisch sauberen und aufwändigen Vorgehens bedürfen (siehe dazu NIERMANN et al. 2011a). Der notwendige methodische Aufwand wird bei Standortuntersuchungen in Europa jedoch nach wie vor nur in den wenigsten Fällen betrieben deutlich höhere und einheitlichere Standards werden in der Regel bei Schlagopfernachsuchen in Nordamerika angewendet (z.b. KUNZ et al. 2007). Schon die Untersuchung bestehender Anlagen ist also mit der gängigen Methodik problematisch. In entsprechend größerem Maße gilt dies für die Untersuchung von Standorten vor dem Bau der WEA. Die gängigen Nachweismethoden für das Vorkommen von Fledermäusen außerhalb von Quartieren sind in ihrer Reichweite begrenzt. Dies gilt für Netzfänge, aber auch für akustische Aktivitätsnachweise. Beide Methoden sind daher ungeeignet, vom Boden aus direkt die Aktivität im Rotorbereich moderner WEA zu erfassen. In wenigen Fällen wurden akustische Detektoren an Ballons (GRUNWALD et al. 2007), Zeppelinen (SATTLER et al. 2005) oder Drachen in größerer Höhe über dem Boden eingesetzt. Dies ist sicherlich als deutliche Verbesserung zu sehen, eignet sich jedoch aus

Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen 357 logistischen und Kostengründen kaum zu einer länger andauernden Erfassung und aus mechanischen Gründen z.b. nicht zu einer Untersuchung des Zusammenhangs von Windgeschwindigkeit und Aktivität. Darüber hinaus ist davon auszugehen, dass das Flugverhalten zumindest einiger Fledermausarten (z.b. P. pipistrellus) durch die WEA selbst und durch Veränderungen der Habitatstruktur beim Bau der Anlagen (Schaffung von Jagdhabitaten, z.b. Lichtungen, Kranstellplätze und Leitlinien, z.b. Schneisen, Zuwegungen) beeinflusst wird (BEHR et al. 2006c; CRYAN 2008; ARNETT et al. 2009b; CRYAN et al. 2009). Es ist daher zum derzeitigen Zeitpunkt selbst durch eine Höhenerfassung vor dem Bau der WEA nur bedingt möglich, auf die Aktivität im Rotorbereich nach dem Bau der WEA zu schließen. Untersuchungen zum Zusammenhang von akustischer Aktivität in größerer Höhe über dem Boden vor dem Bau und der Zahl getöteter Fledermäuse nach dem Bau von WEA sind aufwändig und langwierig. Entsprechend ist uns zum derzeitigen Zeitpunkt nur eine entsprechende Arbeit aus den USA bekannt, die kurz vor dem Abschluss steht (ARNETT et al. 2009b). Wegen der mit einer Höhenerfassung einhergehenden technischen Probleme wird häufig die akustische Aktivität von Fledermäusen am Boden gemessen und hieraus auf das potenzielle Schlagrisiko nach dem Bau der WEA geschlossen. Wir zeigen jedoch hier, dass zumindest an bestehenden WEA die Vorhersage der Aktivität im Gondelbereich aus einer bodennahen Erfassung selbst bei umfangreichen Stichproben mit einer relativ großen Ungenauigkeit behaftet ist (auch wenn mehr als 20 Nächte gemessen wurden, lag nur ein Drittel der Vorhersagen im Bereich von 50 150 % des eigentlichen Messwertes der Aktivität an der Gondel - siehe dazu BEHR et al. 2011a). Arbeiten zur Höhenstratifizierung der Fledermausaktivität haben große Unterschiede zwischen der Aktivität am Boden und an der Spitze von Messtürmen in etwa 30 bis 40 m Höhe (ARNETT et al. 2006; ARNETT et al. 2007; COLLINS et al. 2009) bzw. zwischen der Aktivität an der Gondel und am Fuß von WEA (BEHR et al. 2006a; BEHR et al. 2006b; BEHR et al. 2006c; BEHR et al. 2007; BEHR et al. 2011a) nachgewiesen. Die genannten Arbeiten zeigen darüber hinaus für größerer Höhen über dem Boden eine deutliche Verschiebung des Artenspektrums hin zu Arten des freien Luftraums. Ein weiterer methodischer Ansatz zur Beurteilung des Schlagrisikos vor dem Bau von WEA ist die Bewertung von Landschaftsparametern im Umfeld des geplanten Standortes. Dies wird zur Beurteilung des Schlagrisikos für Vögel eingesetzt (z.b. Nähe zu Gewässern, Rastplätzen, etc.). Auch dieses Vorgehen ist jedoch für die Vorhersage des Schlagrisikos von Fledermäusen als problematisch anzusehen, da nur wenige belastbare Belege für einen tatsächlichen Zusammenhang zwischen den bislang vorgeschlagenen Landschaftsparametern und dem Auftreten von Schlagopfern vorliegen (siehe dazu NIERMANN et al. 2011b). Auch wir ermittelten in unserer Untersuchung nur einen schwachen Zusammenhang einzelner Landschaftsparameter mit der an den WEA gemessen akustischen Aktivität. Mit herkömmlichen Methoden ist also die Analyse des potenziellen Schlagrisikos für Fledermäuse an einem geplanten WEA-Standort vor dem Bau der Anlagen mit einer großen Unsicherheit behaftet. Es liegen bislang auch nur wenige Arbeiten vor, die das Ergebnis solcher Voruntersuchungen mit den tatsächlichen Verhältnissen nach dem Bau der Anlagen abgleichen (z.b. eine noch nicht abgeschlossene 5 Jahres Studie in den USA: ARNETT et al. 2009b). In einer aktuellen Studie aus Frankreich war die Zahl der Schlagopfer wesentlich höher als nach den Voruntersuchungen angenommen (BEUCHER et al. 2010).

