There are currently ca. 317 recognized species of turtles and tortoises in the world. Of those that have been assessed on the IUCN Red List, 63% are considered threatened, and 10% are critically endangered, with ca. 42% of all known turtle species threatened. Without directed strategic conservation planning, a significant portion of turtle diversity could be lost over the next century. Toward that conservation effort, we compiled museum and literature occurrence records for all of the world's tortoises and freshwater turtle species to determine their distributions and identify priority regions for conservation. We constructed projected range maps for each species by selecting geographic information system–defined hydrologic unit compartments (HUCs) with verified locality points, and then added HUCs that connected known point localities in the same watershed or physiographic region and that had similar habitats and elevations as the verified HUCs. We analyzed a total of 305 turtle species and assigned each to 1 of 7 geographic regions of the world. Patterns of global turtle species distributions were determined and regional areas of turtle species richness identified. In only 2 areas of the world did as many as 18 or 19 species occur together in individual HUCs. We then compared species distributions with existing global conservation strategies (GCSs) and established biodiversity priority areas. Presence of a species in a GCS was defined as ≥ 5% its range. Of the 34 biodiversity hotspots, 28 collectively contain the projected ranges of 192 turtle species, with 74 endemic; the 5 high-biodiversity wilderness areas contain 72 species, with 17 endemic; and 16 other wilderness areas contain 52 species, with 1 endemic. However, 116 turtle species have either < 50% of their ranges in existing GCSs (57 species) or do not occur in them at all (59 species, 19.3%), thus potentially leaving many tortoises and freshwater turtles without any regional GCS. For each of these 116 species we identify a priority Ecoregion for further conservation consideration, and we identify 3 new global Turtle Priority Areas for conservation based on aggregated Ecoregions. These are the Southeastern United States, Lower Gangetic Plain, and Coastal Australia Turtle Priority Areas.

A major focus of geographical ecology and macroecology is to understand the causes of spatially structured ecological patterns. However, achieving this understanding can be complicated when using multiple regression, because the relative importance of explanatory variables, as measured by regression coefficients, can shift depending on whether spatially explicit or non‐spatial modeling is used. However, the extent to which coefficients may shift and why shifts occur are unclear. Here, we analyze the relationship between environmental predictors and the geographical distribution of species richness, body size, range size and abundance in 97 multi‐factorial data sets. Our goal was to compare standardized partial regression coefficients of non‐spatial ordinary least squares regressions (i.e. models fitted using ordinary least squares without taking autocorrelation into account; “OLS models” hereafter) and eight spatial methods to evaluate the frequency of coefficient shifts and identify characteristics of data that might predict when shifts are likely. We generated three metrics of coefficient shifts and eight characteristics of the data sets as predictors of shifts. Typical of ecological data, spatial autocorrelation in the residuals of OLS models was found in most data sets. The spatial models varied in the extent to which they minimized residual spatial autocorrelation. Patterns of coefficient shifts also varied among methods and datasets, although the magnitudes of shifts tended to be small in all cases. We were unable to identify strong predictors of shifts, including the levels of autocorrelation in either explanatory variables or model residuals. Thus, changes in coefficients between spatial and non‐spatial methods depend on the method used and are largely idiosyncratic, making it difficult to predict when or why shifts occur. We conclude that the ecological importance of regression coefficients cannot be evaluated with confidence irrespective of whether spatially explicit modelling is used or not. Researchers may have little choice but to be more explicit about the uncertainty of models and more cautious in their interpretation.

