Population trend estimates form the core of avian conservation assessments in North America and indicate important changes in the state of the natural world. The models used to estimate these trends would be more efficient and informative for conservation if they explicitly considered the spatial locations of the monitoring data. We created spatially explicit versions of some standard status and trend models applied to long-term monitoring data for birds across North America. We compared the spatial models to simpler non-spatial versions of the same models, fitting them to simulated data and real data from 3 broad-scale monitoring programs: the North American Breeding Bird Survey (BBS), the Christmas Bird Count, and a collection of programs we refer to as Migrating Shorebird Surveys. All the models generally reproduced the simulated trends and population trajectories when there were many data, and the spatial models performed better when there were fewer data and in locations where the local trends differed from the range-wide means. When fit to real data, the spatial models revealed interesting spatial patterns in trend, such as recent population increases along the Appalachian Mountains for the Eastern Whip-poor-will (Antrostomus vociferus), that were much less apparent in results from the non-spatial versions. The spatial models also had higher out-of-sample predictive accuracy than the non-spatial models for a selection of species using BBS data. The spatially explicit sharing of information allows fitting the models with much smaller strata, allowing for finer-grained patterns in trends. Spatially informed trends will facilitate more locally relevant conservation, highlight areas of conservation successes and challenges, and help generate and test hypotheses about the spatially dependent drivers of population change.

Les estimations des tendances des populations constituent le cœur des évaluations pour la conservation aviaire en Amérique du Nord et indiquent des changements importants de l'état de l'environnement naturel. Les modèles utilisés pour estimer ces tendances seraient plus efficaces et plus instructifs pour la conservation s'ils prenaient explicitement en compte les emplacements spatiaux des données de suivi. Nous avons créé des versions spatialement explicites de certains modèles standards de statut et de tendance appliqués aux données de suivi à long terme des oiseaux en Amérique du Nord. Nous avons comparé les modèles spatiaux à des versions non spatiales plus simples des mêmes modèles, en les adaptant à des données simulées et à des données réelles provenant de trois programmes de suivi à grande échelle: le Relevé des oiseaux nicheurs de l'Amérique du Nord (BBS), le Recensement des oiseaux de Noël (CBC) et un ensemble de programmes que nous appelons Relevés d'oiseaux de rivage migrateurs (MSS). Tous les modèles ont généralement reproduit les tendances simulées et les trajectoires démographiques lorsqu'il y avait beaucoup de données, et les modèles spatiaux ont donné de meilleurs résultats lorsqu'il y avait moins de données et pour des endroits où les tendances locales différaient des moyennes à l'échelle de l'aire de répartition. Lorsqu'ils ont été ajustés aux données réelles, les modèles spatiaux ont révélé des patrons spatiaux intéressants dans les tendances, telles que les récentes augmentations de population le long des Appalaches pour Antrostomus vociferus, qui étaient beaucoup moins apparents dans les résultats des versions non spatiales. Les modèles spatiaux avaient aussi une plus grande précision prédictive hors échantillon que les modèles non spatiaux pour une sélection d'espèces utilisant les données du BBS. Le partage spatialement explicite des informations permet d'ajuster les modèles avec des strates beaucoup plus petites, ce qui permet d'obtenir des tendances plus fines. Les tendances tenant compte des données spatiales faciliteront une conservation plus pertinente au niveau local, mettront en évidence les succès et les défis dans les aires de conservation, et aideront à générer et à tester des hypothèses sur les facteurs de changement démographique spatialement dépendants.