358 Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen Das von uns verwendete und in ähnlicher Weise bereits an einigen Standorten umgesetzte Vorgehen konzentriert sich daher auf die Erfassung des Kollisionsrisikos an der bestehenden WEA (siehe dazu BEHR et al. 2011a; KORNER-NIEVERGELT et al. 2011). Das Kollisionsrisiko wird dabei durch akustische Aktivitätserfassung im Rotorbereich der WEA quantifiziert. Als nachteilig hierbei ist zu sehen, dass eine Beurteilung der WEA und die Ausarbeitung entsprechender Vermeidungsmaßnahmen erst nach dem Bau der Anlagen erfolgt. Dies führt zu einer gewissen Unsicherheit bei der Standortplanung, die sich nach der derzeit vorliegenden Datenlage jedoch in einem eng umgrenzten Rahmen bewegt (siehe Abschnitt 5). Als Vorteil ist zu sehen, dass bei der von uns vorgeschlagenen Erfassung einige der weiter oben genannten Probleme nicht auftreten: Die Aktivität und damit das Schlagrisiko von Fledermäusen wird an der bestehenden Anlage und im eigentlichen Gefährdungsbereich erfasst. Der Nachweis der akustischen Aktivität kann mit modernen automatisierten Verfahren einfacher und methodisch einheitlicher erfolgen als die Suche nach Schlagopfern unter den WEA (zu den methodischen Voraussetzungen der Schlagopfersuche siehe NIERMANN et al. 2011a). Wir konnten zeigen, dass die von uns entwickelte Methodik des akustischen Monitorings eine Dauererfassung während der Sommermonate mit vertretbarem Aufwand zulässt (dies ist u.a. wegen der für Fledermäuse typischen sehr kurzzeitigen Aktivitätsmaxima ein entscheidender Vorteil gegenüber Untersuchungen, die diesen Zeitraum nur in Stichproben untersuchen). Zeigt die akustische Aktivitätserfassung an der Gondel einer WEA, dass das Schlagrisiko in einem nicht akzeptablen Bereich liegt, so kann das Schlagrisiko durch einen anlagenspezifischen fledermausfreundlichen Betriebsalgorithmus reduziert werden, der den Rotor unterhalb eines festzulegenden Schwellenwertes zum Stillstand bringt. Eine Studie in den USA hat gezeigt, dass an still stehenden Rotoren von WEA keine Fledermäuse verunglückten (ARNETT 2005). Die Wirksamkeit fledermausfreundlicher Betriebsalgorithmen wurde nach unserer Kenntnis bislang weltweit in drei Experimenten nachgewiesen (BEHR et al. 2006c; ARNETT et al. 2009a; BAERWALD et al. 2009). Hierbei wurden als Einschaltpunkt jeweils Windgeschwindigkeiten festgelegt, die über der Windgeschwindigkeit lagen, ab der die Anlagen normalerweise in Betrieb gehen. Im Gegensatz zu diesem relativ groben Muster für den Anlagenbetrieb hat das von uns entwickelte Vorgehen folgende Vorteile: Die von uns vorgeschlagenen Betriebsalgorithmen sind anlagenspezifisch und berücksichtigen daher die teilweise sehr großen Unterschiede zwischen einzelnen Anlagen in der Fledermausaktivität und im erzielten Ertrag berücksichtigen zur Vorhersage spezifischer Gefährdungszeiträumen neben der Windgeschwindigkeit ggf. weitere Einflussfaktoren wie Monat, Nachtzeit, Temperatur und Niederschlag ermöglichen damit eine Gewichtung verschiedener Jahreszeiten können für ein festzulegendes Schlagrisiko für Fledermäuse spezifiziert werden. Ziel der hier dargestellten Arbeiten war die Zusammenführung der Vorhersage der Fledermausaktivität für 10 Minuten Intervalle (BEHR et al. 2011b) einerseits und der Berechnung der Zahl zu Tode kommender Fledermäuse aus der gemessenen akustischen Aktivität (KORNER-NIEVERGELT et al. 2011) andererseits. Die Kombination der beiden methodischen Ansätze ermöglichte es, für einzelne Zeitabschnitte und basierend auf den gemessenen

Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen 359 Einflussfaktoren Monat, Nachtzeit, Windgeschwindigkeit, Temperatur und Niederschlag einen Erwartungswert für die Zahl getöteter Fledermäuse anzugeben. Wir wählten als Zeitabschnitt 10 Minuten Intervalle, da einerseits eine Anpassung des WEA-Betriebs für noch kürzere Zeitfenster technisch schwierig und andererseits die Abbildung der vorhergesagten Fledermausaktivität mit 10 Minuten Intervallen hinreichend genau ist. Eine Gegenüberstellung des Erwartungswertes für die Zahl zu Tode kommender Fledermäuse und des im selben 10 Minuten Intervall erzielten Energieertrags der Anlage mündete dann in eine abwägende Bewertung von Belangen des Artenschutzes und der Energieerzeugung. Im Einzelnen gibt dieses Kapitel zunächst eine kurze Einführung in die Struktur des verwendeten Datensatzes (3.1). Es folgt eine methodische Darstellung zur Berechnung der Zahl toter Fledermäuse für einzelne 10 Minuten Intervalle (3.2 und 3.3). Im Anschluss stellen wir die von uns vorgeschlagene Berechnung fledermausfreundlicher Betriebsalgorithmen dar (4) und erläutern deren Konsequenzen für den Betrieb der Anlagen (5), in Abhängigkeit vom verwendeten Modell der Aktivitätsvorhersage (6) und für Vorhersagen basierend auf Einzelanlagen oder dem Gesamtdatensatz (7). Am Ende diskutieren wir verschiedene Implikationen der Betriebsalgorithmen (8). 