Inventering av älg med drönare
Utveckling av metodik för uppskattning av täthet,
könskvot och reproduktion

Tim R. Hofmeester, David Åstbom, Jessica Andersson, Magali
Frauendorf, Fredrik Stenbacka, Fredrik Widemo




 Sveriges lantbruksuniversitet
 Institutionen för vilt, fisk och miljö
 Rapport: 2026.2




Sveriges lantbruksuniversitet, SLU
Utgivare (Fakultet/Institution/Centrumbildning)
Serietitel, nummer i serien
Utgivningsår
Inventering av älg med drönare. Utveckling av metodik för
uppskattning av täthet, könskvot och reproduktion.
Tim R. Hofmeester, Sveriges lantbruksuniversitet, Institutionen för vilt, fisk och miljö,
https://orcid.org/0000-0003-2101-5482.

David Åstbom, Sveriges lantbruksuniversitet, Institutionen för vilt, fisk och miljö.

Jessica Andersson, Sveriges lantbruksuniversitet, Institutionen för vilt, fisk och miljö.

Magali Frauendorf, Sveriges lantbruksuniversitet, Institutionen för vilt, fisk och miljö,
https://orcid.org/0000-0003-1608-8396.

Fredrik Stenbacka, Sveriges lantbruksuniversitet, Institutionen för vilt, fisk och miljö.

Fredrik Widemo, Sveriges lantbruksuniversitet, Institutionen för vilt, fisk och miljö,
https://orcid.org/0000-0002-3688-9847.




Utgivare:                       Sveriges lantbruksuniversitet, Institutionen för vilt, fisk och miljö
Utgivningsår:                   2026
Utgivningsort:                  Umeå
Omslagsbild:                    Drönarbild av en älg. © SLU
Serietitel:                     Rapport (Sveriges lantbruksuniversitet, Institutionen för vilt, fisk
                                och miljö)
Delnummer i serien:             2026.2
DOI:                            https://doi.org/10.54612/a.4mafh3bj8a
Nyckelord:                      Drönare, Flyginventering, Viltövervakning, Älginventering



© 2026 Tim R. Hofmeester, David Åstbom, Jessica Andersson, Magali Frauendorf, Fredrik
Stenbacka & Fredrik Widemo
Detta verk är licenserat under CC BY 4.0, https://creativecommons.org/licenses/by/4.0/. Andra
licenser eller upphovsrätt kan gälla för illustrationer.
Sammanfattning
Drönare utrustade med termiska kameror har under senare år utvecklats till ett potentiellt verktyg
för övervakning av klövvilt. Syftet med denna studie var att genomföra en första utvärdering av
drönarbaserad inventering av älg för att på sikt kunna utveckla rekommendationer för en
kvalitetssäkrad metodik inom svensk viltförvaltning. Studien genomfördes på uppdrag av
Naturvårdsverket och omfattade inventeringar i tre studieområden i norra och mellersta Sverige.
    Resultaten visade att både manuella och automatiserade inventeringar med drönare kan användas
för att uppskatta älgtäthet. Under de kalla och molniga vinterförhållandena som rådde vid
inventeringarna skattades upptäckningsgraden till nära 100 %. Inventeringar av GPS-märkta älgar
och parallella flygningar genomförda av olika piloter visade att i princip samtliga älgar som fanns
inom inventeringsområdena kunde återfinnas.
    Simuleringar baserade på totalinventeringar visade att stickprovsbaserade inventeringar med
provytor kan ge användbara täthetsskattningar, men att den nödvändiga täckningsgraden varierar
beroende på hur älgarna är fördelade i landskapet. I områden där älgarna var måttligt koncentrerade
i landskapet bedöms cirka 20–30 % av arealen ofta vara tillräckligt, medan upp till 50 % kan behöva
inventeras i områden där älgarna uppträder mer koncentrerat. För skattning av könskvot och antal
kalvar per hondjur krävs generellt större stickprov än för att enbart skatta täthet.
    Studien visar också att det är möjligt att bestämma kön och ålder hos observerade älgar med
hjälp av zoombilder, men att detta kräver mer tid, högkvalitativ bildinsamling och erfaren
bedömning.
    Viktiga begränsningar utgörs av väderberoende, drönarnas räckvidd och nuvarande regelverk för
flygning inom synhåll (VLOS). För att möjliggöra effektiv inventering av större områden
rekommenderas fortsatt utveckling av metoder för flygning bortom visuell siktlinje (BVLOS),
liksom standardisering av metodik, utbildning och kvalitetssäkring. Sammantaget visar resultaten
att drönare har stor potential som ett komplement till befintliga metoder för älgövervakning och
viltförvaltning.

Nyckelord: Drönare, Flyginventering, Viltövervakning, Älginventering
Abstract
Unmanned aerial systems (UAS) equipped with thermal infrared sensors are increasingly used for
wildlife monitoring, but standardized methods for moose (Alces alces) surveys are still lacking. The
objective of this study was, in a first study, to evaluate drone-based moose surveys as a first step to
develop recommendations for estimating population density, sex ratio, and calf recruitment within
Swedish moose management systems.
    Field studies were conducted in three areas in Sweden using both automated grid flights and
manually piloted surveys. Survey performance was evaluated through repeated flights, comparisons
among experienced pilots, and targeted surveys of GPS-collared moose. In addition, simulations
based on complete survey datasets were used to evaluate how survey precision was affected by
sampling intensity and plot size.
    Detection probability was estimated to be close to one under favourable winter conditions
characterized by low temperatures and overcast skies. All GPS-collared moose present within
survey plots were detected, and manual and automated survey approaches produced highly similar
results. Drone-based density estimates were consistent with independent estimates from other
monitoring methods in areas where such data were available.
    Simulation analyses indicated that plot-based sampling designs can provide reliable density
estimates, but required sampling intensity depends strongly on the spatial aggregation of moose. In
areas with moderate aggregation, surveying approximately 20–30% of the total area may be
sufficient to achieve acceptable precision, whereas up to 50% coverage may be required in highly
aggregated populations. Estimation of sex ratio and calf-to-cow ratio generally requires larger
sample sizes than density estimation.
    Sex and age classification was feasible using high-resolution zoom imagery, although reliable
classification required additional flight time, image collection from multiple viewing angles, and
experienced observers.
    Major limitations of the method include dependence on favourable weather conditions, limited
battery endurance, and current aviation regulations restricting operations beyond visual line of sight
(BVLOS). Further research should focus on detection probability under varying environmental
conditions, evaluation of AI-assisted detection systems, and development of standardized survey
protocols. Overall, the results demonstrate that drone-based surveys have considerable potential as
a cost-effective, scalable tool that complements existing methods for moose monitoring and
management.

Keywords: Aerial monitoring, Drones, Moose survey, Wildlife monitoring
Innehållsförteckning
Förkortningar ..................................................................................................................... 7

1.       Bakgrund ................................................................................................................. 8
1.1      Uppdragsbeskrivning, syfte och mål ......................................................................... 9

2.       Metodbeskrivning ................................................................................................. 12
2.1      Beskrivning av drönaren ......................................................................................... 12
2.2      Drönarinventeringar ................................................................................................ 12
         2.2.1 Provytainventering Järnäshalvön ................................................................. 12
         2.2.2 Inventeringarna Alsters ÄSO ........................................................................ 15
         2.2.3 Inventeringarna Fredrika............................................................................... 16
2.3      Dataanalys .............................................................................................................. 17
         2.3.1 Beräkning av upptäckningsgrad ................................................................... 17
         2.3.2 Beräkning av täthet, könskvot och reproduktion........................................... 17
         2.3.3 Beräkning av storlek på provytor samt andel av total arealen som behöver
                   inventeras ..................................................................................................... 18
2.4      Samverkan med erfarna drönarpiloter .................................................................... 19

3.       Resultat .................................................................................................................. 20
3.1      Provyteinventering Järnäshalvöns ÄSO ................................................................. 20
3.2      Inventeringarna Alsters ÄSO .................................................................................. 20
3.3      Inventeringarna Fredrika ......................................................................................... 22
3.4      Metodikbeskrivning drönarföretag........................................................................... 25

4.       Diskussion ............................................................................................................. 27
4.1      Upptäckningsgrad ................................................................................................... 27
4.2      Provyteinventeringar ............................................................................................... 28
4.3      Täthetsuppskattning ................................................................................................ 29
4.4      Köns- och åldersbestämning .................................................................................. 30
4.5      Framtida behov enligt drönarföretag ....................................................................... 31

5.       Slutsatser och rekommendationer ...................................................................... 33

Tack 36

Deklaration om användning av generativ AI ................................................................ 37

Referenser ........................................................................................................................ 38

