Rovdjur som sälar och skarvar spelar stor roll i ekosystemet. Deras aptit på fisk väcker även heta känslor. Men vad är det egentligen för mat som hamnar i deras magar? Forskare har nu tagit artificiell intelligens till hjälp för att få säkrare svar.
Forskare vid Sveriges lantbruksuniversitet, SLU, har tillsammans med Havsforskningsinstitutet i Norge utvecklat en ny metod för kunna göra mer noggranna analyser av vad sälar och skarvar äter. Hur mycket dessa rovdjur påverkar fiskbeståndet är omdebatterat och därför behövs mer kunskap om dieten.
Hörselstenar i spillning och spybollar
Dietanalyser baseras vanligtvis på undersökningar av så kallade otoliter, små hörselstenar i fiskarnas öron. Man kan också titta på andra skelettdelar från fiskar som rovdjuren ätit.
Otoliterna, eller öronstenarna, kan samlas in genom prover från sälarnas spillning eller spybollar från skarv.
Ett problem är dock att många fiskarters otoliter är mycket lika varandra. Har de dessutom delvis brutits ner av starka magsyror i rovdjurens magsäck blir utmaningen ännu större. Forskarna har därför tagit hjälp av AI och maskininlärning.
– 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 forskaren Monica Mion vid SLU.
Vikares diet under luppen
Maskininlärning innebär att datorn tränats på att känna igen, och skilja mellan, olika fiskarters hörselstenar genom att analysera stora mängder bilddata.
För att utveckla och testa den nya metoden gjorde forskarna en studie där de analyserade otoliter från siklöja och sik – två vanliga fiskar på vikarsälens meny i Bottenviken. Där var dessa sälar starkt hotade tidigare, men nu har de återhämtat sig. Det innebär samtidigt att mer fisk går åt för att mätta dem, något som väckt konflikt och debatt om sälarna konkurrerar med yrkesfisket.
– 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.
Fångar mer siklöja än sik
Siklöjan och siken har otoliter som är mycket svåra att skilja från varandra, 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 att de brutits ned.
Det visade sig att AI-modellen med 90 procent säkerhet kunde fastställa vilken fiskart öronstenarna tillhörde.
Studien visade att ungefär tre fjärdedelar av de analyserade otoliterna från vikarsälarna kom från siklöja, medan en fjärdedel tillhörde sik.
Torskarter svåra att skilja
Även dietprover från olika arter torsk är svåra att särskilja visuellt. Analysernas resultat kan därför hamna i den allmänna klassificeringen ”torskfiskar”.
– 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.
Korrekta data är viktigt för att kunna bedöma vilken typ av fisk sälar äter, men också när och i vilka havsområden de fångar maten, enligt forskarna.
Kan minska konflikter
Att slutsatserna stämmer kan vara avgörande för att minska konflikter mellan till exempel yrkesfiskare och naturvårdare. Data om diet är dessutom en viktig komponent i modeller för ekosystem och 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.
Vetenskaplig studie:
Species assignment from seal diet samples using shape analyses in a machine learning framework, ICES Journal of Marine Science.
