Significance Artificial light at night is a novel stimulus in the evolutionary history of nocturnal animals. Light pollution can significantly alter these organisms’ behaviors, from migration to foraging to vocal communication. Nocturnally migrating birds are particularly susceptible to artificial light because of adaptations and requirements for navigating and orienting in darkness. However, light’s effects on in-flight behaviors have not been well quantified, especially in urbanized environments. Here we report that an iconic urban light installation dramatically altered multiple behaviors of nocturnally migrating birds—but these effects disappeared when lights were extinguished. We recommend selective removal of light pollution during nights with substantial bird migration to mitigate negative effects on birds, in particular collisions with lighted structures.

ABSTRACT Comparative studies of genomic differentiation among independent lineages can provide insights into aspects of the speciation process, such as the relative importance of selection and drift in shaping genomic landscapes, the role of genomic regions of high differentiation, and the prevalence of convergent molecular evolution. We investigated patterns of genetic diversity and divergence in stonechats (genus Saxicola ), a widely distributed avian species complex with phenotypic variation in plumage, morphology, and migratory behavior, to ask whether similar genomic regions are important in the evolution of independent, but closely related, taxa. We used whole-genome pooled sequencing of 262 individuals from 5 taxa and found that patterns of genetic diversity and divergence are highly similar among different stonechat taxa. We then asked if these patterns remain correlated at deeper evolutionary scales and found that homologous genomic regions have become differentiated in stonechats and the closely related Ficedula flycatchers. Such correlation across a range of evolutionary divergence and among phylogenetically independent comparisons suggests that similar processes may be driving the differentiation of these independently evolving lineages, which in turn may be the result of intrinsic properties of particular genomic regions (e.g., areas of low recombination). Consequently, studies employing genome scans to search for areas important in reproductive isolation should account for corresponding regions of differentiation, as these regions may not necessarily represent speciation islands or facilitate local adaptation.

Abstract The steady decline of avian populations worldwide urgently calls for a cyber-physical system to monitor bird migration at the continental scale. Compared to other sources of information (radar and crowdsourced observations), bioacoustic sensor networks combine low latency with a high taxonomic specificity. However, the scarcity of flight calls in bioacoustic monitoring scenes (below 0.1% of total recording time) requires the automation of audio content analysis. In this article, we address the problem of scaling up the detection and classification of flight calls to a full-season dataset: 6672 hours across nine sensors, yielding around 480 million neural network predictions. Our proposed pipeline, BirdVox, combines multiple machine learning modules to produce per-species flight call counts. We evaluate BirdVox on an annotated subset of the full season (296 hours) and discuss the main sources of estimation error which are inherent to a real-world deployment: mechanical sensor failures, sensitivity to background noise, misdetection, and taxonomic confusion. After developing dedicated solutions to mitigate these sources of error, we demonstrate the usability of BirdVox by reporting a species-specific temporal estimate of flight call activity for the Swainson’s Thrush (Catharus ustulatus) .

Abstract Structural variants (SVs) are a major source of genetic variation, but accurate descriptions in natural populations and connections with phenotypic traits remain scarce. We integrated advances in genomic sequencing and animal tracking to begin filling this knowledge gap in the Eurasian blackcap. Specifically, we (i) characterized the genome-wide distribution, frequency and overall fitness effects of SVs using haplotype-resolved assemblies for 79 birds, and (ii) used these SVs to study the genetics of seasonal migration. We detected >15K SVs. Many SVs overlapped repetitive regions and exhibited evidence of purifying selection suggesting they have overall deleterious effects on fitness. We used estimates of genomic differentiation to identify SVs exhibiting evidence of selection in blackcaps with different migratory strategies. Insertions and deletions dominated these SVs and were associated with genes that are either directly (e.g., regulatory motifs that maintain circadian rhythms) or indirectly (e.g., through immune response) related to migration. We also broke migration down into individual traits (direction, distance and timing) using existing tracking data and tested if genetic variation at the SVs we identified could account for phenotypic variation at these traits. This was only the case for one trait – direction – and one specific SV (a deletion on chromosome 27) accounted for much of this variation. Our results highlight the evolutionary importance of SVs in natural populations and provide insight into the genetic basis of seasonal migration.

Billions of animals cross the globe each year during seasonal migrations, but efforts to monitor them are hampered by the irregularity and relative unpredictability of their movements. We developed a bird migration forecast system with continental scope by leveraging 23 years of spring observations to learn associations between atmospheric conditions and bird migration intensity. Our models explained up to 81% of variation in migration intensity across the United States at altitudes of 0-3000 m, and performance remained high when forecasting events 24-72 h into the future (68-72% variation explained). We infer that avian migratory movements across the United States frequently exceed 200 million individuals per night and exceed 500 million individuals per night during peak passage. Accurately forecasting bird migration will allow stakeholders to reduce collisions with illuminated buildings, airplanes, and wind turbines, predict movements under climate change scenarios, and engage the public.