Bilaga 1 ............................................................................................................................. 40
Förkortningar
BVLOS    Beyond Visual Line of Sight
GPS      Global Positioning System
IR       Infraröd
LUC      Light UAS Operator Certificate
PDRA     Pre-Defined Risk Assessment
RGB      Red Green Blue
SLU      Sveriges Lantbruksuniversitet
SORA     Specific Operations Risk Assessment
STS-02   Standard Scenario 02
VLOS     Visual Line of Sight
VMK      Varians–medelvärdeskvoten
ÄSO      Älgskötselområde
1. Bakgrund
De starka viltstammarna i Sverige genererar försörjande och kulturella
ekosystemtjänster, som viltkött och upplevelsevärden (Widemo m.fl. 2019). Därtill
kommer reglerande ekosystemtjänster där exempelvis stora växtätare påverkar
ekosystemens struktur och funktion, och därigenom skapar variation och lämpliga
livsbetingelser för mängder av andra arter (Anderson m.fl. 2026). Samtidigt kan
viltskador på grödor och skog lokalt vara stora. Det påverkar såväl val av trädslag
vid föryngring i skogsbruket som val av gröda i jordbruket, och begränsar därmed
handlingsfriheten i dessa näringar (Bergström m.fl. 2010).
    Goda avvägningar inom en adaptiv samförvaltning av vilt och jord- och
skogsbruk ställer krav på en fungerande viltövervakning, med kvalitetssäkrade
metoder för att mäta såväl viltstammarnas täthet och sammansättning som
omfattningen av skador (Andrén m.fl. 2010, Cromsigt m.fl. 2023). Inom ramen för
den svenska älgförvaltningen finns idag omfattande och välutvecklade system för
att följa älgstammens utveckling och inverkan på jord- och skog (Widemo m.fl.
2025), men för andra arter saknas motsvarande metoder. Nyutvecklad teknologi,
som viltkameror och drönare, erbjuder här helt nya möjligheter, både för insamling
av data om viltarter som tidigare varit svåra att studera och för att komplettera och
effektivisera befintliga övervakningsprogram för arter som redan följs inom
förvaltningen.
    Det har under senare år skett en snabb utveckling av drönare för olika syften. Ett
område där de har börjat användas är inventering av vilt, i synnerhet klövvilt. I
dessa fall används både vanliga färgkameror (RGB) och termiska infraröda kameror
(IR) för att upptäcka och identifiera enskilda individer. Sedan tidigare finns
etablerade metoder för att inventera älg genom flyginventering med helikopter, där
observatörer räknar de djur som observeras från luften (Edenius & Willebrand
2015). Tidigare studier har dock visat att en kombination av spillningsinventering
och observationsdata kan ge jämförbara resultat till lägre kostnad (Månsson m.fl.
2011), vilket har begränsat användningen av flyginventering inom svensk
älgförvaltning. Eftersom spillningsinventering har sina begränsningar, särskilt i
områden där flera klövviltsarter förekommer samtidigt (Spitzer m.fl. 2019), skulle
drönare kunna utgöra ett alternativ eller komplement till befintliga
övervakningsmetoder. Mot bakgrund av den snabba tekniska utvecklingen och det
faktum att drönarbaserade inventeringar redan erbjuds kommersiellt finns ett tydligt
behov av att utvärdera metodens förmåga att leverera kvalitetssäkrade underlag för
viltförvaltningen på olika skalor i tid och rum.




                                           8
1.1 Uppdragsbeskrivning, syfte och mål
Under 2025 fick SLU ett uppdrag från Naturvårdsverket för att analysera
drönarinventering av älg som metod och utifrån analysen föreslå en kvalitetssäkrad
metodik. Eftersom detta var den första analysen av metodiken omfattade uppdraget
flera delaktiviteter som tillsammans skulle leda till en gedigen analys av metodiken
samt förslag på ett standardiserat sätt att inventera älg med drönare.

Delaktiviteter i uppdraget omfattade:
   • Att undersöka upptäckningsgraden av älg utifrån kända förekomster eller
       upprepade flygningar i olika miljöer.
   • Att utifrån nuvarande drönares och sensorers kapacitet analysera lämplig
       metodik för drönarinventering av älg utifrån dagens förutsättningar. Fokus
       ska ligga på inventering av områden genom inventering av hela området
       eller slumpade delprov i form av rutor.
   • Att utifrån upptäckningsgraden föreslå lämplig statistisk modell för att
       bestämma            älgpopulationen           på          lokal       nivå
       (ÄSO/licensområde/fastighetsnivå) utifrån insamlad information.
   • Resultat från inventering ska innehålla älgtäthet, könskvot bland vuxna och
       kalv per hondjur för inventerat område samt ett konfidensintervall för
       respektive parameter.
   • Föreslå vilken miniminivå som krävs på teknisk utrustning (IR och RGB
       sensor) för att kunna utföra älginventering.
   • Föreslå rekommendationer för att undvika att räkna samma älgindivid flera
       gånger (exempelvis maxtid för att inventera 1000 ha eller avståndskriterier
       eller annat).
   • Skatta hur osäkerhet varierar mellan andel inventerad mark och totala
       områdets yta samt förslag på minsta yta som bör inventeras för att
       inventeringen ska anses vara relevant i älgförvaltningen.
   • Vilken tid på året som drönarflygning bör genomföras.
   • Uppdraget ska ske i samverkan med privata aktörer som idag bedriver
       drönarinventering för att nyttja deras kompetens och erfarenheter från
       praktiskt arbete.
   • Undersöka hur resultat är beroende av utförare.
   • Om möjligt skatta hur skogens slutenhet påverkar möjligheten att hitta
       individer.
   • Om möjligt skatta skillnaden mellan att inventera på snötäckt- och barmark

   Dessa delaktiviteter undersöktes i tre delprojekt: en provyteinventering i
Järnäshalvöns älgskötselområde (ÄSO), en totalinventering samt en parallell
provyteinventering i Alsters ÄSO och en totalinventering, en parallell
provyteinventering och inventering av märkta älgar i ett område utanför Fredrika.


                                          9
De två sistnämnda i samverkan med andra aktörer. Dessutom diskuterades metodik
och resultat med fler aktörer för att få en översikt över dagens aktiviteter samt inspel
om framtidens metodik.




                                            10
Drönarbild (vidvinkelkamera) av en älg som ligger i ett öppet skogsparti i studieområdet
Järnäshalvön. Älgen ligger i mitten av bilden. © SLU.




                                            11
2. Metodbeskrivning
2.1 Beskrivning av drönaren
Inom uppdraget har fyra olika drönarmodeller använts (Mavic 3T, Mavic 3TA,
Matrice 4TD, och Matrice 30T), alla från det kinesiska företaget DJI. Samtliga fyra
modeller tillhör den öppna kategorin A3, då de väger mellan 920 g och 3 770 g och
omfattas av klass C2. De kan därför opereras av fjärrpiloter med drönarkort A1/A3.
   Samtliga modeller var utrustade med en kombination av vidvinkelkamera,
zoomkamera och termisk infraröd kamera. Vidvinkelkamerorna hade en
motsvarande brännvidd på cirka 24 mm. Zoomkamerorna varierade mellan
modellerna och hade antingen en fast telelins med motsvarande brännvidd på 162–
168 mm (Mavic 3T, Mavic 3TA och Matrice 4TD) eller en zoomkamera med
variabel motsvarande brännvidd på 113–405 mm (Matrice 30T). De termiska
kamerorna hade motsvarande brännvidder mellan 40 och 60 mm. Trots vissa
skillnader i sensorspecifikationer, zoomkapacitet och termiska egenskaper
bedömdes samtliga modeller ha tillräcklig prestanda för att upptäcka, identifiera
och dokumentera älgar inom ramen för denna studie.

2.2 Drönarinventeringar
För att inkludera alla delaktiviteter inom uppdraget utfördes tre delprojekt med
drönarinventeringar i olika delar av landet. Samtliga delprojekt utfördes av
författarna, och två av delprojekten i samverkan med andra aktörer.

2.2.1 Provytainventering Järnäshalvön
Inventeringarna genomfördes inom Järnäshalvöns ÄSO i Västerbottens län (14 700
ha). Området består huvudsakligen av boreal barrskog med varierande
krontäckningsgrad och inslag av både yngre och äldre skogsbestånd. I landskapet
finns också mindre jordbruksområden i anslutning till bebyggelsen. Inom och i
anslutning till området finns tätorter och mindre byar såsom Nordmaling, Håknäs,
Öre, Järnäs och Bredvik. Längs kusten förekommer dessutom ett större antal
fritidshus och sommarstugor.
    Inventeringsytorna planerades i QGIS och exporterades därefter till DJI Pilot 2
för flygplanering. Provytor om 60 hektar valdes som standardstorlek med hänsyn
till drönarens batterikapacitet samt kravet på bibehållen visuell kontakt med
drönaren (VLOS) enligt gällande EU-regelverk för drönaroperationer. Vid
planeringen togs även hänsyn till människor, byggnader och annan infrastruktur för
att säkerställa en säker flygning.
    Provytornas placering slumpades inom studieområdet. I Järnäs varierade
provytornas storlek mellan 30 och 60 hektar. Variationerna berodde främst på att



                                         12
vissa ytor överlappade med byggnader, vägar eller områden där människor vistas
frekvent och därför behövde justeras. I vissa fall reducerades även ytornas storlek i
fält för att säkerställa att flygningarna kunde genomföras med bibehållen visuell
kontakt (VLOS), särskilt i områden med tät skog och begränsad sikt.
   Drönarmodeller som användes vid Järnäshalvöns ÄSO var DJI Mavic 3T och
DJI Mavic 3TA. Flygningarna utfördes huvudsakligen på cirka 100 meters höjd
över marknivå som automatiserade rutnätsflygningar för att säkerställa full
täckning av inventeringsrutorna. Bildinsamlingen genomfördes med 25 procents
sidoöverlapp och 50 procents frontöverlapp mellan bilderna. Kameran var riktad
lodrätt nedåt med en kameravinkel på -90 grader (nadir). Flygningarna
genomfördes med en hastighet på cirka 9 meter per sekund.
   Flygningarna genomfördes mellan 18 februari och 1 april 2026, huvudsakligen
under molniga förhållanden för att maximera den termiska kontrasten mellan älgar
och omgivande miljö. Under inventeringarna övervakades värmebilden i realtid och
observationer av älg dokumenterades manuellt. I dessa fall stannade drönaren upp
eller flögs en extra flygning för att ta bilder av djuren ovanifrån med zoomkameran
för att bestämma kön och ålder. Alla platser där älgar observerades registrerades
som GPS-punkter med information om antalet individer, kön och ålder.
Observationer av älgar utanför inventeringsrutorna dokumenterades också men
inkluderades inte i analyserna eller sammanställningen av resultaten. Utöver
identifiering och räkning av älgar under flygningarna granskades de insamlade
bilderna för att identifiera älgar som kan ha missats vid inventeringen.




                                          13
Drönarbilder av en GPS-märkt älg i ett skogsbestånd i studieområdet utanför Fredrika i RGB (ovan
– vidvinkelkamera) och termisk infraröd (nedan). Älgen ligger i mitten av bilden. © SLU.




