Abstract Information on species’ distributions and abundances, and how these change over time are central to the study of the ecology and conservation of animal populations. This information is challenging to obtain at relevant scales across range-wide extents for two main reasons. First, local and regional processes that affect populations vary throughout the year and across species’ ranges, requiring fine-scale, year-round information across broad — sometimes hemispheric — spatial extents. Second, while citizen science projects can collect data at these scales, using these data requires appropriate analysis to address known sources of bias. Here we present an analytical framework to address these challenges and generate year-round, range-wide distributional information using citizen science data. To illustrate this approach, we apply the framework to Wood Thrush ( Hylocichla mustelina ), a long-distance Neotropical migrant and species of conservation concern, using data from the citizen science project eBird. We estimate occurrence and relative abundance with enough spatiotemporal resolution to support inference across a range of spatial scales throughout the annual cycle. Additionally, we generate intra-annual estimates of the range, intra-annual estimates of the associations between species and the local environment, and inter-annual trends in relative abundance. This is the first example of an analysis to capture intra- and inter-annual distributional dynamics across the entire range of a broadly distributed, highly mobile species.

The rise of citizen science (also called community science) has led to vast quantities of species observation data collected by members of the public. Citizen science data tend to be unevenly distributed across space and time, but the treatment of sampling bias varies between studies, and interactions between different biases are often overlooked. We present a method for conceptualizing and estimating spatial and temporal sampling biases, and interactions between them. We use this method to estimate sampling biases in an example ornithological citizen science dataset from eBird in Brisbane City, Australia. We then explore the effects of these sampling biases on subsequent model inference of population trends, using both a simulation study and an application of the same trend models to the Brisbane eBird dataset. We find varying levels of sampling bias in the Brisbane eBird dataset across temporal and spatial scales, and evidence for interactions between biases. Several of the sampling biases we identified differ from those described in the literature for other datasets, with protected areas being undersampled in the city, and only limited seasonal sampling bias. We demonstrate variable performance of trend models under different sampling bias scenarios, with more complex biases being associated with typically poorer trend estimates. Sampling biases are important to consider when analysing ecological datasets, and analysts can use this method to ensure that any biologically relevant sampling biases are detected and given due consideration during analysis. With appropriate model specification, the effects of sampling biases can be reduced to yield reliable information about biodiversity.

Abstract Protected areas, the most prevalent international policy mechanism for biodiversity conservation, are highly heterogeneous in their effectiveness at buffering ecosystems and species’ habitats from human pressure. Protected areas with intense human pressure cannot protect species that are highly sensitive to human activities. Here, we use 60 million bird observations from the eBird citizen science platform to estimate the sensitivity to human pressure of each bird species breeding in the Americas (Nearctic and Neotropical regions). We find that high-sensitivity species, while found in all ecoregions, are concentrated in the tropical biomes. Ecoregions with large proportions of high-sensitivity species do not have more intact protected habitat, resulting in a low coverage of intact protected habitat for many high-sensitivity species. What is more, 139 high-sensitivity species have little or no intact protected habitat within their distributions while being threatened with extinction. Finally, we show that protected area intactness is decreasing faster in ecoregions with many high-sensitivity species. Our results highlight a major mismatch between species conservation needs and the coverage of intact protected habitats, and will likely hamper the long-term effectiveness of protected areas at retaining species. We highlight ecoregions where the protection and management of intact habitats, complemented by the restoration of degraded ones, is urgently needed to avoid extinctions.

Abstract Species’ population trends are fundamental to conservation, underpinning lUCN red-list classifications, many national lists of threatened species and are also used globally to convey to policy makers the state of nature. Clearly, it’s crucial to quantify how much we can trust population trend data. Yet many studies analyzing large numbers of population time series lack a straightforward way to estimate confidence in each trend. Here we artificially degrade 27,930 waterbird population time series to see how often subsets of the data correctly estimate the direction and magnitude of each population’s true trend. We find you need to sample many years to be confident that there is no significant trend in a population. Conversely, if a significant trend is detected, even from only a small subset of years, this is likely to be representative of the population’s true trend. This means that if a significant decline is detected in a population, it is likely to be correct and conservation action should be taken immediately, but if the trend is insignificant, confidence in this can only be high with many samples. Our full results provide a clear and quantitative way to assign confidence to species trends, and lays the foundation for similar studies of other taxa that can help to add rigor to large-scale population analyses.

