För att se om det fanns en effekt på fördelningen av fisk inom vindkraftparken användes data från provfisken utförda i maj månad åren 2008 till 2010. Totalt inkluderades 228 stationer, fördelat på 76 stationer per år, genom att de 40 stationerna från Vindval kombinerades med de 36 stationerna från
kontrollprogrammet. Analyserna utfördes separat för varje fiskart som
förekommit på minst 20 procent av stationerna totalt sett, det vill säga torsk, ål (gulål), oxsimpa, rötsimpa, skrubbskädda, stensnultra, svart smörbult och
4 Analyserna utfördes på rot-transformerade värden för responsvariabeln. Residualernas
normalfördelning verifierades efter varje analys med hjälp av Kolmogorov-Smirnovs test, och variansernas homogenitet med hjälp av Levenes test.
5 Detta gjordes genom en ANOVA jämförelse av förklaringsgraden hos en modell med och
en modell utan interaktionstermen. Om interaktionen bidrog signifikant till den totala förklaringsgraden bedömdes på basen av skillnaden i förklaringsgrad (Deviance) mellan de båda modellerna, under antagande av en F-fördelning (Zuur m.fl. 2007).
tånglake. Därtill analyserades förekomsten av strandkrabba och det totala antalet fiskindivider. För torsk utfördes separata analyser för två olika storlekskategorier (större och mindre än 37 cm).
Sambandet mellan antalet fiskar vid en station och stationens avstånd till närmaste vindkraftverk studerades genom generaliserade linjär modeller (GLM) 6. Avståndet mellan respektive station och närmaste vindkraftverk
beräknades på basen av de uppmätta positionerna vid provfisket och uppgifter om vindkraftverkens positioner enligt information från Vattenfall. I modellen inkluderades förutom faktorn AVSTÅND (log-transformerad) även faktorn ÅR som en nominell variabel, för att inkorporera eventuella skillnader i mängden fisk under olika år.
För att utvärdera om det observerade utfallet var enhetligt mellan år jämfördes resultatet med en alternativ modell, som även inkluderade interaktionen mellan år och avstånd. Om den alternativa modellen gav en signifikant högre förklaringsgrad än den första modellen, användes den
alternativa modellen. Som ett resultat av detta inkluderades även interaktionen mellan AVSTÅND och ÅR vid analyser av strandkrabba och total mängd fisk. Effektavstånd
I ett andra steg användes data från 2010 utförda i maj och oktober månad för att skatta det avstånd inom vilket avstånd från närmaste vindkraftverk ett eventuellt förändrat fördelningsmönster kunde observeras. Totalt inkluderades 116 stationer per årstid, genom att data från de 76 provfiskestationerna inom kontrollprogrammet kombinerades med data från 40 stationer provfiskade inom Vindval. Analyserna utfördes separat för varje fiskart som förekommit vid minst 20 procent av stationerna under båda årstider, det vill säga torsk, ål, tånglake och rötsimpa. Därtill analyserades fördelningen av strandkrabba och av den totala mängden fisk, angivet som antal individer totalt. För torsk utfördes separata analyser för individer större samt mindre än 37 centimeter.
För dessa analyser användes generaliserade additiva modeller (GAM), där variabeln AVSTÅND (log-transformerad) inkluderades som en spline-funktion med högst 3 frihetsgrader. Analysen utfördes separat för vår och höst. För de arter där variabeln avstånd var signifikant (p> 0,01) identifierades
effektavståndet på basen av grafer över dess partiella responskurva. De avståndsintervall där kurvan inklusive dess konfidensintervall var över noll användes för att indikera en relativt högre mängd fisk i relation till
datamaterialet som helhet (Zuur m.fl. 2007).
Samband mellan olika omgivningsfaktorer och fiskens fördelning Resultaten från provfiskena med ryssjor inom vindkraftparken år 2010
analyserades även i relation till olika omgivningsfaktorer som potentiellt kunde
6 Samtliga analyser av fördelningsmönster utfördes i programmet R 2.9.1 genom
användargränssnittet Brodgar 2.6.6 (Highland Statistics Ltd). Efter en inledande granskning av data och preliminära analyser baserades modellerna på en poisson-fördelning med korrigerad spridning (quasi-poisson). Tillvägagångssättet validerades genom att granska diagram över modellernas residualvariation i relation till de predicerade värdena och i relation till de förklarande variablerna. Förekomsten av avvikande värden utvärderas på basen av värden för Leverage (Zuur m.fl. 2007).
förklara fiskens rumsliga fördelningsmönster. I analysen relaterades mängden fisk på en viss provfiskestation till tre potentiella förklarande variabler,
nämligen AVSTÅND, LJUD och DJUP, för att se i) vilka av dessa faktorer som hade ett samband med förekomsten av fisk och ii) hur stor grad av den
observerade variationen mellan stationer dessa faktorer kunde förklara. Värden för variabeln avstånd beräknades på samma sätt som vid de ovan beskrivna analyserna, som avståndet mellan respektive station och närmaste vindkraftverk. Till skillnad från ovan inkluderades variabeln dock
otransformerad, eftersom det primära syftet var att jämföra variablerna med varandra (även övriga variabler inkluderades otransformerade). Värden för variabeln ljud hämtades från den akustiska modell som beskrivits i kapitlet om akustik (ljud) i denna rapport. För varje station beräknades medelljudnivån under en 24 timmars period, på basen av information om aktuell effekt i vindkraftparken under respektive provfiskedatum. Ljudmätningarna utfördes under maj månad, samtidigt som provfisket utfördes 2010, och modellen är därför sannolikt mest representativ för detta provfiske, men värden anpassades även för provfisket under hösten, på basen av information om då aktuell effekt. Värden för variabeln DJUP hämtades från uppmätt djup vid fisket.
Analysen utfördes med hjälp av generaliserade additiva modeller (GAM). Samtliga förklarande variabler inkluderades som spline-funktioner med högst 3 frihetsgrader. I ett första steg inkluderades samtliga tre faktorer. Därefter reducerades modellen med den faktor som bidrog med lägst förklaringsgrad. Detta upprepades ytterligare en gång, så att den sista modellen endast innehöll en faktor. Bland dessa identifierades sedan den bästa modellen som den modell som hade lägst gcv värde. Före analysen granskades faktorernas samvariation på basen av deras VIF värden (variance inflation factors), vilka var som högst 1,34. Korrelationen mellan ljudnivå och avstånd från vindkraftverk var låg, eftersom provfisket utfördes under delvis olika dagar inom en period om cirka två veckor. Under denna period varierade även vindkraftparkens effekt och därmed den modellerade ljudnivån. Därför kunde ett visst avstånd från vindkraftverken motsvaras av olika ljudnivåer under olika provfiskedagar. Därtill utfördes samma analyser separat med avseende på en variabel i taget. Analyserna utfördes för samma fiskarter som i analysen av effektavstånd.