                                                14
2.2.2 Inventeringarna Alsters ÄSO
Inventeringarna genomfördes av Gunnar Glöersen, jaktvårdskonsulent på Svenska
Jägareförbundet, inom Alsters ÄSO i Värmlands län (22 400 ha). Området består
av en blandning av boreal barrskog med varierande krontäckningsgrad och inslag
av både yngre och äldre skogsbestånd och jordbruksområden i anslutning till
bebyggelsen. Inom och i anslutning till området finns tätorter och mindre byar
såsom Karlstad, Forshaga, Skattkärr, Deje och Molkom.
    Inventeringarna genomfördes mellan 21 januari och 26 mars 2026,
huvudsakligen under molniga förhållanden och bestod av två delinventeringar: en
totalinventering och en parallellinventering av 15 provytor. Totalinventeringen
måste på grund av väderförhållandena genomföras under två tidsperioder. Den östra
sidan, ca 8 000 ha, inventerades 21 – 24 januari och den västra sidan 22 – 26 mars.
Väderförhållandena medförde att få dagar uppfyllde kraven för både
drönarflygning och god upptäckningsgrad, vilket innebar att heldagsflygningar
endast kunde genomföras vid ett begränsat antal tillfällen. Älgförflyttning mellan
östra och västra sidan bedöms som liten då vägar, samhällen och sjöar naturligt
delar upp området. Drönarmodeller som användes vid Alsters ÄSO var DJI Mavic
3T och DJI Matrice 30T.
    Totalinventeringen flögs manuellt på ungefär 40 timmar. Piloten skannade av
området med termisk kamera vinklad kring –20 till –75 grader på 100 – 120 m höjd.
Flygningen genomfördes i mindre geografiska områden, avgränsade av vägar,
vattendrag, beståndsgränser och liknande. Rutterna anpassades efter
terrängförhållandena och följde inte något förutbestämt rutnät. Istället planerades
flygningen fortlöpande utifrån landskapets struktur för att uppnå en effektiv
täckning av området. Beroende på krontäckningsgraden flögs området i tätare (vid
tät skog) eller glesare (vid mer öppen skog och öppna marker) rutter. Hastigheten
anpassades tillsammans med kameravinkeln, med lägre hastighet i tätare områden.
När älgar upptäcktes stannade drönaren ovanför älgarna för att sätta waypoint och
ta bilder av djuren med zoomkameran, eventuellt från olika vinklar och höjder för
att få bra bilder, för att bestämma kön och ålder. Alla platser där älgar observerades
registrerades som GPS-punkter med information om antalet individer, kön och
ålder. Den västra delen av inventeringsområdet berörs av Karlstad flygplats
kontrollzon vilket försvårade inventeringen något. Periodvis tilläts inte flygning,
vilket gjorde att flygning inte kunde genomföras i direkt följd. För att minska risken
för dubbelräkning kontrollerades nya positioner mot tidigare funna älgar genom att
söka upp tidigare observationer. I samtliga fall där älg hittades i närheten av äldre
position kunde de särskiljas genom att även de tidigare djuren återfanns.
    Parallellflygningen gjordes för att kunna jämföra resultat från automatisk
flygning och manuell flygning och för att beräkna upptäckningsgrad. De femton
provytorna skapades på samma sätt som i Järnäshalvöns ÄSO och inventerades vid
två tillfällen direkt efter varandra. Först inventerades varje provyta manuellt på



                                           15
liknande sätt som totalinventeringen. Sedan gjordes en automatisk flygning på
samma sätt som i Järnäshalvöns ÄSO. Alla platser där älgar (och annat vilt)
observerades registrerades som GPS-punkter med information om antalet individer,
kön och ålder.


2.2.3 Inventeringarna Fredrika
Inventeringarna genomfördes av författarna i samverkan med Simon Kallin (Hovra
Nordic UAS) och Anton Larsson (Wild Event & Media Sweden) inom ett område
söder om Tallsjö utanför Fredrika (3 400 ha) i Västerbottens län. Området består av
boreal barrskog med varierande krontäckningsgrad och inslag av både yngre och
äldre skogsbestånd och några större myrmarker. Området valdes ut eftersom GPS-
märkta älgar från ett annat SLU-projekt befann sig i området.
   Inventeringarna genomfördes mellan 16 och 18 mars 2026 samt 30 till 31 mars
2026, huvudsakligen under molniga förhållanden. Inventeringarna bestod av fyra
delinventeringar: två parallella totalinventeringar, en parallell provyteinventering,
och en provyteinventering av provytor med GPS-märkta älgar. Alla beskrivna
drönarmodeller användes vid denna inventering.
   Totalinventeringarna flögs manuellt av Simon Kallin och Anton Larsson med
sin egen metodik. Simon Kallin inventerade ett område på 3 200 ha (hela området
minus ett hörn i sydvästra delen) på två dagar och registrerade en GPS-position för
varje älg. Anton Larsson inventerade de södra och östra delarna av området (2 400
ha) parallellt och registrerade en GPS-position för varje observation med
information om antalet älgar. Kön- och åldersklassificering prioriterades inte under
dessa inventeringar för att maximera området som kunde inventeras. Hur piloter
flyger manuellt skiljer sig från person till person, även om det finns många likheter
mellan piloter. Piloterna skannade av området med termisk kamera vinklad från –
20 till –75 grader på 100 – 120 m höjd. Beroende på krontäckningsgraden flögs
området i tätare (vid tät skog) eller glesare (vid mer öppen skog och öppna marker)
rutter. Hastigheten anpassades tillsammans med kameravinkeln, med lägre
hastighet i tätare områden. Dessutom användes så kallad “svepning”, kontinuerliga
variationer av kameravinkeln mellan de två yttersta värdena, för att skapa olika
infallsvinklar för att öka chanserna att detektera varje djur. I tätare skog kunde
överlappen mellan flygstråken vara hög, upp till 40 – 50% för att säkerställa att all
yta verkligen skannas även bakom höga och täta träd.
   Samtidigt som totalinventeringarna inventerades 14 provytor (vilket motsvarar
en täckningsgrad av 26%). Provytorna skapades och flögs på samma sätt som i
Järnäshalvöns ÄSO. Parallelflygningarna gjordes för att kunna jämföra utförandet
av olika piloter. Alla platser där älgar observerades registrerades som GPS-punkter
med information om antalet individer, kön och ålder.




                                          16
   För att undersöka upptäckningsgraden vid drönarinventering genomfördes tre
separata flygdagar (18, 30 och 31 mars) riktade mot GPS-märkta älgar i området.
Totalt genomfördes 12 flygningar på märkta älgar. De senaste GPS-positionerna
(några timmar till några dagar gamla) användes för att skapa inventeringsrutorna.
Flygningarna gjordes automatiskt på samma sätt som i Järnäshalvöns ÄSO. Under
inventeringarna övervakades värmebilden i realtid och observationer av GPS-
märkta älgar dokumenterades manuellt. Även observationer av andra älgar inom
inventeringsrutorna registrerades. GPS-positionerna under flygningarna laddades
ner i efterhand för att bedöma om de märkta älgarna befann sig inom
inventeringsrutorna vid tidpunkten för flygningarna.

2.3 Dataanalys
2.3.1 Beräkning av upptäckningsgrad
Upptäcktingsgrad uppskattades baserat på två typer av data. Främst användes
information om upptäckningsgraden av GPS-märkta älgar i området utanför
Fredrika. Upptäckningsgraden beräknades som andel observerade älgar per totalt
antal GPS-märkta älgar inom varje provyta. Osäkerheten i skattningen beräknades
som ett 95 % konfidensintervall baserat på bootstrapmetoden (1000 iterationer), där
varje flygning utgjorde ett prov. Metoden uppskattar osäkerheten genom att
upprepade gånger beräkna upptäckningsgraden utifrån slumpmässiga urval av de
genomförda flygningarna.
   Dessutom användes information från parallellflygningarna för att skatta
skillnader i upptäckningsgrad mellan manuella flygningar (3 erfarna piloter) och de
automatiska flygningarna som gjordes på ett standardiserat sätt i alla tre områdena.

2.3.2 Beräkning av täthet, könskvot och reproduktion
Täthet, könskvot och andel kalvar per hondjur uppskattades baserat på två typer
av data. För Järnäshalvöns ÄSO och området utanför Fredrika skattades
parametrarna utifrån provyteinventeringarna som totalt antalet observerade älgar
per total inventerad yta, andel observerade handjur per totalt observerade vuxna
älgar och andel observerade kalvar per totalt observerade hondjur. Osäkerheten i
skattningarna beräknades som ett 95% konfidensintervall baserat på
bootstrapmetoden (1000 iterationer) där varje provruta användes som prov.
Dessutom beräknades tätheten, könskvot och andel kalvar per hondjur för Alsters
ÄSO och tätheten i området utanför Fredrika utifrån totalinventeringarna som
totalt antalet observerade älgar per totalt inventerad yta, totalt observerade handjur
per totalt observerade vuxna älgar och totalt observerade kalvar per totalt
observerade hondjur. Osäkerheten i täthetsskattningarna och andel kalvar per
hondjurskattningarna beräknades som ett 95% konfidensintervall baserat på




                                           17
Poisson-approximering (𝜇𝜇̂ ± 1,96 × �𝜇𝜇̂ ). Osäkerheten i könskvot beräknades
som ett 95% konfidensintervall baserat på approximering för proportioner
                𝑝𝑝�(1−𝑝𝑝�)
( 𝑝𝑝̂ ± 1,96 × �         ), där n var det totala antalet vuxna djur.
                   𝑛𝑛


2.3.3 Beräkning av storlek på provytor samt andel av total
      arealen som behöver inventeras
Totalinventeringarna i Alster och Fredrika användes för att beräkna hur
uppskattningarna av täthet, könskvot och andel kalvar per hondjur påverkas av
provytornas storlek samt andelen av totalarealen som inventerades med hjälp av
simuleringar. I dessa simuleringar varierades storleken på provytorna (25 ha, 50 ha,
100 ha, 200 ha och 300 ha) och andelen av området som inventerades (5%, 10%,
20%, 30%, 40%, 50% och 60%). För att simulera olika inventeringstillfällen
delades hela området upp i ett rutnät med rutor av respektive storlek. Sedan valdes
ett slumpmässigt urval av dessa rutor som överensstämmer med respektive andel
av området som studerades. Valet av rutor var i första hand begränsat så att
angränsande rutor i nord-syd- och öst-väst-riktning inte var valbara tills dessa rutor
behövdes för att uppnå rätt andel av området. Detta gjordes för att öka spridningen
av valda provytor över området. För varje kombination av parametrarna valdes
1000 prover av provytor. För varje prov summerades alla observationer som täcktes
av de valda provytorna. Dessa summerade observationer användes för att uppskatta
täthet, könskvot och andel kalvar per hondjur för varje prov. Medelvärden, 95%
konfidensintervall och relativ intervallbredd beräknades baserat på dessa 1000 prov
för varje kombination av parametrar. Dessa värden användes för att skatta både
noggrannhet (skillnaden mellan skattningarna utifrån totalinventeringarna och
medelvärdet av de simulerade provyteinventeringarna) och precision (95%-
intervallet för de 1000 simulerade provyteinventeringarna) i skattningarna. Relativ
intervallbredd, bredden på konfidensintervallet delad med skattningen av
medelvärdet, beräknades för att få ett standardiserat sätt att jämföra precision
mellan provytinventeringar och simuleringar samt för att ge rekommendationer om
vilken andel av ett område som borde inventeras för att få tillräckligt hög precision.
Här anses precisionen vara tillräckligt hög när den relativa intervallbredden är <
1,0, vilket motsvarar en variationskoefficient på < 0,3, som är en generell
rekommendation för tillräcklig precision inom viltförvaltning (Williams m.fl.
2002). Varians-medelvärdeskvoten (VMK) beräknades utifrån antalet älgar i
samtliga rutor om 50 hektar i respektive område, i syfte att bedöma hur jämnt
älgarna var fördelade. En VMK på 1 indikerar en slumpmässig fördelning. Värden
under 1 tyder på en jämnare fördelning än slumpen, medan värden över 1 indikerar
en mer koncentrerad (aggregerad) fördelning.