Abstract Climate warming is driving changes in species distributions, although many species show a so-called climatic debt, where their range shifts lag behind the fast shift in temperature isoclines. Protected areas (PAs) may impact the rate of distribution changes both positively and negatively. At the cold edges of species distributions, PAs can facilitate species distribution changes by increasing the colonization required for distribution change. At the warm edges, PAs can mitigate the loss of species, by reducing the local extinction of vulnerable species. To assess the importance of PAs to affect species distribution change, we evaluated the changes in a non-breeding waterbird community as a response to temperature increase and PA status, using changes of species occurrence in the Western-Palearctic over 25 years (97 species, 7,071 sites, 39 countries, 1993– 2017). We used a community temperature index (CTI) framework based on species thermal affinities to investigate the species turn-over induced by temperature increase. In addition, we measured whether the thermal community adjustment was led by cold-dwelling species extinction and/or warm-dwelling species colonization, by modelling the change in standard deviation of the CTI (CTI sd ). Using linear mixed-effects models, we investigated whether communities within PAs had lower climatic debt and different patterns of community change regarding the local PA surface. Thanks to the combined use of the CTI and CTI sd , we found that communities inside PAs had more species, higher colonization, lower extinction and the climatic debt was 16% lower than outside PAs. The results suggest the importance of PAs to facilitate warm-dwelling species colonization and attenuate cold-dwelling species extinction. The community adjustment was however not sufficiently fast to keep pace with the strong temperature increase in central and northeastern Western-Palearctic regions. Our study underlines the potential of the combined CTI and CTI sd metrics to understand the colonization-extinction patterns driven by climate warming.

Abstract Spatial capture‐recapture (SCR) models provide estimates of animal density from spatially referenced encounter data and has become the most widely adopted approach for estimating density. Despite the rapid growth in the development and application of spatial capture‐recapture methods, approaches for assessing model fit have received very little attention when compared to other classes of hierarchical models in ecology. Here, we develop an approach for testing goodness‐of‐fit (GoF) for frequentist SCR models using Monte Carlo simulations. We derive probability distributions of activity centres from the fitted model. From these, we calculate the expected encounters in the capture history based on the SCR parameter estimates, propagating the uncertainty of the estimates and the activity centre locations via Monte Carlo simulations. Aggregating these test statistics result in count data, allowing us to test fit with Freeman‐Tukey tests. These tests are based on summary statistics of the total encounters of each individual at each trap (FT‐ind‐trap), total encounters of each individual (FT‐individuals) and total encounters at each trap (FT‐traps). We assess the ability of these GoF tests to diagnose lack of fit under a range of assumption violating scenarios. FT‐traps had the strongest response to unmodelled spatial and trap heterogeneity in detection probability (power = 0.53–0.56), while FT‐ind‐traps had the strongest responses to random individual variation in detectability (power = 0.88) and non‐spatial discrete variation in (power = 0.35). The tests, designed to diagnose poor fit in the detection parameters, were insensitive to unmodelled heterogeneity in density (power = <0.001). They also demonstrated low false positive rates (<0.001) when the correct models were fitted; therefore, it is very unlikely that they will provide false indications of poor model fit. We demonstrate that these GoF tests are capable of detecting lack‐of‐fit when unmodelled heterogeneity is present in the detection sub‐model. When used jointly, the combinations of test results are also able to infer the type of lack‐of‐fit in certain cases. Our Monte Carlo sampling methods may be extended to a wider range of GoF tests, thereby providing a platform for developing more GoF methods for SCR.