3 Methode 3.1 Datengrundlage Die Analysen dieses Kapitels erfolgten, wie auch in den vorhergehenden Kapiteln, getrennt für die eingesetzten Detektoren (Anabat SD1 im folgenden SD1, und Batcorder installiert in der WEA-Gondel kurz BCGondel) und für einzelne Artengruppen. Die Artengruppen Chiroptera, Nyctaloid und Pipistrelloid waren häufig und der jeweilige Datensatz damit groß genug, um eine Formel zur Berechnung der Zahl toter Fledermäuse aus der gemessenen akustischen Aktivität zu erstellen (KORNER-NIEVERGELT et al. 2011). In diesem Kapitel wurden für das Jahr 2008 die Datensätze für die Artengruppe Chiroptera (Detektorkategorien SD1 und BCGondel) und zu Vergleichszwecken die Artengruppe Nyctaloid für den BCGondel näher analysiert (zur Größe des jeweiligen Datensatzes siehe BEHR et al. 2011a). Fledermausfreundliche Betriebsalgorithmen basierend auf dem Datensatz für Pipistrelloid erscheinen zum jetzigen Zeitpunkt nicht sinnvoll, da sich an keiner Anlage unseres Datensatzes das Artenspektrum auf diese Gruppe beschränkte (das Kollisionsrisiko kann jedoch artspezifisch differenziert dargestellt werden, wenn dies planungsrechtlich notwendig sein sollte - siehe dazu KORNER-NIEVERGELT et al. 2011). Entsprechend der Struktur des vorliegenden Datensatzes beschränkten wir uns bei der Auswertung in diesem Kapitel auf den Zeitraum 15.06.2008 bis 31.10.2008 (entsprechend 139 Tagen) mit 69 Anlagen (für eine Anlage lagen keine Winddaten vor) aus 35 Windparks in 5 Naturräumen für den BCGondel und 11 Anlagen aus 6 Windparks in 4 Naturräumen für den SD1. Im Mittel wurden 78 % (BCGondel) bzw. 69 % (SD1) der 139 Nächte je Anlage beprobt (Median BCGondel 83 %, SD1 72 %). Nicht beprobte Zeiträume wurden extrapoliert. Hierbei wurde vereinfachend angenommen, dass sich sowohl die Verteilung der Aktivität als auch die Verteilung der Windgeschwindigkeit nicht zwischen beprobten und extrapolierten Zeiträumen unterschied.

360 Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen Der analysierte Zeitraum beinhaltete nicht die gesamte Aktivitätsperiode von Fledermäusen im Sommerhalbjahr, da z.b. keine Werte für den Zeitraum März bis Mitte Juni eingingen und daher für diesen Zeitraum auch keine Ertragsverluste berechnet wurden. Fledermausfreundliche Betriebsalgorithmen, die die gesamte Aktivitätsperiode von Fledermäusen berücksichtigen, müssten bei gleicher Zahl pro Jahr in Kauf genommener toter Fledermäuse einen höheren Schwellenwert für die Abschaltung ansetzen und würden damit zu höheren Kosten führen als die hier dargestellten. 3.2 Berechnung der Anzahl toter Fledermäuse aus der vorhergesagten Aktivität Zur Vorhersage der akustischen Aktivität verwendeten wir die in einem vorherigen Kapitel (BEHR et al. 2011b) eingeführten generalisierten linearen Modelle (GLM). Zur Vorhersage der Anzahl toter Fledermäuse aus der akustischen Aktivität benutzten wir die Formeln aus den mixture Modellen (KORNER-NIEVERGELT et al. 2011). Wir verwendeten den Typ A der erstellten mixture Modelle (Formel M ~ scakt + scwind + scwind 2 ) mit informativen a priori Verteilungen für die Entdeckungswahrscheinlichkeiten. Problematisch hierbei war, dass die Aktivitätswerte zwar für einzelne 10 Minuten Intervalle vorhergesagt werden, die Vorhersage der Zahl toter Fledermäuse aber auf ganzen Nächten beruht (da die mixture Modelle unter anderem auf Grundlage der Ergebnisse der Schlagopfernachsuche mit Werten für ganze Nächte erstellt wurden). Wird für den Zusammenhang zwischen Aktivität und der Zahl toter Fledermäuse eine lineare Abhängigkeit angenommen (wie bei den mixture-modellen mit identity-link Funktion, Typ B), so kann die für 10 Minuten Intervalle vorhergesagte Anzahl von Aufnahmen einfach anhand der Formel in die Zahl toter Fledermäuse umgerechnet werden (eine Verdoppelung der akustischen Aktivität entspricht dann einer Verdoppelung der Zahl toter Fledermäuse). Da sich jedoch der Typ A der mixture Modelle mit log-link Funktion als besser geeignet zur Berechnung der Zahl toter Fledermäuse pro Nacht erwiesen hatte, verwendeten wir diesen Modelltyp auch für die Berechnung für 10 Minuten Intervalle. Der Modelltyp A geht von einem exponentiellen Zusammenhang zwischen der akustischen Aktivität (als Zahl von Aufnahmen) und der Zahl toter Fledermäuse unter Berücksichtigung der Windgeschwindigkeit aus (KORNER-NIEVERGELT et al. 2011). Es ist daher nicht möglich, die Aktivitätswerte der 10 Minuten Intervalle direkt in tote Fledermäuse umzurechnen (eine Verdoppelung der akustischen Aktivität entspricht nicht einer Verdoppelung der Zahl toter Fledermäuse). Durch den exponentiellen Zusammenhang wäre die Summe vorhergesagter toter Fledermäuse aus 10 Minuten Intervallen einer Nacht (viele zahlenmäßig kleine Aktivitätswerte) größer als die Zahl vorhergesagter toter Fledermäuse, die sich aus der Gesamtaktivität dieser Nacht berechnet (ein einziger, zahlenmäßig großer Aktivitätswert). Wir wählten daher den Weg, 1. von der (vorhergesagten) Aktivität eines 10 Minuten Intervalls auf die Aktivität in der gesamten Nacht hochzurechnen, 2. dann für diese Nacht die Zahl toter Fledermäuse zu berechnen und schließlich 3. die Zahl toter Fledermäuse wieder auf die 10 Minuten Intervalle der Nacht zu verteilen.

Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen 361 Für den 1. Schritt wurde die vorhergesagte Aktivität (d.h. die vorhergesagte Anzahl von Aufnahmen) eines 10 Minuten Intervalls mit der Anzahl der 10 Minuten Intervalle der gesamten Nacht multipliziert (hierbei wurde der Median der Länge dieser Nacht an allen untersuchten Anlagen verwendet). Weiter wurde die monatsspezifische Verteilung der vorhergesagten Aktivität auf verschiedene Nachtzeiten (siehe Abb. 1) als Gewichtungsfaktor berücksichtigt. Wenn z.b. (in einem bestimmten Monat) die durchschnittlich vorhergesagte Aktivität eines bestimmten Nachtzeit-Intervalls doppelt so hoch war wie die der gesamten Nacht (Gewichtungsfaktor 2), so wurden die Aktivitätswerte von 10 Minuten Intervallen aus diesem Nachtzeitintervall zunächst halbiert und dann mit der Anzahl von 10 Minuten Intervallen in dieser Nacht multipliziert, um die Zahl von Aufnahmen für die gesamte Nacht zu berechnen (siehe dazu auch Formeldarstellung weiter unten). Abb. 1: Die Verteilung der vorhergesagten Aktivität (BEHR et al. 2011b) über die Nacht (Sonnenuntergang 0, Sonnenaufgang 1 - siehe dazu BEHR et al. 2011a) für die Artengruppe Chiroptera und die Detektorkategorien SD1 und BCGondel im Jahr 2008. Farbige Linien zeigen die Werte einzelner Monate. Werte auf der y-achse geben den Quotienten aus der mittleren vorhergesagten Aktivität in einem Nachtintervall geteilt durch die mittlere vorhergesagte Aktivität aller Nächte des jeweiligen Monats an. Werte sind gemittelt über alle Anlagen des Datensatzes 2008 und den angegebenen Monat (Werte in Tab. 1 im Anhang). Im 2. Schritt wurde aus der für die Nacht hochgerechneten akustischen Aktivität (als Anzahl von Aufnahmen) die für die gesamte Nacht vorhergesagte Zahl toter Fledermäuse berechnet. Hierzu wurde die aus den mixture Modellen entwickelte Formel verwendet (KORNER-NIEVERGELT et al. 2011).

362 Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen Im 3. Schritt wurde die für die gesamte Nacht vorhergesagte Zahl toter Fledermäuse wiederum auf die einzelnen 10 Minuten Intervalle aufgeteilt. Hierbei nahmen wir an, dass sich die Verteilung der toten Fledermäuse entsprechend der Verteilung der Aktivitäten über die Nacht verhält. Entsprechend wurde die Zahl toter Fledermäuse der gesamten Nacht durch die Anzahl von 10 Minuten Intervallen der Nacht geteilt und wiederum mit dem Gewichtungsfaktor für die Verteilung der Aktivität über die Nacht multipliziert (vgl. Schritt 1). Die drei oben dargestellten Rechenschritte in Formeldarstellung: Schritt 1: Hochrechnung der Aktivität von 10 Minuten Intervallen auf ganze Nächte: A = A10 Schritt 2: Vorhersage der Zahl toter Fledermäuse für ganze Nächte aus für der auf ganze Nächte hochgerechneten Aktivität (zur Herleitung der Formel siehe KORNER-NIEVERGELT et al. 2011): nzi G T = exp a 0 + a 1 log( A + 1) sc11 + a sc12 2 W10 sc21 W + a3 sc22 10 sc sc22 2 21 Schritt 3: Vorhersage der Zahl toter Fledermäuse für einzelne 10 Minuten Intervalle T = T 10 G nzi T vorhergesagte Zahl toter Fledermäuse pro Nacht T10 vorhergesagte Zahl toter Fledermäuse pro 10 Minuten Intervall A Aktivität (vorhergesagte Anzahl Aufnahmen) pro Nacht A10 Aktivität (vorhergesagte Anzahl Aufnahmen) pro 10 Minuten Intervall W10 Mittelwert der Windgeschwindigkeit pro 10 Minuten Intervall a0, a1, a2 und a3 Koeffizienten des mixture Modells (Intercept, Aktivität, Windgeschwindigkeit und quadratischer Effekt der Windgeschwindigkeit) sc11, sc12, sc21, sc22 Skalierungsfaktoren (Aktivität und Windgeschwindigkeit) nzi Anzahl 10 Minuten Intervalle pro Nacht (spezifisch für das Datum) G Gewichtungsfaktor Verteilung der Aktivität über die Nacht (spezifisch für Faktorstufen der Nacht) Die bisherige Darstellung der Vorhersage der Zahl toter Fledermäuse für 10 Minuten Intervalle bezog sich auf vorhergesagte Aktivitätswerte aus den generalisierten linearen Modellen (GLM). Um die Realitätsnähe dieser Berechnungen zu prüfen, führten wir dieselben Berechnungen auch mit gemessenen Aktivitätswerten (also der Anzahl von Aufnahmen) für 10 Minuten Intervalle durch. In diesem Fall wurde in Schritt 1 nicht die Aktivität von 10 Minuten Intervallen auf Nächte hochgerechnet, sondern die gemessene Aktivität für die Nacht summiert. Entsprechend erfolgte in Schritt 3 die Verteilung der für die ganze Nacht vorhergesagten Zahl toter Fledermäuse auf die einzelnen 10 Minuten Intervalle entsprechend der gemessenen Aktivitäten (mit Ausnahme der Nächte ohne gemessene Aktivität hier wurde so verfahren wie oben für die vorhergesagten Aktivitäten beschrieben). Die Berechnung in Schritt 2 erfolgte so wie oben für vorhergesagte Aktivitäten angegeben.

Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen 363 3.3 Vergleich der vorhergesagten Zahl toter Fledermäuse für 10 Minuten Intervalle und für ganze Nächte Abb. 2 vergleicht die Berechnung der Zahl toter Fledermäuse aus im generalisierten linearen Modell (GLM) vorhergesagten Aktivitäten und für 10 Minuten Intervalle einerseits und aus gemessenen Aktivitäten und für ganze Nächte andererseits. Abweichungen für einzelne Nächte haben zwei Ursachen: Zum einen den Unterschied zwischen gemessenen und vorhergesagten Aktivitäten (als Anzahl Aufnahmen) und zum anderen die unterschiedliche Berechnung der Zahl toter Fledermäuse für 10 Minuten Intervalle bzw. Nächte. Abb. 2: Berechnung der Zahl getöteter Fledermäuse pro Nacht aus vorhergesagten Aktivitäten und für 10 Minuten Intervalle einerseits (y-achse) und aus gemessenen Aktivitäten und für ganze Nächte andererseits (x-achse). Kreise zeigen Vorhersagen für einzelne Nächte. Die berechnete Zahl toter Fledermäuse für 10 Minuten Intervalle wurde für Nächte summiert. Die Berechnung der Werte auf der y-achse folgte dem in diesem Kapitel dargestellten Verfahren, die Berechnung der Werte auf der x-achse für ganze Nächte erfolgte entsprechend dem Kapitel zu den mixture Modellen (KORNER-NIEVERGELT et al. 2011). Die Kreise sind transparent, so dass erst drei übereinander liegende Kreise einen schwarzen Farbeindruck vermitteln. Die rote Linie zeigt Werte absoluter Übereinstimmung. Die schwarze Linie ist der gleitende Mittelwert der Werte der y-achse für Abschnitte der x-achse (Funktion loess im R-Paket stats, span = 0.5). Linke Abbildung: auf der y-achse Vorhersage der Schlagopferzahl mit Windgeschwindigkeitswerten einzelner 10 Minuten Intervalle, auf der x-achse mit dem Median der Windgeschwindigkeit über die Nacht. Rechte Abbildung: Berechnung beider Achsen mit dem Median der Windgeschwindigkeit über die Nacht. Datensatz Chiroptera (sämtliche Fledermausaufnahmen) für den BCGondel im Jahr 2008. Gezeigt sind nur Nächte, für die sowohl akustische Messungen als auch Werte aus Schlagopfernachsuchen vorlagen.

364 Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen Insgesamt zeigte sich eine relativ hohe Übereinstimmung der Vorhersagen. Die auf vorhergesagten Aktivitäten beruhende Berechnung toter Fledermäuse ergab etwas mehr mittlere und weniger sehr hohe Werte als die auf gemessene Aktivitäten basierende Berechnung. Dies ist damit zu erklären, dass Ausreißer der gemessenen Aktivität nach oben im GLM-Modell nur unvollständig vorhergesagt wurden (BEHR et al. 2011b). Der Unterschied zwischen den x- und y-werten war größer, wenn für die Aktivitätsvorhersage für 10 Minuten Intervalle auch Windgeschwindigkeitswerte der 10 Minuten Intervalle verwendet wurden (linke Abbildung). Vermutlich ist dieses Vorgehen jedoch realitätsnäher, wie eine Detailanalyse von Nächten mit hoher Aktivität und heterogener Windgeschwindigkeitsverteilung ergab. Diese Nächte zeigten in Abb. 2 eine starke Abweichung von der perfekten Übereinstimmung (Nächte mit Werten über 0.25 auf der x- Achse): Die Fledermausaktivität konzentrierte sich in diesen Nächten häufig auf die windärmeren 10 Minuten Intervalle mit stehenden Rotoren. Das tatsächliche Gefährdungspotential war daher geringer als der Median der Windgeschwindigkeit über die Nacht und damit die Vorhersage toter Fledermäuse auf der x-achse nahe legte. Wir verwendeten daher bei der Berechnung fledermausfreundlicher Betriebsalgorithmen die 10 Minuten Werte der Windgeschwindigkeit. 4 Berechnung fledermausfreundlicher Betriebsalgorithmen Um WEA fledermausfreundlich und gleichzeitig ökonomisch möglichst sinnvoll betreiben zu können, müssen einzelne Zeitabschnitte wir wählten dazu 10 Minuten Intervalle gewichtet werden: Einerseits hinsichtlich ihres Gefährdungspotentials für Fledermäuse und andererseits hinsichtlich der zu erwartenden Ertragseinbuße für den Fall, dass die Rotoren in diesem Zeitraum still gestellt werden. Wir berechneten daher als Gewichtungsfaktor den Quotienten aus den beiden genannten Größen für einzelne 10 Minuten Intervalle: Ertrag( kwh) vorhergesagte _ Zahl _ toter _ Fledermäuse Dieser Quotient ergibt hohe Werte für 10 Minuten Intervalle, die in ökonomischer Hinsicht wichtig und gleichzeitig für Fledermäuse relativ ungefährlich sind. Geringe Werte ergeben sich für 10 Minuten Intervalle, in denen der Ertrag der Anlage gering, die Gefahr von Fledermauskollisionen aber verhältnismäßig hoch ist. Soll nun die Zahl vorhergesagter toter Fledermäuse auf einen bestimmten Schwellenwert gesenkt werden, so können die 10 Minuten Intervalle mit den kleinsten Quotienten aus dem Betrieb genommen werden. Es sind so lange 10 Minuten Intervalle mit zunehmend höheren Werten des Quotienten auszuschließen, bis die Summe der Zahl vorhergesagter toter Fledermäuse für die im Betrieb verbleibenden 10 Minuten Intervalle unter dem festgelegten Schwellenwert liegt. Die zu erwartende Ertragseinbuße ergibt sich dabei einfach als Summe der von der Anlage erzeugten Energie in den ausgeschlossenen 10 Minuten Intervallen. Abb. 3 verdeutlicht die dargestellten Zusammenhänge grafisch.

Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen 365 Abb. 3: Gewichtung einzelner 10 Minuten Intervalle bei fledermausfreundlicher Anlagensteuerung für die Detektorkategorie BCGondel (links) und SD1 (rechts) für alle Fledermausaufnahmen (Artengruppe Chiroptera). Alle dargestellten Werte sind Mittelwerte der im Jahr 2008 beprobten WEA für den Zeitraum 15.6. bis 31.10. Nicht beprobte Zeiträume einzelner Anlagen wurden extrapoliert. X-Achse: als Gewichtungsfaktor der Quotient aus Ertrag (in kwh) / vorhergesagte Zahl toter Fledermäuse. Achse logarithmisch dem Quotienten wurde der Wert 1 hinzuaddiert, um auch Nullwerte darstellen zu können (Nullwerte sind 10 Minuten Intervalle ohne Ertrag und als senkrechter Abschnitt der roten und schwarzen Kurven links oben zu erkennen). Für eine übersichtliche Darstellung wurde die Achse rechts beim Wert 1e+10 abgeschnitten. Y-Achse links für die schwarze und rote Kurve: Kumulative Anzahl vorhergesagter toter Fledermäuse (summiert über der x-achse von rechts große Quotienten nach links kleine Quotienten). Die schwarze Kurve basiert auf der im GLM- Modell vorhergesagten akustischen Aktivität, die rote Kurve auf der gemessenen akustischen Aktivität. Y-Achse rechts für die grüne Kurve: Kumulativer Ertrag der WEA in Prozent eines angenommenen Jahresertrags von 4500 MWh (summiert über der x-achse von links kleine Quotienten nach rechts große Quotienten). 4500 MWh entsprechen dem Mittelwert des Jahresertrags einer typischen Küsten- und einer Binnenlandanlage der 2 MW Klasse (Mittlg. der Firma Enercon). Das Maximum dieser Achse entspricht dem Gesamtertrag im analysierten Zeitraum, das von der grünen Kurve nicht erreicht wird, da die x-achse rechts abgeschnitten wurde. Gestrichelte Linien zeigen das Vorgehen bei der Implementierung fledermausfreundlicher Betriebsalgorithmen: Der festgelegte Schwellenwert von 2 toten Fledermäusen auf der linken y-achse (schwarz) entspricht einem bestimmten Schwellenwert des Gewichtungs-Quotienten auf der x-achse (blau) und dieser einer bestimmten Ertragseinbuße auf der rechten y-achse (grün). Im Vergleich zu der Berechnung der Zahl toter Fledermäuse aus den vorhergesagten Aktivitäten (schwarz) ist die Zahl toter Fledermäuse basierend auf den gemessenen Aktivitäten (rot) gezeigt. Der Bereich links von der senkrechten blauen Linie enthält 10 Minuten Intervalle, während derer beim hier angenommenen Schwellenwert von 2 toten Fledermäusen die Anlagen abgestellt werden müssten.