                                             18
2.4 Samverkan med erfarna drönarpiloter
Utöver samverkan kring inventeringarna med Gunnar Glöersen (Svenska
Jägareförbundet), Simon Kallin (Hovra Nordic UAS), Anton Larsson (Wild Event
& Media Sweden) och Viktor Ajaxon (Ajaxon Consulting AB), har vi haft samtal
och diskussioner om viltinventering med drönare med fler aktörer. Särskilt Mattias
Pettersson (Viltinventering Sverige AB) och Oliver Carlsson (Drönarkompaniet
Norden AB) har varit av stor hjälp genom att dela med sig av sin erfarenhet och
metodik som de har kommit fram till för inventering av vilt med drönare. Vi har
sammanställt en översikt av de olika metoderna som används av dessa aktörer idag
och vilka önskemål de har för framtidens användning av drönare för viltinventering.
Dessutom har vi använt information om deras metoder för att jämföra hur våra
rekommendationer utifrån inventeringarna och analyserna stämmer överens med
dagens användning av drönare och vilka steg som behöver tas för att få en
kvalitetssäkrad metod för drönarinventering av älg.




Drönarbild av två älgar som ligger i ett skogsbestånd i studieområdet Järnäshalvön. Älgarna syns
tydligt i den termiska infrarödbilden. © SLU.




                                                19
3. Resultat
3.1 Provyteinventering Järnäshalvöns ÄSO
Totalt observerades 26 älgar i 43 provytor (medelvärde 54 ha, minst 30 ha, de flesta
planerade 60 ha) på totalt 2 327 ha, vilket motsvarar 16% av området. Av dessa
kunde bara 42% ålders- och könsbestämmas: 6 tjurar, 3 kor, och 2 kalvar. Detta
resulterade i en uppskattad älgtäthet på 11,2 älgar / 1000 ha (bootstrap 95%-
konfidensintervall: 3,8 till 20), en könskvot på 0,67 (bootstrap 95%-
konfidensintervall: 0,24 till 1,0) och en andel kalvar per hondjur av 0,67 (bootstrap
95%-konfidensintervall: 0,50 till 1,0). I resultaten nedan betraktas en relativ
intervallbredd på 1,0 eller lägre som tillräcklig precision. För Järnäshalvöns ÄSO
var den relativa intervallbredden 1,4 för älgtäthet, 1,1 för könskvot och 0,75 för
andel kalvar per hondjur, vilket innebär att endast skattningen av andel kalvar per
hondjur uppnådde tillräcklig precision.



3.2 Inventeringarna Alsters ÄSO
   Totalt observerades 197 älgar i området (Figur 1), varav 54 tjurar, 91 kor, 44
kalvar och 8 djur där ålder och/eller kön inte kunde bestämmas. Detta resulterade i
en uppskattad täthet av 8,8 älgar / 1000 ha (approximerat 95%-konfidensintervall:
3,0 till 14,6). Könskvot skattades till 0,37 (approximerat 95%-konfidensintervall:
0,29 till 0,45) och andel kalvar per hondjur 0,48 (approximerat 95%-
konfidensintervall: 0 till 1,85). Relativ intervallbredd var 1,3 för älgtäthet, 0,43 för
könskvot och 4,3 för andel kalvar per hondjur. Älgarna uppvisade en mer
koncentrerad fördelning i landskapet (VMK = 3,0).
   Alla älgar som observerades i de manuella flygningarna i 15 provytor av
maximalt 60 ha hittades också med de automatiska flygningarna, vilket gav en
relativ upptäckningsgrad för bägge metoderna på 1,0. Även annat vilt, såsom rådjur
och räv, rapporterades och utöver några enstaka fall där djuren kan ha flyttat på sig
hittades samma djur under bägge flygningarna.




                                            20
Figur 1. Karta över Alsters ÄSO (blå markerat område) med platserna där älgar observerades
under totalinventeringen (röda prickar). Bakgrundskartan visar skog (grön), våtmark (orange med
blåa streck), sjöar (blå), jordbruksmark (beige) och städer (grå).

Simuleringar baserade på totalinventeringen inom Alsters ÄSO visade att storleken
på provytorna delvis påverkade noggrannheten, med högre noggrannhet vid mindre
storlek på provytorna (Bilaga 1). Precisionen ökade med andelen av området som
inventerades (Figur 2). För täthetsskattningarna uppnåddes tillräckligt hög
precision (relativ intervallbredd av 1,0 eller lägre) vid inventeringar av 20% av
området (Figur 2). För könskvot uppnåddes tillräckligt hög precision vid
inventeringar av 30% av området, och för andel kalvar per hondjur uppnåddes
tillräckligt hög precision vid inventeringar av 40% av området.




                                               21
Figur 2. Simuleringsresultat för Alsters ÄSO för provytor med en storlek på 50 ha med skattningar
av älgtäthet (A), könskvot (B), kalvar per hondjur (C), och relativ intervallbredd för täthet (D)
beroende på andel av området som inventerades. Linjerna visar medelvärdet, gröna ytor 95%
konfidensintervall, och de gråa punkterna uppskattningen av totalinventeringen (A-C).




3.3 Inventeringarna Fredrika
Totalt observerades 57 älgar i området (Figur 2) under den mest extensiva
totalinventeringen på 3 200 ha. I den mindre totalinventeringen observerades 40
älgar på 2 420 ha. Detta resulterade i uppskattade tätheter av 17,8 älgar / 1000 ha
(approximerat 95%-konfidensintervall: 9,5 till 26,1) respektive 16,5 älgar / 1000 ha
(approximerat 95%-konfidensintervall: 8,6 till 24,5). Relativ intervallbredd var
0,93 respektive 0,96 för älgtäthet. Älgarna uppvisade en ännu mer koncentrerad
fördelning än i Alsters ÄSO (VMK = 4,7).




                                                22
Figur 3. Karta över inventeringsområdet i Fredrika (blå markerat område) med platserna där älgar
observerades under totalinventeringen (röda prickar). Bakgrundskartan visar höjdlinjer, sjöar (blå)
och en närliggande vindkraftspark (grå).

Totalt observerades 6 älgar i 13 provytor (medelvärde 59 ha, minst 52 ha, de flesta
planerade 60 ha) på totalt 767 ha, vilket motsvarar 23% av området. Av dessa kunde
50% ålders- och könsbestämmas: 2 kor och 1 kalv. Detta resulterade i en uppskattad
älgtäthet på 7,8 älgar / 1000 ha (bootstrap 95%-konfidensintervall: 0,0 till 17) och
en andel kalvar per hondjur av 0,50 (bootstrap 95%-konfidensintervall: 0,0 till 1,0).
Relativ intervallbredd var 2,2 för älgtäthet och 2,0 för andel kalvar per hondjur.
Ingen av skattningarna uppnådde tillräcklig precision.
   Alla älgar som observerades i de automatiska flygningarna i 13 provytor om
maximalt 60 ha hittades också under totalinventeringarna, förutom en älg som
upptäcktes i en provyta men inte i totalinventeringen som täckte detta område,
vilket gav en relativ upptäckningsgrad för bägge metoderna på 0,98. Dessutom
hittades alla GPS-märkta älgar som fanns kvar i rutorna under flygningarna. Totalt
genomfördes 12 GPS-flygningar, där de GPS-märkta älgarna återfanns inom
inventeringsrutorna vid 8 flygningar. Vid de resterande 4 flygningarna hade älgarna
förflyttat sig utanför rutorna innan flygningarna genomfördes. Eftersom vi hittade
alla älgar som var kvar i rutorna, motsvarar den observerade upptäckningsgraden
1,0.




                                                 23
Drönarbild (zoomkamera) av en GPS-märkt älg i ett skogsbestånd i studieområdet utanför Fredrika.
© SLU.


Simuleringar baserade på totalinventeringen inom området utanför Fredrika visade
att storleken på provytor påverkade noggrannheten något, med högre noggrannhet
vid mindre storlek på provytor (Bilaga 1). Den bästa noggrannheten nåddes vid
provyteinventering av 50 ha rutor. Precisionen ökade med andelen av området som
inventerades (Figur 4). För täthetsskattningarna uppnåddes tillräckligt hög
precision (relativ intervallbredd av 1,0 eller lägre) när 50–60% av området
inventerades (Figur 4).




                                                24
Figur 4. Simuleringsresultat för Fredrika för provytor med en storlek på 50 ha med skattningar av
älgtäthet (A), könskvot (B), kalvar per hondjur (C), och relativ intervallbredd för täthet (D)
beroende på andel av området som inventerades. Linjerna visar medelvärdet, gröna ytor 95%
konfidensintervall, och de gråa punkterna uppskattningen av totalinventeringen (A-C).


