Sälar och skarvar är toppredatorer som spelar viktiga roller i ekosystemet. De väcker också debatt, och vilken påverkan säl och skarv har på fiskbestånd är en omdiskuterad fråga. För att kunna svara på den behövs bland annat information om vilka arter och storlekar av fisk som dessa rovdjur äter. Nu har forskare vid Sveriges lantbruksuniversitet, i samarbete med Havsforskningsinstitutet i Norge, utvecklat en ny metod som, med hjälp av maskininlärning, förbättrar forskarnas möjligheter att utföra noggranna dietanalyser.
Traditionellt har dietanalyser baserats på visuell/okulär identifiering av otoliter (öronstenar) och andra skelettdelar från de fiskar som rovdjuren ätit. Otoliterna samlas in i prover från rovdjurens mag-tarmkanal, spillningsprover från säl eller spybollar från skarv. Problemet är att många fiskarters otoliter är mycket lika varandra, vilket gör det svårt att skilja dem åt visuellt. Utmaningen blir ännu större när otoliterna är eroderade, vilket innebär att de delvis har brutits ner av de starka magsyrorna i rovdjurens magsäck.
- Att analyser dietprover är en tidskrävande process som också kräver stor expertkunskap. Genom att kombinera bildanalys av otoliterna med maskininlärning*, en form av AI, så har vi lyckats skapa ett effektivt verktyg som hjälper oss att förfina vår kunskap om vad sälar och skarvar faktiskt äter, säger Monica Mion, forskare vid institutionen för akvatiska resurser på SLU och huvudförfattare till den studie om den nya metoden som nyligen publicerats i den vetenskapliga tidskriften ICES Journal of Marine Science.
För att utveckla och testa den nya metoden genomförde Monica Mion och hennes kolleger en studie där de analyserade otoliter från siklöja och sik – två vanliga fiskarter på vikarsälens meny i Bottenviken. Vikaresälen här var starkt hotad under slutet av 1900-talet, men har nu återhämtat sig. Därmed har även sälarnas uttag av fisk ökat. Detta har lett till konflikter och till debatter om hur mycket fisk vikaresälarna egentligen äter och om de konkurrerar med yrkesfisket. Predation från vikaresäl ingår sedan en tid även i beståndsanalysen för siklöja i Bottenviken.
- Siklöjan är viktig för det kommersiella fisket i Bottenviken, och det behövs korrekt information om hur mycket siklöja sälarna äter av olika åldersklasser för att göra tillförlitliga beståndsbedömningar och för att kunna förvalta bestånden, säger Monica Mion.
Siklöja (Coregonus albula) och sik (Coregonus lavaretus) har otoliter som är mycket svåra att skilja åt, särskilt efter att de passerat sälarnas matsmältningssystem. Forskarna genomförde laboratorieförsök där de simulerade sälarnas matsmältning för att kunna träna AI-modellen på hur otoliterna förändras efter erosion. Modellen kunde med 90 procents säkerhet analysera både intakta och eroderade otoliter, och fastställa vilken fiskart de tillhörde.
Studien visade att ungefär tre fjärdedelar av de analyserade otoliterna från vikarsälarna kom från siklöja, medan en fjärdedel tillhörde sik.
Utmaningen att identifiera fiskarter i dietprover är inte unik för siklöja och sik. Många torskfiskar är också svåra att särskilja visuellt, och analyser resulterar ofta i en allmän klassificering som "torskfisk".
- Men det är ju en väsentlig skillnad på om vi säger att sälarna äter 100 procent torskfisk, vilket ofta tolkas som 100 procent torsk, eller om deras diet i själva verket består av 50 procent torsk, 25 procent gråsej och 25 procent kolja, säger Monica Mion.
Att ha korrekt dietdata minskar risken för osäkra extrapoleringar; alltså att man baserat på begränsade och/eller osäkra data försöker förutspå vad som gäller utanför det som observerats. Som att anta att sälar äter samma fiskarter under hela året i ett helt havsområde, trots att man enbart har data på vad de konsumerat vintertid i ett visst delområde. Sådana extrapoleringar (antaganden) kan leda till felaktiga slutsatser.
Korrekta slutsatser är avgörande för att minska konflikter mellan olika intressenter, som yrkesfiskare och naturvårdare. Högkvalitativa dietdata är dessutom en viktig komponent i ekosystemmodeller, och en förutsättning för en ekosystembaserad förvaltning.
- Vår forskning visar inte bara att AI och maskininlärning kan stödja dietanalyser, utan öppnar också dörren för framtida tillämpningar på fler arter och ekosystem. Metoden har potential att förbättra vår förståelse av marina ekosystem och de komplexa relationerna mellan rovdjur och bytesdjur, säger Monica Mion
* Maskininlärning innebär att datorn tränats på att känna igen och skilja mellan olika fiskarters hörselstenar genom att analysera stora mängder bilddata.
Artikeln Species assignment from seal diet samples using shape analyses in a machine learning framework har publicerats I ICES journal of Marine Science.
Monica Mion, miljöanalysspecialist
Institutionen för akvatiska resurser, Havsfiskelaboratoriet, SLU
monica.mion@slu.se, 010-478 40 87
Karl Lundström, forskare
Institutionen för akvatiska resurser, Havsfiskelaboratoriet, SLU
karl.lundstrom@slu.se, 010-478 41 38