Urban expansion is a severe threat to biodiversity. In the UK, bats are protected meaning new developments need to be surveyed, potential impacts assessed, and appropriate mitigation action taken. However, efforts to minimise effects of urbanisation on bats are hampered by a lack of data for many species making it difficult to implement effective conservation measures. Here we explore whether citizen science data on bat activity via a passive acoustic network can be used to produce maps of high risk areas to bats from urbanisation and areas with the best opportunities for habitat mitigation. We combine the passive acoustic dataset with fine-scale habitat data and use models to quantify the effect of increasing urban areas or increasing suitable habitat (woodland, wetland, or grass and heathland). Passive acoustic detection can provide a high volume of data and large area of coverage, which is vital to the success of this modelling approach, but the data quality is dependent on accurate species classification. Therefore, we also assess the effect of identification uncertainty on the accuracy of the risk and opportunity maps. We found agreement between results accounting for species uncertainty and those that did not was high, although approximately 15% of high-risk areas would have been missed, and about 23% of habitat creation opportunities falsely prioritised. This modelling and mapping approach has great potential for use in the planning process to reduce impacts on the most important habitat features in the landscape and enable targeted habitat creation.

城市扩张是对生物多样性的严重威胁。在英国，蝙蝠受到保护，这意味着需要调查新的发展、评估潜在影响并采取适当的缓解措施。然而，由于缺乏许多物种的数据，因此难以实施有效的保护措施，从而阻碍了最大限度地减少城市化对蝙蝠的影响的努力。在这里，我们探讨了通过被动声学网络获得的关于蝙蝠活动的公民科学数据是否可用于生成来自城市化和栖息地缓解最佳机会的蝙蝠的高风险区域地图。我们将被动声学数据集与精细的栖息地数据相结合，并使用模型来量化增加城市区域或增加合适栖息地（林地、湿地或草地和荒地）的影响。被动声学检测可以提供大量数据和大面积覆盖，这对于这种建模方法的成功至关重要，但数据质量取决于准确的物种分类。因此，我们还评估了识别不确定性对风险和机会图准确性的影响。我们发现解释物种不确定性的结果与不解释的结果之间的一致性很高，尽管大约 15% 的高风险区域会被遗漏，大约 23% 的栖息地创造机会被错误地优先考虑。这种建模和绘图方法在规划过程中具有很大的潜力，可以减少对景观中最重要的栖息地特征的影响，并实现有针对性的栖息地创造。这对于这种建模方法的成功至关重要，但数据质量取决于准确的物种分类。因此，我们还评估了识别不确定性对风险和机会图准确性的影响。我们发现解释物种不确定性的结果与不解释的结果之间的一致性很高，尽管大约 15% 的高风险区域会被遗漏，大约 23% 的栖息地创造机会被错误地优先考虑。这种建模和绘图方法在规划过程中具有很大的潜力，可以减少对景观中最重要的栖息地特征的影响，并实现有针对性的栖息地创造。这对于这种建模方法的成功至关重要，但数据质量取决于准确的物种分类。因此，我们还评估了识别不确定性对风险和机会图准确性的影响。我们发现，解释物种不确定性的结果与未解释的结果之间的一致性很高，尽管大约 15% 的高风险区域会被遗漏，大约 23% 的栖息地创造机会被错误地优先考虑。这种建模和绘图方法在规划过程中具有很大的潜力，可以减少对景观中最重要的栖息地特征的影响，并实现有针对性的栖息地创造。我们还评估了识别不确定性对风险和机会图准确性的影响。我们发现，解释物种不确定性的结果与未解释的结果之间的一致性很高，尽管大约 15% 的高风险区域会被遗漏，大约 23% 的栖息地创造机会被错误地优先考虑。这种建模和绘图方法在规划过程中具有很大的潜力，可以减少对景观中最重要的栖息地特征的影响，并实现有针对性的栖息地创造。我们还评估了识别不确定性对风险和机会图准确性的影响。我们发现，解释物种不确定性的结果与未解释的结果之间的一致性很高，尽管大约 15% 的高风险区域会被遗漏，大约 23% 的栖息地创造机会被错误地优先考虑。这种建模和绘图方法在规划过程中具有很大的潜力，可以减少对景观中最重要的栖息地特征的影响，并实现有针对性的栖息地创造。