3.4 Metodikbeskrivning drönarföretag
Företag som arbetar med drönarbaserad viltinventering använder idag termiska och
optiska sensorer för att upptäcka, verifiera och analysera viltpopulationer, men
deras metodik skiljer sig i hur datainsamlingen organiseras. Vissa aktörer utgår från
etablerade stickprovsmetoder, där slumpmässigt placerade provytor (med 20–40%
täckningsgrad) inventeras manuellt med drönare. Operatören styr flygningen aktivt
för att maximera detektering och kunna ta bilder som räcker för art- och
könsbestämning.      Samtidigt erbjuder de flesta företag också heltäckande
inventeringar, särskilt av mindre områden. I de flesta fall bearbetas data för att ge
ett konfidensintervall och vissa företag använder mer komplicerade metoder med
matematiska modeller och artspecifika korrektionsfaktorer för att skatta
populationsstorlek under varierande detekterbarhet. Dessa aktörer erbjuder oftast
täthetsuppskattningar samt uppskattningar av könskvot och antal kalvar per
hondjur.
    Andra aktörer utvecklar mer automatiserade system där drönare flyger
systematiska rutter med hög sido- och frontöverlappning och ibland i parallella



                                                25
team för att täcka hela områden. Här geotaggas alla observationer och analyseras
vidare med AI-modeller som tränats på värmebilder för att identifiera och
klassificera arter. Köns- och åldersbestämning görs inte under dessa inventeringar.




                                         26
4. Diskussion
4.1 Upptäckningsgrad
Upptäckningsgraden i denna studie skattades till nära 1, baserat på såväl parallella
flygningar över samma område som riktade flygningar i områden med GPS-märkta
älgar. Inga skillnader i upptäckningsgrad kunde påvisas mellan olika köns- och
åldersklasser, men antalet observationer var begränsat. Både automatiserade och
manuella flygningar uppvisade genomgående mycket höga upptäckningsgrader.
Resultaten erhölls dock under gynnsamma vinterförhållanden med låga
temperaturer och molnigt väder, vilket ger hög termisk kontrast mellan älgar och
omgivande miljö. Att erfarna drönarpiloter kunde identifiera samma individer som
det automatiserade systemet indikerar att manuella flygningar kan utgöra ett
tillförlitligt alternativ när de genomförs av utbildade operatörer under lämpliga
förhållanden.
    Tidigare forskning indikerar att upptäckningsgraden minskar under mindre
gynnsamma förhållanden. Mayer m.fl. (2024) rapporterade exempelvis en
upptäckningsgrad på cirka 0,8 vid älginventeringar under soligare
väderförhållanden, jämfört med den nära fullständiga upptäckningsgraden som
observerades i denna studie. Eftersom inventeringarna i denna studie genomfördes
under så gynnsamma förhållanden som möjligt uppstod ibland väntetider på flera
veckor mellan inventeringstillfällen i samma område. Detta utgör en praktisk
begränsning för löpande övervakning. En möjlig väg framåt är därför att genomföra
inventeringar även under mindre gynnsamma väderförhållanden och samtidigt
skatta upptäckningsgraden, så att resultaten kan korrigeras för variationer i
detektionsförmåga.
    I likhet med etablerad praxis vid inventeringar med flygplan och helikopter bör
skattning av upptäckningsgrad integreras i planeringen av drönarbaserade
inventeringar (Edenius & Willebrand 2015). Detta kan exempelvis uppnås genom
att ett urval av provytor (cirka 25%) inventeras vid upprepade tillfällen. Framtida
studier bör särskilt undersöka hur upptäckningsgraden påverkas av
väderförhållanden, årstid och vegetationstäthet samt utvärdera upptäckningsgraden
för system som använder AI-baserad analys av termiska infraröda bilder. Det finns
också behov av ytterligare studier av hur flygparametrar påverkar
upptäckningsgraden vid såväl manuella som automatiserade inventeringar.
Exempelvis skulle en mer snedställd kameravinkel kunna öka den areal som täcks
per flygning, särskilt i öppna habitat, men det är för närvarande oklart hur en sådan
anpassning påverkar upptäckningsgraden.




                                          27
4.2 Provyteinventeringar
Simuleringarna i denna studie visade att det är möjligt att tillämpa en partiell
inventering baserad på fördefinierade provytor för att estimera täthet, könskvot och
antal kalvar per hondjur hos älg över ett större område. Den andel av totalarealen
som behöver täckas är dock beroende av graden av rumslig aggregation hos
älgpopulationen och behöver vara högre i områden där älgarna uppvisar en mer
aggregerad fördelning, framför allt i norra delen av Sverige med högre andel
vandringsälgar (Van Moorter m.fl. 2021). Våra resultat indikerar att en
täckningsgrad om cirka 20 % är tillräcklig i områden med måttlig aggregation,
medan upp till 50 % av arealen kan behöva inventeras i områden med stark
aggregation för att uppnå tillräcklig precision i skattningarna. Dessutom behöver en
större andel av arealen inventeras när könskvot och antal kalvar per hondjur ska
uppskattas. Dessa nivåer är avsevärt högre för aggregerade populationer än tidigare
rekommendationer för flygbaserade inventeringar med helikopter eller flygplan,
där det ofta föreslås en täckningsgrad om cirka 25 % vid stickprovsbaserad
inventering (Edenius & Willebrand 2015).
   Våra simuleringar indikerar vidare att provytornas storlek har mindre betydelse
för resultaten än den totala andelen av arealen som täcks. Såväl noggrannhet som
precision var likartade över det intervall av provytestorlekar som analyserades. En
viss minskning i noggrannhet observerades vid större provytor, vilket sannolikt
beror på de förenklingar som gjordes i simulationsupplägget (exempelvis
antagandet att hela provytan inventerades även när delar låg utanför studieområdet).
Vi bedömer därför att denna underskattning främst är metodrelaterad och inte
speglar en faktisk begränsning i inventeringsmetoden. Detta stärks av att
underskattningen försvann när analyserna begränsades till provytor med fullständig
överlappning inom studieområdet.
   Valet av provytestorlek styrs i stor utsträckning av praktiska och regulatoriska
begränsningar. I denna studie användes provytor om cirka 60 ha, främst på grund
av kravet på visuell kontakt med drönaren (VLOS). I tät skog och kuperad terräng
begränsas dock siktlinjen ytterligare, vilket innebar att vissa provytor behövde
minskas eller inventeras genom flera flygningar från olika startplatser. Därmed är
provytor större än cirka 50–60 ha i många skogsmiljöer svåra att genomföra utan
särskilda tillstånd för flygning utom synhåll (BVLOS). I öppnare landskap kan
däremot större provytor vara praktiskt möjliga.
   I likhet med rekommendationen avseende skattning av upptäckningsgrad kan
inventeringen med fördel delas upp i flera steg. Inledningsvis kan ett urval av
provytor inventeras spridda över området, motsvarande exempelvis 10 % av
totalarealen. Data från dessa initiala flygningar kan därefter användas för att
bedöma hur ojämnt älgarna är fördelade i landskapet och därigenom uppskatta
vilken täckningsgrad som krävs för att uppnå önskad precision. Detta kan
exempelvis göras genom att beräkna varians-medelvärdeskvoten (VMK), som ger


                                          28
ett mått på hur koncentrerad älgfördelningen är. I takt med att fler totalinventeringar
genomförs skulle resultaten kunna användas för att bygga upp referensvärden som
kopplar olika nivåer av aggregation till rekommenderad täckningsgrad. Alternativt
kan bootstrap-baserade analyser användas för att undersöka hur precisionen
förändras när andelen inventerad areal ökar. För att sådana metoder ska kunna
användas brett inom förvaltningen behövs dock användarvänliga verktyg och
beslutsstöd som omsätter resultaten från de första inventeringarna till
rekommendationer om fortsatt inventeringsinsats.

4.3 Täthetsuppskattning
Referensskattningar från andra metoder finns för två av de tre studieområdena. På
Järnäshalvön skattade Pfeffer m.fl. (2018) älgtätheten i samma område till cirka 6
älgar per 1000 ha baserat på viltkameror, vilket är lägre än den skattning på 11,2
älgar per 1000 ha som erhölls i föreliggande studie. Täthetsskattningar baserade på
spillningsinventering indikerade dock tätheter i intervallet 5 till 10 älgar per 1000
ha (Pfeffer m.fl. 2018), och med hänsyn till den låga precisionen i den
drönarbaserade skattningen ligger resultatet fortfarande inom ett rimligt intervall. I
Alsters ÄSO överensstämde den drönarbaserade skattningen på 8,8 älgar per 1000
ha väl med tidigare skattningar från viltkameror i samma område, vilka uppgick till
cirka 9 älgar per 1000 ha (opublicerade data, Svenska Jägareförbundet).
Sammantaget indikerar detta att de älgtätheter som skattats med drönare i denna
studie är rimliga. För Fredrikaområdet saknas referensskattningar från andra
metoder. De förhållandevis höga tätheter som skattades där kan dock bero på
ansamlingar av migrerande älgar inom området. För att ytterligare utvärdera
noggrannheten i täthetsskattningar baserade på drönarinventeringar vore det
värdefullt att genomföra motsvarande studier i områden där referensskattningar
från andra metoder redan finns tillgängliga, exempelvis i de sex referensområdena
där Svenska Jägareförbundet övervakar klövvilt med viltkameror och där SLU
sedan 2023 årligen skattar tätheter baserat på dessa data.
   Precisionen i täthetsskattningarna var generellt låg. Detta kan vid första anblick
förefalla motsägelsefullt eftersom upptäckningsgraden skattades till nära 1. En hög
upptäckningsgrad innebär dock att de älgar som befinner sig inom de inventerade
områdena i stor utsträckning upptäcks, medan precisionen i täthetsskattningen
främst påverkas av hur representativa de inventerade ytorna är för hela området.
Detta beror sannolikt dels på att antalet observerade älgar var relativt begränsat i
flera av inventeringarna, dels på att älgarna uppvisade en ojämn och delvis
koncentrerad fördelning i landskapet. Särskilt vid provyteinventeringar leder en
sådan fördelning till att precisionen blir starkt beroende av vilka delar av området
som råkar inventeras. Dessutom inventerades 16 % respektive 23 % av arealen i
Järnäshalvön och Fredrika, vilket ligger i den nedre delen av eller under det intervall
på cirka 20–30 % som resultaten senare indikerar ofta krävs för att uppnå tillräcklig