Abstract Quantifying animal movements is necessary for answering a wide array of research questions in ecology and conservation biology. Consequently, ecologists have made considerable efforts to identify the best way to estimate an animal’s home range, and many methods of estimating home ranges have arisen over the past half century. Most of these methods fall into two distinct categories of estimators that have only recently been described in statistical detail: those that measure range distributions (methods such as Kernel Density Estimation that quantify the long-run behavior of a movement process that features restricted space use) and those that measure occurrence distributions (methods such as Brownian Bridge Movement Models and the Correlated Random Walk Library that quantify uncertainty in an animal movement path during a specific period of observation). In this paper, we use theory, simulations, and empirical analysis to demonstrate the importance of applying these two classes of space use estimators appropriately and distinctly. Conflating range and occurrence distributions can have serious consequences for ecological inference and conservation practice. For example, in most situations, home-range estimates quantified using occurrence estimators are too small, and this problem is exacerbated by ongoing improvements in tracking technology that enable more frequent and more accurate data on animal movements. We encourage researchers to use range estimators to estimate the area of home ranges and occurrence estimators to answer other questions in movement ecology, such as when and where an animal crosses a linear feature, visits a location of interest, or interacts with other animals. Open Research Statement Tracking data on Aepyceros melampus, Beatragus hunteri, Bycanistes bucinator, Cerdocyon thous, Eulemur rufifrons, Glyptemys insculpta, Gyps coprotheres, Madoqua guentheri, Ovis canadensis, Propithecus verreauxi, Sus scrofa , and Ursus arctos are publicly archived in the Dryad repository (Noonan et al. 2018; https://doi.org/10.5061/dryad.v5051j2 ), as are data from Procapra gutturosa (Fleming et al. 2014a; https://doi.org/10.5061/dryad.45157 ). Data on Panthera onca were taken from (Morato et al. 2018). Additional data are publicly archived in the Movebank repository under the following identifiers: Canis latrans , 8159699; Canis lupus , 8159399; Chrysocyon brachyurus , 18156143; Felis silvestris , 40386102; Gyps africanus , 2919708; Lepus europaeus , 25727477; Martes pennanti , 2964494; Panthera leo , 220229; Papio cynocephalus , 222027; Syncerus caffer , 1764627; Tapirus terrestris , 443607536; Torgos tracheliotus , 2919708; and Ursus americanus , 8170674.

Abstract Animal tracking data are being collected more frequently, in greater detail, and on smaller taxa than ever before. These data hold the promise to increase the relevance of animal movement for understanding ecological processes, but this potential will only be fully realized if their accompanying location error is properly addressed. Historically, coarsely-sampled movement data have proved invaluable for understanding large scale processes (e.g., home range, habitat selection, etc.), but modern fine-scale data promise to unlock far more ecological information. While GPS location error can often be ignored in coarsely sampled data, fine-scale data require more care, and tools to do this have not kept pace. Current approaches to dealing with location error largely fall into two categories—either discarding the least accurate location estimates prior to analysis or simultaneously fitting movement and error parameters in a hidden-state model. In some cases these approaches can provide a level of correction, but they have known limitations, and in some cases they can be worse than doing nothing. Here, we provide a general framework to account for location error in the analysis of triangulated and trilatcralizcd animal tracking data, which includes GPS, Argos Doppler-shift, triangulated VHF, trilatcralized acoustic and cellular location data. We apply our error-modelselection framework to 190 GPS, cellular, and acoustic devices representing 27 models from 14 manufacturers. Collectively, these devices were used to track a wide range of taxa comprising birds, fish, reptiles, and mammals of different sizes and with different behaviors, in urban, suburban, and wild settings. In almost half of the tested device models, error-model selection was necessary to obtain the best performing error model, and in almost a quarter of tested device models, the reported DOP values were actually misinformative. Then, using empirical tracking data from multiple species, we provide an overview of modern, error-informed movement analyses, including continuous-time path reconstruction, home-range distribution, home-range overlap, speed, and distance estimation. Adding to these techniques, we introduce new error-informed estimators for outlier detection and autocorrelation visualization. Because error-induced biases depend on many factors—sampling schedule, movement characteristics, tracking device, habitat, etc.—differential bias can easily confound biological inference and lead researchers to draw false conclusions. We demonstrate how error-informed analyses on calibrated tracking data can provide more accurate estimates are that are insensitive to location error, and allow researchers to use all of their data.

Biodiversity and ecosystem service models are frequently used to consider current conditions or recent changes in the availability of a service. The application of scenarios for biodiversity and ecosystem service assessment remains underdeveloped, particularly co-designed and fine-granular scenarios across different decision-making boundaries. Consequently, the data created by these modeling efforts may not be as valuable to conservation partners and policy makers. In this project, we used land use and land cover change scenarios co-developed with local and regional decision-makers in northwestern Virginia USA as key inputs for 18 different biodiversity and ecosystem service models. Specifically, we used the InVEST suite of models to predict the change in biodiversity and ecosystem indicators and evaluated differences in that change between scenarios and decision-making boundaries. We found that the scenarios produced distinct results for the majority of biodiversity and ecosystem services, especially as a function of population growth. However, we also found that some services varied more as a function of subregions reflecting the existing diversity of ecosystems and governance structures in the area. The co-designed scenarios and summary of the data across units resulted in the production of varied results that can be used to support land use planning by implementing partners.