Management and conservation can be greatly informed by considering explicitly how environmental factors influence population genetic structure. Using simulated larval dispersal estimates based on ocean current observations, we demonstrate how explicit consideration of frequency of exchange of larvae among sites via ocean advection can fundamentally change the interpretation of empirical population genetic structuring as compared with conventional spatial genetic analyses. Both frequency of larval exchange and empirical genetic difference were uncorrelated with Euclidean distance between sites. When transformed into relative oceanographic distances and integrated into a genetic isolation-by-distance framework, however, the frequency of larval exchange explained nearly 50 per cent of the variance in empirical genetic differences among sites over scales of tens of kilometres. Explanatory power was strongest when we considered effects of multiple generations of larval dispersal via intermediary locations on the long-term probability of exchange between sites. Our results uncover meaningful spatial patterning to population genetic structuring that corresponds with ocean circulation. This study advances our ability to interpret population structure from complex genetic data characteristic of high gene flow species, validates recent advances in oceanographic approaches for assessing larval dispersal and represents a novel approach to characterize population connectivity at small spatial scales germane to conservation and fisheries management.

Abstract Marine species frequently show weak and/or complex genetic structuring that is commonly dismissed as ‘chaotic’ genetic patchiness and ecologically uninformative. Here, using three datasets that individually feature weak chaotic patchiness, we demonstrate that combining inferences across species and incorporating environmental data can greatly improve the predictive value of marine population genetics studies on small spatial scales. Significant correlations in genetic patterns of microsatellite markers among three species, kelp bass Paralabrax clathratus , Kellet’s whelk Kelletia kelletii and California spiny lobster Panulirus interruptus , in the Southern California Bight suggest that slight differences in diversity and pairwise differentiation across sampling sites are not simply noise or chaotic patchiness, but are ecologically meaningful. To test whether interspecies correlations potentially result from shared environmental drivers of genetic patterns, we assembled data on kelp bed size, sea surface temperature and estimates of site‐to‐site migration probability derived from a high resolution multi‐year ocean circulation model. These data served as predictor variables in linear models of genetic diversity and linear mixed models of genetic differentiation that were assessed with information–theoretic model selection. Kelp was the most informative predictor of genetics for all three species, but ocean circulation also played a minor role for kelp bass. The shared patterns suggest a single spatial marine management strategy may effectively protect genetic diversity of multiple species. This study demonstrates the power of environmental and ecological data to shed light on weak genetic patterns and highlights the need for future focus on a mechanistic understanding of the links between oceanography, ecology and genetic structure.

Collective behavior is an emergent property of numerous complex systems, from financial markets to cancer cells to predator-prey ecological systems. Characterizing modes of collective behavior is often done through human observation, training generative models, or other supervised learning techniques. Each of these cases requires knowledge of and a method for characterizing the macro-state(s) of the system. This presents a challenge for studying novel systems where there may be little prior knowledge. Here, we present a new unsupervised method of detecting emergent behavior in complex systems, and discerning between distinct collective behaviors. We require only metrics defined on the set of agents, which measure agents' nearness in variables of interest. We apply the method of diffusion maps to the systems to recover efficient embeddings of their interaction networks. Comparing these geometries, we formulate a measure of similarity between two networks, called the map alignment statistic (MAS). A large MAS is evidence that the two networks are codetermined in some fashion, indicating an emergent relationship between the metrics of nearness. Additionally, the form of the macro-scale organization is encoded in the covariances among the two sets of diffusion map components. Using these covariances we discern between different modes of collective behavior in a data-driven, unsupervised manner. This method is demonstrated on empirical fish schooling data. We show that our state classification subdivides the known behaviors of the school in a meaningful manner, leading to a finer description of the system's behavior.