                                           29
precision i täthetsskattningarna. I denna studie definierades tillräcklig precision
som en relativ intervallbredd under 1,0, vilket ungefär motsvarar en
variationskoefficient under 0,3 och följer vanliga rekommendationer för
viltövervakning (Williams m.fl. 2002). För totalinventeringarna bör de beräknade
konfidensintervallen tolkas med viss försiktighet. Till skillnad från
provyteinventeringarna bygger osäkerheten här inte på variation mellan stickprov,
eftersom hela eller nästan hela området inventerades. De rapporterade
konfidensintervallen är istället baserade på approximativa statistiska metoder och
kan därför ge en konservativ uppskattning av osäkerheten. Den verkliga precisionen
hos totalinventeringarna är sannolikt högre och påverkas i större utsträckning av
faktorer såsom upptäckningsgrad, dubbelräkning och djurens rörelser än av
stickprovsvariation.
    Det är sannolikt att inventeringen av Järnäshalvön genomfördes över en alltför
lång tidsperiod, vilket medför att djur kan ha förflyttat sig inom området mellan den
första och sista inventeringen. Samtidigt bedöms storskaliga och riktade
förflyttningar av älg vara begränsade utanför migrationsperioder, liksom i mer
sydliga områden där älg i regel inte uppvisar säsongsmässig migration. Vid
parallella flygningar observerades att individer kunde röra sig från områden inom
provytor till områden strax utanför dessa, vilket indikerar en viss risk för
dubbelräkning. Det finns emellertid också en motsvarande risk att individer missas
vid upprepade tillfällen. Sammantaget bedöms dessa effekter delvis ta ut varandra,
vilket innebär att skattningar av täthet, könskvot och åldersstruktur sannolikt inte
är särskilt känsliga för denna typ av rörelser. Under en totalinventering kan plats
och rörelseriktning dokumenteras för djur som rör sig på gränsen mellan ytorna för
olika delflygningar för att bedöma eventuella dubbelräkningar, både i fält och
efteråt. Detaljerade foton från olika vinklar med zoomkameran kan även användas
för att bedöma eventuella dubbelräkningar av samma individ. Även om det
generellt är önskvärt att genomföra inventeringar under så kort tidsperiod som
möjligt, måste detta vägas mot rådande väderförhållanden och andra praktiska
begränsningar såsom begränsad batteritid och tillgänglighet i terrängen i
kombination med VLOS.

4.4 Köns- och åldersbestämning
Resultaten visar att det är möjligt att skatta könskvot och antal kalvar per hondjur
med hjälp av drönarbaserade inventeringar. Till skillnad från uppskattningar av
populationstäthet kräver detta dock en mer omfattande datainsamling. För att köns-
och åldersbestämning ska kunna genomföras med hög tillförlitlighet behöver
drönaren samla in högupplösta bilder av djuren, gärna från flera olika vinklar med
hjälp av en zoomkamera. I vissa fall kan det även vara fördelaktigt att flyga på lägre
höjd för att förbättra bildkvaliteten, förutsatt att detta kan göras utan att störa eller
skrämma djuren. Klassificeringen kräver dessutom erfaren personal, eftersom


                                            30
skillnader mellan köns- och åldersklasser ofta är subtila, särskilt vintertid när
handjur saknar horn.
   Köns- och åldersbestämning kan antingen genomföras direkt i fält eller i
efterhand utifrån insamlade bilder. Analys av bildmaterial är mer tidskrävande men
ger möjlighet till kvalitetssäkring och dokumentation av bedömningarna, medan
klassificering i fält kan vara snabbare men samtidigt mer känslig för bedömningsfel.
Därför rekommenderas att alltid ta bilder vid köns- och åldersbestämning.
   Skillnaderna mellan studieområdena illustrerar vikten av standardiserade rutiner
för köns- och åldersbestämning. I Alsters ÄSO kunde kön och ålder bestämmas för
en större andel av de observerade älgarna än i Järnäshalvöns ÄSO. Skillnaden
bedöms i hög grad bero på att olika bedömare tillämpade olika trösklar för när en
klassificering ansågs tillräckligt säker. Datainsamlingens omfattning kan också ha
bidragit, då ett större antal bilder från olika vinklar generellt ger bättre underlag för
klassificering.
   Sammantaget bedöms drönare ha god potential för insamling av data om
populationens sammansättning. Metoden kräver emellertid större arbetsinsats än
rena täthetsinventeringar, både i fält och vid efterbearbetning. Eftersom köns- och
åldersklasser dessutom utgör mindre delmängder av populationen krävs ett större
antal observationer för att uppnå tillräcklig precision i skattningarna, vilket i
praktiken innebär att mycket större arealer behöver inventeras. Framtida
metodutveckling bör även omfatta standardiserade protokoll för bildinsamling och
klassificering, så att köns- och åldersbestämningar blir mer jämförbara mellan olika
områden, piloter och bedömare.

4.5 Framtida behov enligt drönarföretag
Utifrån samarbetet med drönarföretag framträder en relativt samstämmig bild av
vilka utvecklingsbehov som finns. Ett centralt behov är ökad standardisering och
kvalitetssäkring, både i metodik och kompetens. Flera aktörer betonar att dagens
resultat i hög grad beror på operatörens erfarenhet, vilket skapar variation i
datakvalitet. Därför lyfts behovet av certifiering av piloter och företag,
gemensamma utbildningar samt krav på dokumenterade arbetsmetoder för att
säkerställa jämförbara och tillförlitliga resultat över tid. Samtidigt finns ett tydligt
behov av att utveckla robusta och accepterade inventeringsdesigner (t.ex. rätt
täckningsgrad och provytestorlek), då dagens metoder – särskilt provytebaserade –
kan ge mycket varierande resultat beroende på hur de implementeras.
Ett andra tydligt utvecklingsspår rör balansen mellan automatisering och
datakvalitet. Vissa företag satsar på AI, autonoma flygningar och storskalig
datainsamling, men flera aktörer lyfter att dessa system ännu inte är tillräckligt
träffsäkra för att ersätta manuell tolkning och styrning i alla situationer. Framtida
behov inkluderar därför förbättrad AI för artidentifiering och beteendeanalys, bättre
koordinering av flera drönare och integration av flera datakällor, samtidigt som man


                                            31
måste hantera problem som dubbelräkning, skuggade observationer och djurens
rörelser. Dessutom har AI-modeller som gör köns- och åldersbestämning inte
utvecklats för drönarbilder än. Slutligen lyfts även praktiska och regulatoriska
behov, såsom säkrare flygoperationer, tydligare tillståndsprocesser och minimering
av risker i luftrummet. Sammantaget pekar aktörerna på en utveckling mot mer
automatiserade och datadrivna system, men där metodutveckling, standardisering
och operativ säkerhet är avgörande för att tekniken ska kunna skalas upp och
accepteras brett inom viltförvaltning.




                                         32
5. Slutsatser och rekommendationer
Baserat på resultaten i denna studie rekommenderas följande metodik för
inventering av älg med drönare. Samtliga nuvarande DJI-modeller utrustade med
termisk kamera (vilka är de mest förekommande på marknaden) bedöms ha
tillräckliga tekniska specifikationer för ändamålet. Flygning kan genomföras på
relativt hög höjd (cirka 100 m upp till maximalt 120 m, i enlighet med gällande
tillstånd). Vid manuella flygningar bör flyghastighet och överlapp mellan flygstråk
anpassas efter vegetationens täthet. I öppna miljöer kan högre flyghastigheter och
större avstånd mellan flygstråken användas, medan tätare vegetation generellt
kräver lägre flyghastighet och större överlapp mellan flygstråken. Vid automatiska
flygningar rekommenderas liknande inställningar som i denna studie, med relativt
låg hastighet och hög överlappning, för att minimera risken att djur förbises i slutna
habitat.
    Inventeringar kan genomföras antingen som totalinventeringar eller som
stickprovsbaserade inventeringar med provytor. Baserat på resultaten i denna studie
bedöms en täckningsgrad på cirka 20–30 % av totalarealen ofta kunna ge
skattningar med en precision som motsvarar vanliga rekommendationer inom
viltförvaltningen. Detta innebär dock inte nödvändigtvis att precisionen uppfattas
som tillräcklig i alla förvaltningssituationer, eftersom olika användare kan ha olika
krav på säkerheten i skattningarna. Den erforderliga täckningsgraden beror på
graden av rumslig aggregation hos älgpopulationen och bör därför bedömas
specifikt för varje område. För skattningar av könskvot respektive kalv per ko krävs
generellt större stickprov och därmed en större inventerad andel av totalarealen för
att uppnå motsvarande precision. Provytestorlekens betydelse bedöms vara
begränsad i jämförelse med total täckningsgrad och styrs i hög grad av praktiska
och regulatoriska faktorer, såsom krav på visuell kontakt med drönaren om tillstånd
för flygning utom synhåll saknas.
    Under de förhållanden som rådde i denna studie (kallt och mulet vinterväder)
skattades upptäckningsgraden till nära 1. Under övriga förhållanden bör
upptäckningsgraden skattas, exempelvis genom att cirka 25 % av provytorna
inventeras vid upprepade tillfällen och resultaten jämförs. Identifiering av kön och
ålder är möjlig, men medför en ökad tidsåtgång. Osäkerheten i skattningarna kan
kvantifieras genom beräkning av 95 % konfidensintervall, exempelvis med
bootstrap-metodik eller approximativa metoder vid totalinventering.
    Även om detta inte analyserats specifikt i studien, rekommenderas att
inventeringar genomförs under så kort tidsperiod som möjligt för att minimera
effekter av djurens rörelser inom och mellan provytor. Erfarenheter visar att ett
område på 1000 ha kan inventeras på cirka 2 till 4 timmar. Det är dock sannolikt att
förflyttningar är begränsade utanför perioder och områden med uttalad
säsongsmässig migration.


