Abstract Cities pose a major ecological challenge for wildlife worldwide. Phenotypic variation, which can result from underlying genetic variation or plasticity, is an important metric to understand eco-evolutionary responses to environmental change. Recent work suggests that urban populations might have higher levels of phenotypic variation than non-urban counterparts. This prediction, however, has never been tested across species nor over a broad geographical range. Here, we conduct a meta-analysis of the avian literature to compare urban versus non-urban means and variation in phenology (i.e., lay date) and reproductive effort (i.e., clutch size, number of fledglings). First, we show that urban populations reproduce earlier and have smaller broods than non-urban conspecifics. Second, we show that urban populations have higher phenotypic variation in laying date than non-urban populations. This result arises from differences between populations within breeding seasons, conceivably due to higher landscape heterogeneity in urban habitats. These findings reveal a novel effect of urbanisation on animal life-histories with potential implications for species adaptation to urban environments (which will require further investigation). Higher variation in phenology in birds subjected to urban disturbance could result from plastic responses to a heterogeneous environment, or from higher genetic variation in phenology, possibly linked to higher evolutionary potential.

Urbanization has been shown to affect a variety of traits in animals, including their physiology, morphology, and behaviour, but it is less clear how cognitive traits are modified. Urban habitats contain artificially elevated food sources, such as bird feeders, that are known to affect the foraging behaviours of urban animals. As of yet however, it is not known whether urbanization and the abundance of supplemental food during the winter reduce caching behaviours and spatial memory in scatter hoarders. We aimed to examine individual variation in caching and spatial memory between and within urban and rural habitats to determine i) whether urban individuals cache less frequently and perform less accurately on a spatial task, and ii) explore, for the first time in scatter hoarders, whether slower explorers perform more accurately on a spatial task, indicating a speed-accuracy trade-off within individuals. We assessed spatial memory of wild-caught black-capped chickadees (Poecile atricapillus; N = 96) from 14 sites along an urban gradient. While the individuals that cached more food in captivity were all from rural environments, we find no clear evidence that caching intensity and spatial memory accuracy differ along an urban gradient, and find no significant relationship between spatial cognition and exploration of a novel environment within individuals. However, individuals that performed more accurately also tended to cache more frequently, suggesting for the first time that the specialization of spatial memory in scatter hoarders may also occur at the level of the individual in addition to the population and species levels.

Abstract Urban phenotypic divergences are documented across diverse taxa and are commonly assumed to result from microevolution, but the underlying genetic and environmental drivers behind these phenotypic changes are unknown in most wild urban systems. We censused urban common garden studies in the literature ( N = 77) across a range of taxa. Collectively, these studies showed that both genetic and plastic responses can contribute to urban phenotypic divergences, while revealing a lack of studies with vertebrates. We conducted our own common garden experiment using great tit ( Parus major ) eggs collected along an urbanization gradient in Montpellier, France to: 1) determine whether documented morphological, physiological, and behavioural shifts in wild urban great tits are maintained in birds from urban and forest origins reared in a common garden ( N = 73) and 2) evaluate how different sources of genetic, early maternal investment, and later environmental variation contributed to trait variation in the experiment. In line with the phenotypic divergence in the wild, common garden birds from urban origins had faster breath rates (i.e., higher stress response) and were smaller than birds from forest origins, suggesting genetic differentiation has driven these trait differences. Conversely, wild differences in aggression and exploration were not maintained in the common garden, indicating that plasticity to urban conditions likely drives the documented behavioural shifts. Differences between individuals (genetic and environmentally induced) explained the most trait variation in the experiment, while variation among foster nests and captive social groups was limited. Among-individual variation in size and stress response was similar between common garden and wild contexts, whereas among-individual behavioural variation was lower in the common garden than the wild. Our results provide trait-specific evidence of evolution in an urban species where genetic change likely underlies urban shifts in morphology and stress physiology, but that urban behavioural divergences are driven by plasticity.

Attenuation of non-compressional energy, such as shear body waves and scattered surface waves, is a critical step in the processing of ocean bottom node seismic data, because this unwanted energy interferes with the desired compressional signals. In this paper, we first review conventional methods for attenuating non-compressional energy in vertical geophone recordings, including cooperative denoising procedures and adaptive subtraction techniques. We then introduce the use of rotational measurements from a new type of ocean bottom node for the attenuation of non-compressional energy. Our results demonstrate that rotational data improve the attenuation of the non-compressional energy, particularly for flat events at small offsets where conventional methods struggle. Finally, we explore the potential of machine learning to reduce the computational cost and human effort involved in the denoising workflow. Overall, the combination of conventional denoise techniques and rotational data delivers robust results. The introduction of machine learning provides a way forward that leverages the strengths of existing methods and reduces the cost of seismic data processing.