Abstract Social network analysis of animal societies allows scientists to test hypotheses about social evolution, behaviour, dynamical processes, and transmission events such as the spread of disease. However, the accuracy of estimated social network metrics depends on the proportion of individuals sampled, actual sample size, and frequency of observations. Robustness of network metrics derived from a sample has thus far been examined through various simulation studies. However, simulated data do not necessarily reflect the nuances of real empirical data. We used some of the largest available GPS telemetry relocation datasets from five species of ungulates characterised by different behavioural and ecological traits and living in distinct environmental contexts to study the bias and robustness of social network metrics. We introduced novel statistical methods to quantify the uncertainty in network metrics obtained from a partial population suited to autocorrelated data such as telemetry relocations. We analysed how social network metrics respond to down-sampling from the observed data and applied pre-network data permutation techniques, a bootstrapping approach, correlation, and regression analyses to assess the stability of network metrics when based on samples of a population. We found that global network metrics like density remain robust when the sample size is lowered, whereas some local network metrics, such as eigenvector centrality, are entirely unreliable when a large proportion of the population is not monitored. We show how to construct confidence intervals around the point estimates of these metrics representing the uncertainty as a function of the number of nodes in the network. Our uncertainty estimates enable the statistical comparison of social network metrics under different conditions, such as analysing daily and seasonal changes in the density of a network. Despite the striking differences in the ecology and sociality among the five different ungulate species, the various social network metrics behave similarly under downsampling, suggesting that our approach can be applied to a wider range of species across vertebrates. Our methods can guide methodological decisions about animal social network research (e.g., sampling design and sample sizes) and allow more accurate ecological inferences from the available data.

Global warming is occurring at an accelerated rate in the Arctic compared to other parts of the planet with sea-ice declines being among the most striking manifestations of Arctic climate-related changes. Impacts of ongoing Arctic environmental change have been documented for biota throughout marine ecosystems from protists to top predators. Ice-dependent species with specific habitat needs are particularly vulnerable to the ongoing changes. The ringed seal (Pusa hispida) is an ice-associated Arctic endemic species that gives birth and rests in snow caves built in drifts of snow over holes in the sea ice created and maintained by these seals. In this study we create a snow-on-sea-ice reproductive lair habitat model for ringed seals in the Svalbard Archipelago (Norway), a hot-spot of Arctic warming. We use SnowModel, a physics-based snow distribution and evolution simulation system, as the core for a lair habitat model. The model quantifies snow depth and blowing snow fluxes and also relates these variables to snow availability for seal lair habitat. This was accomplished by developing an ecologically informed snow variable that quantifies potential seal lair habitat availability as a function of blowing snow fluxes. Model simulations were performed for the period September 1987 – August 2021 (34 years) on a 500 m × 500 m grid using a daily time-step. Field observations of snow depth and gridded analyses of sea-ice concentration and near-surface (+10 m) atmospheric forcing (air temperature, relative humidity, precipitation, and wind speed and direction) were incorporated within the model simulations. The results show that both snow depth and potential seal lair habitat have been decreasing in Svalbard for the last two decades. If current trends continue, as expected, ringed seal lair habitat will cease to exist across much of the Svalbard Archipelago in the next decade, putting this important Arctic species at risk of regional extirpation.

Abstract Animal social network analysis using GPS telemetry datasets provides insights into group dynamics, social structure, and interactions of the animal communities. It aids conservation by characterizing key aspects of animal sociality - including spatially explicit information on where sociality occurs (e.g., habitats, migratory corridors), contributing to informed management strategies for wildlife populations. The aniSNA package provides functions to assess and leverage data collected by sampling a subset of an animal population to perform social network analysis. The methodologies offered in this package are compatible with a variety of location and grouping data, collected through various means (e.g., direct observations, biologgers), however, they are particularly well suited to autocorrelated data streams such as data collected through GPS telemetry radio collars. The techniques assess the data’s suitability to extract reliable statistical inferences from social networks and compute uncertainty estimates around the network metrics in the scenario where a fraction of the population is monitored. The package functions are user-friendly and allow for the implementation of pre-network data permutations for auto-correlated data streams, sensitivity analysis under downsampling, bootstrapping to establish confidence intervals for global and node-level network metrics, and correlation and regression analysis to assess the robustness of node-level network metrics. Using this package, animal ecologists will be able to compute social network metrics, both at the population and individual level, assess their reliability, and use such metrics in further analyses, e.g., to study social network variation within and across populations or link individual sociality to life history. This software also has plotting features that allow for visual interpretation of the findings.