                                           33
   Det kvarstår ett antal viktiga kunskapsluckor. Exempelvis pågår för närvarande
ett examensarbete vid SLU där avståndsinventering som metod för skattning av
täthet och upptäckningsgrad, liksom användningen av öppet tillgängliga AI-
modeller för identifiering av älg i termiska bilder, undersöks. Fyra centrala områden
för fortsatt forskning har identifierats:
    1. Fler totalinventeringar i varierande landskap och säsonger för att utvärdera
        hur rumslig fördelning av älg påverkar provytebaserade upplägg, där en
        lämplig täckningsgrad sannolikt varierar mellan cirka 20–50 % beroende på
        aggregation hos älgar,
    2. studier av upptäckningsgrad under olika väderförhållanden, särskilt vid
        halvklart och klart väder,
    3. analyser av upptäckningsgrad i olika habitattyper (särskilt lövskog) och
        under olika årstider, framför allt sommartid, samt
    4. utvärdering av upptäckningsgrad samt andelen falskt positiva och falskt
        negativa detektioner vid AI-baserad identifiering och räkning av älgar i
        termiska bilder.

En viktig begränsning är att drönarinventeringar är beroende av gynnsamma
väderförhållanden. Vind och nederbörd kan begränsa möjligheten att genomföra
flygningar och även mycket låga temperaturer (kallare än -15 °C) kan påverka vissa
drönarsystems prestanda. Under studien förekom flera veckor då inventeringar inte
kunde genomföras. Eftersom antalet lämpliga inventeringsdagar är begränsat kan
detta försvåra inventering av stora arealer, särskilt i norra Sverige där
älgförvaltningsområden ofta omfattar mycket stora geografiska områden. Samtidigt
begränsas inventeringskapaciteten även av drönarnas räckvidd och batterikapacitet,
särskilt vid inventering av stora områden under vinterförhållanden. För att hantera
dessa begränsningar kan flera drönarsystem användas samtidigt, vilket möjliggör
inventering av större arealer under de korta tidsfönster då väderförhållandena är
tillräckligt gynnsamma. Det är också möjligt att manuella flygningar i vissa
situationer kan möjliggöra en mer effektiv användning av batterikapaciteten än
automatiserade flygningar med hög överlappning mellan flygstråk. Detta har dock
inte undersökts inom ramen för denna studie och behöver utvärderas vidare. En
sådan potentiell fördel behöver dessutom vägas mot att den inventerade arealen blir
svårare att standardisera och dokumentera jämfört med automatiserade flygningar.
    En annan viktig begränsning för drönarbaserad viltinventering är nuvarande
regelverk som i många fall kräver att drönaren hålls inom synhåll (VLOS).
Möjligheten att genomföra flygningar bortom visuell siktlinje (BVLOS) skulle
avsevärt öka metodens effektivitet och praktiska användbarhet, särskilt vid
inventering av stora områden. BVLOS-operationer kan genomföras inom den
specifika kategorin genom exempelvis STS-02, PDRA eller operativa
auktorisationer baserade på SORA, vilka erbjuder olika grader av flexibilitet men



                                          34
också varierande krav på riskhantering, dokumentation och säkerhetsrutiner.
Naturvårdsverket rekommenderas därför att tillsammans med Transportstyrelsen
och andra berörda aktörer utreda hur befintliga möjligheter till BVLOS-operationer
kan användas och vidareutvecklas för storskalig viltinventering i områden med låg
mänsklig aktivitet.
    Slutligen föreligger även ett behov av utbildning och certifiering för att
säkerställa att piloter har tillräcklig kompetens för att genomföra inventeringar på
ett tillförlitligt och standardiserat sätt. Detta gäller både manuella flygningar och
automatiska flygningar och syftar till att minska skillnaderna i metodik mellan
aktörerna. För att resultaten ska vara jämförbara mellan områden och över tid bör
inventeringarna genomföras enligt standardiserade protokoll med tydliga krav på
utbildning, dokumentation, kvalitetssäkring och validering. Transparens och
spårbarhet i hela arbetsflödet är centrala för metodens långsiktiga trovärdighet och
användbarhet inom viltförvaltningen.




                                          35
Tack
Denna studie hade inte varit möjlig att genomföra utan stöd från ett flertal personer
och företag som generöst har delat med sig av sina metoder och kunskaper. Vi vill
särskilt rikta ett stort tack till Gunnar Glöersen (Svenska Jägareförbundet), Mattias
Pettersson (Viltinventering Sverige AB), Simon Kallin (Hovra Nordic UAS),
Anton Larsson (Wild Event & Media Sweden), Viktor Ajaxon (Ajaxon Consulting
AB), Oliver Carlsson (Drönarkompaniet Norden AB) samt Joakim Näzell (Copture
AB) för deras medverkan i projektet, antingen genom aktivt deltagande, värdefulla
diskussioner eller genom att dela relevant information.
Vi vill även tacka de många representanter från älgskötselområden som kontaktade
oss under arbetets gång för att uttrycka sitt intresse för drönarbaserad
älginventering. Dessa kontakter bidrog med värdefulla insikter kring
förvaltningsmässiga implikationer och gav projektet en tydlig aktualitet och
relevans.
Avslutningsvis vill vi rikta ett särskilt tack till Jens Andersson och Anders Broby
vid Naturvårdsverket för deras professionella hantering av uppdraget samt för deras
flexibilitet i samband med de förseningar som uppstod till följd av ogynnsamma
väderförhållanden.




                                          36
Deklaration om användning av generativ AI
Under arbetet med denna rapport använde författarna Claude Sonnet 4,6 för att få
hjälp med att generera kod för analyserna. Vidare användes Microsoft 365 Copilot
(baserad på GPT-5-chatmodellen) som stöd vid formulering av den svenska texten.
Efter användning av dessa verktyg granskade och redigerade författarna innehållet
för att säkerställa dess korrekthet och relevans.




                                        37
Referenser
Anderson, J., Hekkala, A.-M. & F. Widemo. 2026. Intermediate browsing by diverse deer
     communities is linked to variation in vegetation structure and species richness in
     vascular plants. Forest Ecology & Management 603: 123422.
     https://doi.org/10.1016/j.foreco.2025.123422
Andrén, H., Månsson, J., Lundberg, P., Danell, K., Bergström, R., Göransson, G., Thulin,
     C.G. & G. Spong. 2010. Viltpopulationernas storlek. I Vilt, människa & samhälle,
     red. K. Danell & R. Bergström. Liber, Stockholm, 33-54.
Bergström, R., Karlsson,J., Hake,M.,Michanek, G., Christiernsson, A., Danell, K.,
      Risberg, P. & F. Widemo. 2010. Åtgärder- minska viltskadorna. I Vilt, människa &
      samhälle, red. K. Danell & R. Bergström. Liber, Stockholm, 285-301.
Cromsigt, J., Dressel, S., Ericsson, G., Felton, A., Johansson, M., Neumann, W., Pfeffer,
     S., Sandström, C., Singh, N., Sjölander-Lindqvist, A., Spitzer, R. Widemo, F. & A.
     Widén. 2023. Adaptiv sam- och flerartsförvaltning av klövvilt. Gemensam rapport
     för forskningsprojekten Beyond Moose och Governance. Naturvårdsverkets
     rapportserie 7108.
     https://www.naturvardsverket.se/49bec9/globalassets/media/publikationer-
     pdf/7100/978-91-620-7108-0.pdf
Edenius, L. & M.H. Willebrand (2015) Inventering för adaptiv älgförvaltning i
     älgfärvaltningsområden (ÄFO) - Flyginventering av älg. Manual nr 5, version 1.1.
     Sveriges Lantbruksuniversitet, Sverige.
Mayer, M., Vogler, T., Ausilio, G., Kirchner, T., Mathisen, K.M., Evans, A.L., Eriksen,
     A., Heurich, M., Naumov, V., Wabakken, P. & B. Zimmermann (2024) Drone-
     borne monitoring of moose. Oppdragsrapport nr4. Universitetet i Innlandet, Norge.
     ISBN: 978-82-8380-472-0. https://hdl.handle.net/11250/3115853
van Moorter, B., Singh, N.J., Rolandsen, C.M., Solberg, E.J., Dettki, H., Pusenius, J.,
     Månsson, J., Sand, H., Milner, J.M., Roer, O., Tallian, A., Neumann, W., Ericsson,
     G. & A. Mysterud (2021), Seasonal release from competition explains partial
     migration in European moose. Oikos, 130: 1548-1561.
     https://doi.org/10.1111/oik.07875
Månsson, J., Hauser, C.E., Andrén, H. & H.P. Possingham (2011), Survey method choice
     for wildlife management: the case of moose Alces alces in Sweden. Wildlife
     Biology, 17: 176-190. https://doi.org/10.2981/10-052
Pfeffer, S.E., Spitzer, R., Allen, A.M., Hofmeester, T.R., Ericsson, G., Widemo, F.,
      Singh, N.J. & J.P.G.M. Cromsigt (2018), Pictures or pellets? Comparing camera
      trapping and dung counts as methods for estimating population densities of
      ungulates. Remote Sens Ecol Conserv, 4: 173-183. https://doi.org/10.1002/rse2.67
Skalski, J.R., Millspaugh, J.J. & K.E. Ryding (2005). Wildlife demography: analysis of
      sex, age, and count data. Elsevier. https://doi.org/10.1016/B978-0-12-088773-
      6.X5000-7




                                             38
Spitzer, R., Churski, M., Felton, A., Heurich, M., Kuijper, D.P.J., Landman, M.,
      Rodriguez, E., Singh, N.J., Taberlet, P., van Beeck Calkoen, S.T.S., Widemo, F. &
      J.P.G.M. Cromsigt (2019) Doubting dung: eDNA reveals high rates of
      misidentification in diverse European ungulate communities. European Journal of
      Wildlife Research 65, 28. https://doi.org/10.1007/s10344-019-1264-8
Widemo, F., Elmhagen, B. & N. Liljebäck. 2019. Viltets ekosystemtjänster- en
     kunskapssammanställning till stöd för värdering och förvaltning. 163 sidor.
     Naturvårdsverkets rapportserie.
     https://www.naturvardsverket.se/4ac248/globalassets/media/publikationer-
     pdf/6800/978-91-620-6889-9.pdf
Widemo, F., Leonardsson, K., Ó Cuív, C., Anderson, J. & C. Berndt. 2025. Utvärdering
     av målen inom den svenska älgförvaltningen. Rapport Skog 2025: 2. SLU.
     https://doi.org/10.54612/a.4co3ohmkvd
Williams, B.K., Nichols, J.D., & M.J. Conroy (2002) Analysis and Management of
      Animal Populations. Elsevier. ISBN: 9780127544069.