366 Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen Abb. 3 zeigt vergleichend die zu erwartenden Ertragsverluste bei der Berechnung der Zahl der Schlagopfer aus den im GLM-Modell vorhergesagten (schwarze Kurve) und aus den tatsächlich gemessenen Aktivitäten (rote Kurve). Es ist zu erkennen, dass die Werte basierend auf den vorhergesagten Aktivitäten etwas höher geschätzt wurden als die basierend auf den gemessenen Aktivitäten. Die Daten für den BCGondel und den SD1 zeigten deutliche Unterschiede. Die mittlere Zahl berechneter Schlagopfer aus der vorhergesagten Aktivität lag für den SD1 mit 8,3 höher als für den BCGondel mit 5,9 (der Bezugszeitraum der hier angegebenen Werte ist 139 Tage für beide Detektoren, dagegen 92 Tage in KORNER-NIEVERGELT et al. 2011). Hierbei ist zu beachten, dass die Stichprobe für den SD1 mit elf Anlagen relativ klein und die Aussagekraft für diesen Detektor entsprechend eingeschränkt war. Mögliche weitere Ursachen der Unterschiede zwischen BCGondel und SD1 werden unten diskutiert (siehe Abschnitt 8.7). 5 Ertragseinbuße in Abhängigkeit von der Zahl in Kauf genommener toter Fledermäuse Abb. 3 im vorherigen Kapitel zeigt die über alle Anlagen im Datensatz 2008 (Zeitraum 15.6. bis 31.10.) gemittelte Ertragseinbuße unter der Voraussetzung, dass durchschnittlich nur zwei tote Fledermäuse pro Anlage im genannten Zeitraum zu Tode kommen sollen. In Abb. 4 ist die Ertragseinbuße unter den gleichen Voraussetzungen aufgeschlüsselt für einzelne Anlagen dargestellt. Es zeigten sich deutlich verschiedene Werte für einzelne Anlagen, die in erster Linie auf Unterschieden in der Fledermausaktivität und in der Windgeschwindigkeit beruhen. Für einige Anlagen waren keine Abschaltungen nötig. Der Großteil der Anlagen lag im Bereich bis 0,6 % (BCG) bzw. 1,0 % (SD1) des Jahresertrags und einige wenige Anlagen darüber im Bereich bis 1,2 % (BCG) bzw. 1,6 % (SD1). Die Werte einzelner Anlagen lagen bei maximal 1,15 (BCGondel) bzw. 1,46 % (SD1), im Mittel bei 0,32 bzw. 0,83 % und im Median bei 0,28 bzw. 0,75 % Verlust von einem angenommenen Jahresertrag von 4500 MWh. Auch hier sind also deutliche Unterschiede zwischen dem BCGondel und dem SD1 (mit einer relativ kleinen Stichprobe) zu erkennen (siehe hierzu auch Abschnitt 8.7). Abb. 5 zeigt ebenfalls die zu erwartende Ertragseinbuße für einzelne Anlagen. Zusätzlich ist hier der Effekt verschiedener angenommener Schwellenwerte für die Zahl toter Fledermäuse dargestellt. Abgebildet sind die Ertragseinbußen unter der Voraussetzung, dass durchschnittlich nur 1, 2, 3, 5 oder 10 tote Fledermäuse pro Anlage und Jahr zu Tode kommen dürfen. Die Verteilung der Werte einzelner Anlagen sind je Schwellenwert als Box dargestellt (d.h. die Box bei Schwellenwert 2 entspricht der im Histogramm in Abb. 4 gezeigten Verteilung). Der gewählte Schwellenwert hatte einen starken Einfluss auf die zu erwartende Ertragseinbuße. Während die Erniedrigung der Schwelle von 2 auf 1 tote Fledermäuse die zu erwartende Ertragseinbuße mehr als verdoppelte, waren bei tolerierten 10 toten Fledermäusen so gut wie keine ertragsrelevante Abschaltungen nötig. Um die Ergebnisse für die beiden Detektoren SD1 und Batcorder besser vergleichen zu können, sind außerdem Boxen (bezeichnet mit BCG Vgl) für den Batcorder mit den Werten der Anlagen gezeigt, die auch mit dem SD1 beprobt wurden. Die Ergebnisse für diese einheitlichere Stichprobe waren sich nur minimal ähnlicher.

Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen 367 Abb. 4: Histogramm der Ertragseinbuße (in Prozent eines angenommenen Jahresertrags von 4500 MWh) einzelner WEA unter der Voraussetzung, dass durchschnittlich nur zwei tote Fledermäuse pro Anlage im beprobten Zeitraum zu Tode kommen sollen. Berechnung der Zahl toter Fledermäuse beruhend auf im GLM-Modell vorhergesagten Aktivitäten für 10 Minuten Intervalle (Datensatz alle Fledermausaufnahmen - Artengruppe Chiroptera). BCGondel (69 Anlagen - links) und SD1 (11 Anlagen - rechts) im Zeitraum 15.6.2008 bis 31.10.2008. Ein Betriebsalgorithmus, der die gesamte Aktivitätsperiode von Fledermäusen (inklusive der Monate März bis Mai) berücksichtigt, würde zu höheren Ertragseinbußen führen. Abb. 5: Boxplot der Ertragseinbuße (in Prozent eines angenommenen Jahresertrags von 4500 MWh) einzelner WEA unter der Voraussetzung, dass durchschnittlich nur 1, 2, 3, 5 oder 10 tote Fledermäuse pro Anlage und Jahr zu Tode kommen sollen. Ertragseinbuße basierend auf den Daten des BCGondel (69 Anlagen) und des SD1 (11 Anlagen). Zusätzlich gezeigt ist zu Vergleichszwecken die Ertragseinbuße für den BCGondel nur an den Anlagen, die auch mit dem SD1 beprobt wurden (BCG Vgl 11 Anlagen). Bezüglich des beprobten Zeitraums gilt dieselbe Einschränkung wie in Abb. 4.