Abstract Large-scale monitoring of seasonal animal movement is integral to science, conservation, and outreach. However, gathering representative movement data across entire species ranges is frequently intractable. Citizen science databases collect millions of animal observations throughout the year, but it is challenging to infer individual movement behavior solely from observational data. We present B ird F low , a probabilistic modeling framework that draws on citizen science data from the eBird database to model the population flows of migratory birds. We apply the model to 11 species of North American birds, using GPS and satellite tracking data to tune and evaluate model performance. We show that B ird F low models can accurately infer individual seasonal movement behavior directly from eBird relative abundance estimates. Supplementing the model with a sample of tracking data from wild birds improves performance. Researchers can extract a number of behavioral inferences from model results, including migration routes, timing, connectivity, and forecasts. The B ird F low framework has the potential to advance migration ecology research, boost insights gained from direct tracking studies, and serve a number of applied functions in conservation, disease surveillance, aviation, and public outreach.

Abstract Animal migration is one of nature’s most spectacular phenomena, but migratory animals and their journeys are imperiled across the globe. Migratory birds are among the most well-studied animals on Earth, yet relatively little is known about in-flight behavior during nocturnal migration. Because many migrating bird species vocalize during flight, passive acoustic monitoring shows great promise for facilitating widespread monitoring of bird migration. Here, we present Nighthawk, a deep learning model designed to detect and identify the vocalizations of nocturnally migrating birds. We trained Nighthawk on the in-flight vocalizations of migratory birds using a diverse dataset of recordings from across the Americas. Our results demonstrate that Nighthawk performs well as a nocturnal flight call detector and classifier for dozens of avian taxa, both at the species level and for broader taxonomic groups (e.g., orders and families). The model accurately quantified nightly nocturnal migration intensity and species phenology and performed well on data from across North America. Incorporating modest amounts of additional annotated audio (50-120 h) into model training yielded high performance on target datasets from both North and South America. By monitoring the vocalizations of actively migrating birds, Nighthawk provides a detailed window onto nocturnal bird migration that is not presently attainable by other means (e.g., radar or citizen science). Scientists, managers, and practitioners could use acoustic monitoring with Nighthawk for a number of applications, including: monitoring migration passage at wind farms; studying airspace usage during migratory flights; monitoring the changing migrations of species susceptible to climate change; and revealing previously unknown migration routes and behaviors. Overall, this work will empower diverse stakeholders to efficiently monitor migrating birds across the Western Hemisphere and collect data in aid of science and conservation. Nighthawk is freely available at https://github.com/bmvandoren/Nighthawk .

A goal of the genomic era is to infer the evolutionary dynamics at play during the process of speciation by analysing the genomic landscape of divergence. However, empirical assessments of genomic landscapes under varying evolutionary scenarios are few, limiting the ability to achieve this goal. Here we combine RAD-sequencing and individual-based simulations to evaluate the genomic landscape in the silvereye ( Zosterops lateralis ). Using comparisons matched for divergence timeframe and gene flow context, we document how genomic patterns accumulate along the speciation continuum. In contrast to previous predictions, our results provide limited support for the idea that divergence accumulates around loci under divergent selection or that genomic islands widen with time. While a small number of genomic islands were found in populations diverging with and without gene flow, in few cases were SNPs putatively under selection tightly associated with genomic islands. Furthermore, we modelled the transition from localised to genome-wide levels of divergence using individual-based simulations that considered only neutral processes. Our results challenge the ubiquity of existing verbal models that explain the accumulation of genomic differences across the speciation continuum and instead support the idea that divergence both within and outside of genomic islands is important during the speciation process.DATA ACCESSION NUMBERS Resequencing data from this study have been submitted to the National Center for Biotechnology Information (NCBI; ) under accession number PRJNA489169.

Heterogeneous patterns of genomic differentiation are commonly documented between closely related populations and there is considerable interest in identifying factors that contribute to their formation. These factors could include genomic features (e.g., areas of low recombination) that promote processes like linked selection (positive or purifying selection that affects linked neutral sites) at specific genomic regions. Examinations of repeatable patterns of differentiation across population pairs can provide insight into the role of these factors. Birds are well suited for this work, as genome structure is conserved across this group. Accordingly, we re-estimated relative (FST) and absolute (dXY) differentiation between eight sister pairs of birds that span a broad taxonomic range using a common pipeline. Across pairs, there were modest but significant correlations in window-based estimates of differentiation (up to 3% of variation explained for FST and 26% for dXY), supporting a role for processes at conserved genomic features in generating heterogeneous patterns of differentiation. This suggestion was reinforced by linear models identifying several genomic features (e.g., gene densities) as significant predictors of FST and dXY repeatability. FST repeatability was higher among pairs that were further along the speciation continuum (i.e., more reproductively isolated), suggesting that early stages of speciation may be dominated by positive selection that is different between pairs and replaced by processes acting according to shared genomic features as speciation proceeds.