List of illustrations Acknowledgements Introductory note 1. The idea of landscape in the eighteenth century 2. The landscape of agricultural improvement 3. The sense of place in the poetry of John Clare Appendix: John Clare and the enclosure of Helpston Notes Bibliography Index.

Abstract The emergence of citizen science, passive sensors (e.g., trail cameras and acoustic monitoring), and satellite remote sensing have enabled biological data to be collected at unprecedented spatial and temporal scales. There is growing interest in networking these datastreams to expedite the collection and synthesis of environmental and biological data to improve broad-scale ecological monitoring, but there are no examples of such networks being developed to directly inform decision-making by managing agencies. Here, we present the implementation of one such jurisdictional observation network (JON), Snapshot Wisconsin (SW), that links satellite remote sensing (RS) with a volunteer-based trail camera network to generate new insights into wildlife distributions and improve their management by the state agency. SW relies on citizen scientists to deploy trail cameras across the state and classify images of wildlife. As of early 2020 SW comprises nearly 1800 volunteers hosting >2100 active cameras recording >37 million images across a sampling effort of >2000 combined trap-years at >3300 distinct camera locations. We use a set of case studies to demonstrate the potential power of a JON to monitor wildlife with unprecedented combinations of spatial, temporal, and biological resolution and extent. Specifically, we demonstrate that SW markedly improves the spatial and temporal resolution with which black bear distributions can be monitored or forecast, in turn improving the resolution of decision-making. Enhancing the biological resolution of monitoring (e.g., monitoring the distribution of species traits or behaviors) may provide new insights into population drivers, such as the connection between vegetation productivity and white-tailed deer foraging behaviors. Enhanced taxonomic extent provided by trail cameras and other passive sensor networks provide managers new information for a wide range of species and communities that are not otherwise monitored. Our cases further show that JONs synergize existing monitoring practices by serving as a complementary and independent line of evidence or as a tool to enhance the extent and precision of existing models through integrated modeling approaches. SW and other JONS are a powerful new tool for agencies to better achieve their missions and reshape the nature of environmental decision-making.

Spatially-indexed repeated detection-nondetection data is widely collected by ecologists interested in estimating parameters associated with species distribution, relative abundance, phenology, and more while accounting for imperfect detection. Recent model development has focused on accounting for false positive error as well, given growing recognition that misclassification is common across many sampling protocols. To date, however, the development of model-based solutions to false positive error has been largely restricted to occupancy models. We describe a general form of the observation confirmation protocol originally described for occupancy estimation that permits investigators to flexibly and intuitively extend several models for detection-nondetection data to account for false positive error. Simulation results demonstrate that estimators for relative abundance and arrival time exhibit relative bias greater than 20% under realistic levels of false positive prevalence (e.g., 5% of detections are false positive). Bias increases as true and false positives occur in more distinct places or times, but can also be sensitive to the values of the state variables of interest, sampling design, and sampling efficiency. Results from an empirical study focusing on patterns of gray fox relative abundance across Wisconsin, USA suggest that false positive error can also distort estimated spatial patterns often used to guide decision-making. The extended estimators described within typically improve performance at any level of confirmation, and when false positive error occurs at random and constitutes less than 10% of all detections, the estimators are essentially unbiased when more than 50 observations can be confirmed as true or false positives. The generalized form of the observation-confirmation protocol is a flexible model-based solution to false positive error useful for researchers collecting data with sampling devices like trail or smartphone cameras, acoustic recorders, or other techniques where classifications can be reviewed post-hoc.