Met machine learning beoordeelde effecten van offshore windparken op benthische gemeenschappen op zachte bodems in het schiereiland Shandong

Leven op de zeebodem ontmoet windenergie

Naarmate offshore windparken langs kustlijnen uitbreiden, maken veel mensen zich zorgen over wat die eindeloze rijen torens kunnen doen met het leven op de zeebodem. Deze studie onderzoekt die vraag in detail voor vier grote windparken voor de kust van China’s schiereiland Shandong. Met bijna een decennium aan veldonderzoek gecombineerd met satellietgegevens en moderne computermodellen laten de auteurs zien hoe de gemeenschappen op de zeebodem eerst worden aangetast, daarna herstellen, en in sommige opzichten zelfs profiteren van deze nieuwe energieconstructies.

De veranderende zeebodem onder turbines

Het onderzoek richt zich op habitats met een zachte bodem—modderige en zanderige zeebodems die wormen, mossels, schaaldieren en andere bodembewoners herbergen, die de basis vormen van mariene voedselwebben. Voor de bouw was het gebied grotendeels vlak, slibrijk. Het heien, het leggen van kabels en de verstoring van sediment tijdens de constructie veroorzaakten een tijdelijke daling van het aantal soorten en van de algehele gemeenschapsdiversiteit. Toen de windparken eenmaal in bedrijf waren, creëerden de metalen torens en het steenzetting rond de funderingen echter plekken met harde ondergrond waar die eerder niet bestonden, waardoor delen van de zeebodem veranderden in kunstmatige riffen.

Een natuurlijk experiment in ruimte en tijd

De vier windparken werden op verschillende tijdstippen tussen 2021 en 2024 gebouwd en in bedrijf genomen, wat een natuurlijke “tijdslijn” vormde van pas aangelegd tot goed gevestigde locaties. Van 2015 tot 2024 namen wetenschappers twee keer per jaar monsters van zeebodemdieren op meer dan 200 stations: binnen de parken, nabij de randen en in verder afgelegen controlegebieden. Tegelijk gebruikten ze satellieten om watertemperatuur, algenconcentraties en zwevende deeltjes te volgen. Dit maakte het mogelijk veranderingen toe te schrijven aan de turbines apart van die veroorzaakt door bredere klimaat- en oceaancondities.

De data laten spreken met machines

Om deze complexe en verspreide gegevens te doorgronden, gebruikte het team een machine-learningmethode genaamd XGBoost en vergeleek die met een meer traditioneel statistisch model. Beide probeerden te voorspellen hoe divers de zeebodembiotoop op elke locatie was, op basis van omgevingscondities, afstand tot turbines, hoe lang het park in bedrijf was en hoeveel harde ondergrond aanwezig was. XGBoost verklaarde een groter deel van de variatie uit de praktijk—ongeveer driekwart van de verschillen in diversiteit—en bracht ook aan het licht welke factoren het meest van belang waren. Een hulpmiddel genaamd SHAP hielp de interne werking van het model te vertalen naar gemakkelijk te lezen rangschikkingen en responscurven.

Van verstoring naar herstel en winst

Het sterkste signaal dat de modellen vonden, was de tijd sinds de turbines begonnen te draaien. Tijdens de bouw en in de eerste paar jaren van exploitatie daalde de zeebodemdiversiteit onder het oorspronkelijke niveau. Ongeveer tweeënhalf jaar na ingebruikname keerde die trend om: de diversiteit herstelde zich en overschreed vervolgens licht het niveau van vóór de bouw. Dicht bij turbinefunderingen, waar steen werd toegevoegd voor stabiliteit, was het effect opvallend. Die harde plekken huisvestten ongeveer 40 procent meer soorten en leverden grofweg 13 procent hogere diversiteitsscores op dan nabijgelegen onaangetaste gebieden. Het patroon duidt op een klassiek kunstmatig-riffeffect: nieuwe harde oppervlakken trekken zeepokken, mossels en andere kolonisten aan, die op hun beurt mobielere dieren aantrekken en de totale biomassa doen toenemen.

De sweet spot vinden voor ontwerp

De studie suggereert ook ontwerprichtlijnen voor “vriendelijkere” windparken. De diversiteit nam toe met het aandeel harde ondergrond tot op zekere hoogte, en vlakte daarna af, wat erop wijst dat het verspreiden van middelgrote, rifachtige zones waarschijnlijk effectiever is dan het volledig bedekken van de zeebodem met steen. De turbineafstand toonde een omgekeerd U-vormig effect: lage dichtheden veranderden te weinig habitat, terwijl zeer dichte indelingen genoeg ruis en andere verstoringen kunnen introduceren om de voordelen teniet te doen. Een intermediair dichtheidsbereik leek de rijkste gemeenschappen te ondersteunen.

Wat dit betekent voor oceaanleven en energie

Voor niet-specialisten is de conclusie verrassend hoopvol. Offshore windparken verstoren het leven op de zeebodem aanvankelijk, maar in dit geval herstelden de gemeenschappen binnen enkele jaren en wonnen zelfs soorten rond turbinefunderingen. Door zorgvuldig te kiezen voor turbine-dichtheid, funderingsontwerp en de hoeveelheid steen die op de zeebodem wordt aangebracht, kunnen planners kortetermijnschade verminderen en op lange termijn meer habitatwaarde creëren. Het modellenkader van de auteurs—een combinatie van veldonderzoek, satellietwaarnemingen en interpreteerbare machine learning—biedt een blauwdruk om de ecologische voetafdruk van toekomstige windprojecten te monitoren en verbeteren, en helpt de omschakeling naar schone energie beter af te stemmen op gezonde oceanen.

Bronvermelding: Wang, L., Zhang, Y., Gu, X. et al. Machine learning-based assessment of offshore wind farm impacts on soft-bottom benthic communities in the Shandong Peninsula. Sci Rep 16, 11780 (2026). https://doi.org/10.1038/s41598-026-38939-0

Trefwoorden: offshore windparken, bodem van de zee biodiversiteit, kunstmatige riffen, mariene ecologie, machine learning in ecologie