Global positioning systems (GPS) and altimeters are increasingly used to monitor vertical space use by aerial species, a key aspect of their niche that we need to know to understand their ecology and conservation needs, and to manage our own use of the airspace. However, there are various sources of error in flight height data ("height" above ground, as opposed to "altitude" above a reference like the sea level): vertical error from the devices themselves, error in the ground elevation below the tracked animals, and error in the horizontal position of the animals and thus the predicted ground elevation below them. We used controlled field trials, simulations, and the reanalysis of raptor case studies with state-space models to illustrate the effect of improper error management. Errors of a magnitude of 20 meters appear in benign conditions (expected to be larger in more challenging context). These errors distort the shape of the distribution of flight heights, inflate the variance in flight height, bias behavioural state assignments, correlations with environmental covariates, and airspace management recommendations. Improper data filters such as removing all negative recorded flight height records introduce several biases in the remaining dataset, and preclude the opportunity to leverage unambiguous errors to help with model fitting. Analyses that ignore the variance around the mean flight height, e.g., those based on linear models of flight height, and those that ignore the variance inflation caused by telemetry errors, lead to incorrect inferences. The state-space modelling framework, now in widespread use by ecologists and increasingly often automatically implemented within on-board GPS data processing algorithms, makes it possible to fit flight models directly to raw flight height records, with minimal data pre-selection, and to analyse the full distribution of flight heights, not just the mean. In addition to basic research about aerial niches, behaviour quantification, and environmental interactions, we highlight the applied relevance of our recommendations for airspace management and the conservation of aerial wildlife.

Citizen science data are valuable for addressing a wide range of ecological research questions, and there has been a rapid increase in the scope and volume of data available. However, data from large-scale citizen science projects typically present a number of challenges that can inhibit robust ecological inferences. These challenges include: species bias, spatial bias, variation in effort, and variation in observer skill. To demonstrate key challenges in analysing citizen science data, we use the example of estimating species distributions with data from eBird, a large semi-structured citizen science project. We estimate three widely applied metrics for describing species distributions: encounter rate, occupancy probability, and relative abundance. For each method, we outline approaches for data processing and modelling that are suitable for using citizen science data for estimating species distributions. Model performance improved when data processing and analytical methods addressed the challenges arising from citizen science data. The largest gains in model performance were achieved with two key processes 1) the use of complete checklists rather than presence-only data, and 2) the use of covariates describing variation in effort and detectability for each checklist. Including these covariates accounted for heterogeneity in detectability and reporting, and resulted in substantial differences in predicted distributions. The data processing and analytical steps we outlined led to improved model performance across a range of sample sizes. When using citizen science data it is imperative to carefully consider the appropriate data processing and analytical procedures required to address the bias and variation. Here, we describe the consequences and utility of applying our suggested approach to semi-structured citizen science data to estimate species distributions. The methods we have outlined are also likely to improve other forms of inference and will enable researchers to conduct robust analyses and harness the vast ecological knowledge that exists within citizen science data.

Widespread declines in wild bee populations necessitate urgent action, but there remains insufficient data to guide conservation efforts. Addressing this data deficit, we investigated the relative performance of environmental and/or taxon-based indicators to predict wild bee richness in the eastern and central U.S. Our methodology leveraged publicly available data on bees (SCAN and GBIF data repository), birds (eBird participatory science project) and land cover data (USGS Cropland Data Layer). We used a Bayesian variable selection algorithm to select variables that best predicted bee richness using two datasets: a semi-structured dataset covering a wide geographical and temporal range and a structured dataset covering a focused extent with a standardized protocol. We demonstrate that an indicator based on the combination of bird and land cover data was better at predicting wild bee richness across broad geographies than indicators based on land cover or birds alone, particularly for the semi-structured dataset. In the case of wild bees specifically, we suggest that bird and land cover data serve as useful indicators to guide monitoring and conservation priorities until the quality and quantity of bee data improve.

While many observations of species are being collected by citizen science projects worldwide, it can be challenging to identify projects collecting data that effectively monitor biodiversity. Over the past several years the allure of taking a big data approach has provided the opportunity to gather massive quantities of observations via the Internet, too often with insufficient information to describe how the observations were made. Information about species populations, where and when they occur and how many of them are there (i.e., the signal) can be lost because insufficient information is gathered to account for the inherent biases in data collection (i.e., the noise). Here we suggest that citizen science projects that have succeeded in motivating large numbers of participants, must consider factors that influence the ecological process that affect species populations as well as the observation process that determines how observations are made. Those citizen science projects that collect sufficient contextual information describing the observation process can be used to generate increasingly accurate information about the distribution and abundance of organisms. We illustrate this using eBird as a case study, describing how this citizen science platform is able to collect vital contextual information on the observation process while maintaining a broad global constituency of participants. We highlight how eBird provides information with which to generate biodiversity indicators, specifically distribution, abundance, and habitat associations, across the entire annual cycle, even for populations of long distance migratory birds, a highly challenging taxon.