368 Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen 6 Ertragseinbuße in Abhängigkeit vom verwendeten Modell der Aktivitätsvorhersage Die fledermausfreundlichen Betriebsalgorithmen und damit die Höhe der Ertragseinbuße waren sowohl vom Modell der Aktivitätsvorhersage (BEHR et al. 2011b) als auch von der Umrechnung der akustischen Aktivität in getötete Fledermäuse (KORNER-NIEVERGELT et al. 2011) abhängig. Bei der Modellentwicklung für die Aktivitätsvorhersage wurden Einflussvariablen mit ausreichendem Erklärungswert aus der Gesamtheit aller gemessenen Einflussvariablen (numerische Einflussvariablen: Windgeschwindigkeit und quadratischer Effekt der Windgeschwindigkeit; Faktoren: Temperatur, Niederschlag, Monat, Nachtzeit und Anlage) ausgewählt. Wegen der Größe des verwendeten Datensatzes fielen alle Tests der Einflussvariablen, auch solche mit kleinem Erklärungswert, in Likelihood-ratio-Tests hoch signifikant aus und führten auch zu einer Verringerung des AIC (Akaikes Informations Kriterium). Wir verwendeten daher für die Selektion der in das Modell eingehenden Variablen kein statistisches, sondern ein ökonomisches Kriterium. Die durch eine zusätzliche Einflussvariable gewonnene Information über die Fledermausaktivität spiegelt sich in einer verbesserten Vorhersage der Gefährdungszeiträume nieder. Je präziser diese Vorhersage ist, desto genauer kann ein fledermausfreundlicher Betriebsalgorithmus der WEA auf die Aktivität der Fledermäuse abgestimmt werden. Eine bessere Abstimmung bedeutet wiederum eine Verringerung der Ertragsausfälle bei annähernd gleichem positiven Effekt für die Fledermäuse. Abzuwägen ist also, ob der resultierende Ertragsgewinn den Aufwand für die Installation, die Wartung und die Datenverarbeitung der zusätzlichen Sensoren (z.b. für Temperatur oder Niederschlag) rechtfertigt. Windgeschwindigkeit, Datum und Uhrzeit werden ohnehin und damit ohne Zusatzaufwand an jeder WEA registriert. Für die Temperatur und den Niederschlag stellt sich jedoch die Frage, ob eine Installation der Sensoren ökonomisch sinnvoll ist. Abb. 6 zeigt den zu erwartenden Ertragsausfall je WEA für verschiedene fledermausfreundliche Betriebsalgorithmen, die eine unterschiedliche Anzahl von Einflussvariablen zur Vorhersage der Fledermausaktivität verwendeten. Der Ertragsverlust war umso niedriger, je mehr Einflussvariablen zur Vorhersage der Fledermausaktivität verwendet wurden. Bei Verwendung von Datum und Uhrzeit zusätzlich zur Windgeschwindigkeit (entsprechend dem bisherigen Vorgehen einer definierten Windgeschwindigkeit, unter der die Anlagen still gestellt werden) verringerte sich die Ertragseinbuße im Median um 0,054 % (entsprechend 4867 bei einem angenommenen Jahresertrag der WEA von 4500 MWh und einer Vergütung von 0,1 je kwh und einer Laufzeit von 20 Jahren Berechnung für die Daten des BCGondel). Bei zusätzlichem Einsatz von Temperatur- und Niederschlagssensoren noch einmal um 0,016 % (entsprechend 1397 unter den genannten Annahmen). Die Einsparung durch optimierte Betriebsalgorithmen dürfte also kaum zur Finanzierung der Anschaffungskosten, der Installation und des Betriebs der Temperatur- und Niederschlagssensoren ausreichen. Wir verwendeten daher bei der Vorhersage der Fledermausaktivität Modelle mit Windgeschwindigkeit, Datum und Uhrzeit, jedoch ohne die Einflussvariablen Temperatur und Niederschlag (BEHR et al. 2011b).

Fledermausfreundliche Betriebsalgorithmen für Windenergieanlagen 369 Abb. 6: Ertragsverlust je WEA in Prozent eines angenommenen Jahresertrags von 4500 MWh für verschiedene fledermausfreundliche Betriebsalgorithmen (Y-Achse). Die Algorithmen beruhen auf jeweils unterschiedlichen in die Aktivitätsvorhersage (GLM-Modelle) eingehenden Einflussvariablen und sind in verschiedenen Farben dargestellt (siehe Legende). Gezeigt ist der Verlust, wenn die Zahl toter Fledermäuse auf durchschnittlich ein bis zehn Tiere reduziert wurde (die Zahl durchschnittlich zugelassener toter Fledermäuse ist auf der X-Achse angegeben). Detektor BCGondel im Zeitraum 15.6. bis 31.10.2008 für die im Forschungsvorhaben beprobten Anlagen. 7 Vergleich der Ertragseinbuße für die Aktivitätsvorhersage mit einem Gesamtmodell und mit Modellen für einzelne Anlagen In einem anderen Kapitel (BEHR et al. 2011b) wurde die Aktivitätsvorhersage für 10 Minuten Intervalle aus der Windgeschwindigkeit, der Nachtzeit, dem Monat und einem anlagenspezifischen Faktor dargestellt. Es wurde ein Gesamtmodell für alle Anlagen des Datensatzes berechnet. Unterschiede zwischen den Anlagen im Aktivitätsniveau gingen in den anlagenspezifischen Faktor ein. Da keine Interaktionen zwischen den Einflussvariablen berücksichtigt wurden, wurden auch Unterschiede zwischen den Anlagen in der Verteilung der Aktivität über die Nacht oder über die Monate des Jahres nicht modelliert. Dies könnte sich für Anlagen als problematisch erweisen, die in wichtigen Aspekten der Fledermausaktivität stark vom Mittelwert aller Anlagen abweichen. Dies würde dazu führen, dass die Aktivität und damit die Zahl toter Fledermäuse an diesen Anlagen nur ungenau vorhergesagt werden. In einem solchen Fall wäre es günstiger, ein eigenes Modell nur für die an dieser Anlage erhobenen Daten zu erstellen. Auch dieses Vorgehen wurde bereits weiter oben diskutiert (BEHR et al. 2011b).