                                            39
Bilaga 1
Tabell 1. Simuleringsresultat Alsters ÄSO. Medelvärdet och 95% konfidensintervall beräknades baserad på 1000 simuleringar.
 Provytestorlek Andel av området   Täthet                Könskvot             Kalvar per hondjur
                inventerat
 25ha           5%                 7,79 [0,83 - 16,69]   0,33 [0,00 - 0,75]   0,54 [0,00 - 1,67]
 25ha           10%                7,78 [2,47 - 13,61]   0,35 [0,00 - 0,60]   0,49 [0,00 - 1,20]
 25ha           20%                7,70 [4,12 - 11,55]   0,36 [0,17 - 0,55]   0,48 [0,17 - 0,88]
 25ha           30%                7,82 [4,95 - 10,86]   0,37 [0,22 - 0,50]   0,49 [0,25 - 0,79]
 25ha           40%                7,77 [5,35 - 9,87]    0,37 [0,26 - 0,47]   0,49 [0,30 - 0,70]
 25ha           50%                7,76 [5,92 - 9,55]    0,36 [0,27 - 0,45]   0,48 [0,33 - 0,65]
 25ha           60%                7.78 [6.24 - 9.33]    0.37 [0.30 - 0.43]   0.48 [0.35 - 0.63]
 50ha           5%                 7,65 [0,83 - 17,50]   0,35 [0,00 - 1,00]   0,55 [0,00 - 1,67]
 50ha           10%                7,71 [2,86 - 13,48]   0,36 [0,08 - 0,67]   0,54 [0,00 - 1,20]
 50ha           20%                7,68 [4,24 - 11,72]   0,37 [0,20 - 0,55]   0,51 [0,18 - 0,92]
 50ha           30%                7,75 [4,83 - 10,74]   0,37 [0,23 - 0,50]   0,50 [0,23 - 0,82]
 50ha           40%                7,65 [5,42 - 9,95]    0,36 [0,25 - 0,48]   0,51 [0,31 - 0,75]
 50ha           50%                7,66 [5,70 - 9,56]    0,37 [0,27 - 0,45]   0,50 [0,33 - 0,70]
 50ha           60%                7.74 [6.15 - 9.16]    0.37 [0.29 - 0.44]   0.50 [0.37 - 0.65]
 100ha          5%                 7,81 [0,83 - 18,33]   0,32 [0,00 - 0,70]   0,53 [0,00 - 1,67]
 100ha          10%                7,67 [2,08 - 13,75]   0,35 [0,00 - 0,64]   0,53 [0,00 - 1,22]
 100ha          20%                7,58 [4,08 - 11,84]   0,35 [0,17 - 0,53]   0,48 [0,18 - 0,84]
 100ha          30%                7,55 [5,00 - 10,54]   0,36 [0,23 - 0,49]   0,47 [0,24 - 0,75]
 100ha          40%                7,54 [5,35 - 9,80]    0,36 [0,24 - 0,47]   0,46 [0,29 - 0,65]



                                                                       40
Provytestorlek Andel av området   Täthet                Könskvot             Kalvar per hondjur
               inventerat
100ha          50%                7,61 [5,56 - 9,44]    0,36 [0,27 - 0,44]   0,47 [0,32 - 0,63]
100ha          60%                7.71 [6.15 - 9.19]    0.37 [0.29 - 0.44]   0.47 [0.34 - 0.60]
200ha          5%                 7,22 [0,00 - 18,33]   0,33 [0,00 - 0,80]   0,59 [0,00 - 2,00]
200ha          10%                7,26 [2,07 - 14,58]   0,35 [0,00 - 0,64]   0,51 [0,00 - 1,20]
200ha          20%                7,13 [3,40 - 11,80]   0,37 [0,20 - 0,54]   0,49 [0,19 - 0,89]
200ha          30%                6,98 [4,08 - 10,27]   0,37 [0,23 - 0,50]   0,46 [0,24 - 0,73]
200ha          40%                6,89 [4,30 - 9,70]    0,36 [0,25 - 0,48]   0,46 [0,29 - 0,67]
200ha          50%                7,07 [5,08 - 9,21]    0,37 [0,28 - 0,45]   0,46 [0,31 - 0,64]
200ha          60%                7.17 [5.46 - 8.88]    0.37 [0.30 - 0.44]   0.47 [0.35 - 0.60]
300ha          5%                 7,41 [0,00 - 16,67]   0,34 [0,00 - 0,80]   0,61 [0,00 - 2,00]
300ha          10%                7,23 [2,08 - 13,75]   0,37 [0,00 - 0,67]   0,56 [0,00 - 1,40]
300ha          20%                7,34 [3,75 - 11,67]   0,37 [0,17 - 0,54]   0,53 [0,20 - 1,00]
300ha          30%                7,28 [4,31 - 10,28]   0,38 [0,24 - 0,52]   0,53 [0,22 - 0,91]
300ha          40%                7,19 [4,79 - 9,58]    0,38 [0,26 - 0,50]   0,52 [0,27 - 0,83]
300ha          50%                7,28 [5,28 - 9,27]    0,37 [0,28 - 0,46]   0,51 [0,31 - 0,74]
300ha          60%                7.32 [5.85 - 8.71]    0.38 [0.30 - 0.45]   0.51 [0.36 - 0.69]




                                                                      41
Tabell 2. Simuleringsresultat Fredrika område. Medelvärdet och 95% konfidensintervall beräknades baserat på 1000 simuleringar.
Täthetsskattningen är baserad på en totalinventering av nästan hela området medan könskvot och kalvar per hondjur skattades baserat på en
totalinventering av ett mindre område. För detta område kunde inte någon simulering med 300 ha rutor på 10% göras på grund av den mindre
storleken.
 Provytestorlek Andel av området Täthet                   Könskvot             Kalvar per hondjur
                inventerat
 25ha           5%               17,72 [0,00 – 73,33]     0,10 [0,00 - 0,50]   1,43 [1,00 - 2,00]
 25ha           10%              16,67 [0,00 – 50,00]     0,11 [0,00 - 0,50]   1,45 [1,00 - 2,00]
 25ha           20%              17,11 [3,20 - 36,80]     0,12 [0,00 - 0,50]   1,40 [1,00 - 2,00]
 25ha           30%              16,93 [5,41 - 31,35]     0,14 [0,00 - 0,50]   1,41 [1,00 - 2,00]
 25ha           40%              16,65 [7,20 - 26,40]     0,13 [0,00 - 0,50]   1,45 [1,00 - 2,00]
 25ha           50%              16,93 [8,25 - 25,41]     0,14 [0,00 - 0,50]   1,46 [1,00 - 2,00]
 25ha           60%              16,95 [10,13 - 24,53]    0,15 [0,00 - 0,33]   1,43 [1,00 - 2,00]
 50ha           5%               16,55 [0,00 - 73,33]     0,11 [0,00 - 0,50]   1,40 [1,00 - 2,00]
 50ha           10%              16,49 [0,00 - 53,33]     0,11 [0,00 - 0,50]   1,39 [1,00 - 2,00]
 50ha           20%              16,45 [0,00 - 38,33]     0,11 [0,00 - 0,50]   1,43 [1,00 - 2,00]
 50ha           30%              16,88 [4,44 - 32,22]     0,11 [0,00 - 0,50]   1,42 [1,00 - 2,00]
 50ha           40%              16,63 [6,67 - 28,33]     0,13 [0,00 - 0,50]   1,42 [1,00 - 2,00]
 50ha           50%              16,70 [7,74 - 25,16]     0,13 [0,00 - 0,33]   1,45 [1,00 - 2,00]
 50ha           60%              16,40 [8,65 - 23,78]     0,14 [0,00 - 0,33]   1,42 [1,00 - 2,00]
 100ha          5%               14,25 [0,00 - 100,00]    0,10 [0,00 - 0,50]   1,38 [1,00 - 2,00]
 100ha          10%              14,67 [0,00 - 46,67]     0,11 [0,00 - 0,50]   1,40 [1,00 - 2,00]
 100ha          20%              14,46 [0,00 - 36,67]     0,12 [0,00 - 0,50]   1,42 [1,00 - 2,00]
 100ha          30%              14,11 [2,22 - 32,22]     0,12 [0,00 - 0,50]   1,44 [1,00 - 2,00]




                                                                     42
Provytestorlek Andel av området Täthet                 Könskvot             Kalvar per hondjur
               inventerat
100ha          40%              13,75 [4,17 - 27,50]   0,14 [0,00 - 0,50]   1,46 [1,00 - 2,00]
100ha          50%              14,02 [5,62 - 23,12]   0,16 [0,00 - 0,50]   1,43 [1,00 - 2,00]
100ha          60%              14,13 [6,84 - 21,58]   0,18 [0,00 - 0,33]   1,43 [1,00 - 2,00]
200ha          10%              15,69 [0,00 - 45,00]   0,14 [0,00 - 0,50]   1,37 [1,00 - 2,00]
200ha          20%              15,19 [3,33 - 33,33]   0,17 [0,00 - 0,50]   1,31 [1,00 - 2,00]
200ha          30%              14,70 [3,75 - 27,50]   0,20 [0,00 - 0,50]   1,36 [1,00 - 2,00]
200ha          40%              14,50 [5,83 - 23,33]   0,20 [0,00 - 0,50]   1,43 [1,00 - 2,00]
200ha          50%              14,57 [9,36 - 20,00]   0,21 [0,00 - 0,50]   1,45 [1,00 - 2,00]
200ha          60%              14,75 [8,89 - 21,11]   0,17 [0,00 - 0,50]   1,50 [1,00 - 2,00]
300ha          10%              16,27 [0,00 - 50,00]   -                    -
300ha          20%              16,00 [0,00 - 40,00]   0,11 [0,00 - 0,50]   1,39 [1,00 - 2,00]
300ha          30%              15,65 [2,22 - 28,89]   0,14 [0,00 - 0,50]   1,33 [1,00 - 2,00]
300ha          40%              15,17 [7,50 - 27,50]   0,12 [0,00 - 0,50]   1,33 [1,00 - 2,00]
300ha          50%              15,43 [6,00 - 26,68]   0,13 [0,00 - 0,50]   1,28 [1,00 - 2,00]
300ha          60%              15,32 [9,44 - 22,78]   0,16 [0,00 - 0,33]   1,30 [1,00 - 2,00]




                                                                  43
