Early detection of woody plant encroachment in Canadian prairies using UAV imagery and transformer-based deep learning
Notice bibliographique
Résumé
Accurate and early detection of rapid Woody Plant Encroachment (rWPE) in grasslands is critical for management and conservation. However, this task remains challenging due to the spectral and spatial complexities of multi-species grassland ecosystems. This study evaluates the potential of UAV-RGB imagery and deep learning algorithms for early detection and classification of three dominant woody species (Wolf Willow – Elaeagnus commutata , Western Snowberry – Symphoricarpos occidentalis , and Trembling Aspen - Populus tremuloides ) in the Canadian Prairies. Five semantic segmentation models, including three CNNs (PSPNet, DeepLabV3+, UNet) and two Transformers (SegFormer and Mask2Former), were assessed in Foam Lake Community Pasture. The results indicate that Transformers outperformed CNNs, with the largest SegFormer model (MIT-B5) achieving the highest overall accuracy (92.5 %), mean IoU (68.2 %), and F1-score (79.8 %). Transfer learning improved the model performance in SegFormer by more than 5 % in the mF1-score and 7 % in mIoU. A lightweight variant (MIT-B1) balanced high accuracy (79.2 % F1-score) with high speed (17.4 fps). Spatial resolution degradation (from 0.73 cm to 3 cm) reduced detection accuracy for small shrub patches (diameters ∼10–20 cm), while showing minimal impact on larger patches (diameters >1 m). SegFormer exhibited superior capability in distinguishing woody species using high resolution imagery, even at early growth stages. Our findings highlight the effectiveness of Transformers and high-resolution UAV imagery for precise woody species mapping, offering scalable solutions for grassland conservation and monitoring. • Vision Transformers outperform CNNs significantly in early woody species detection. • SegFormer achieves 92.5 % accuracy for grassland woody encroachment detection. • Transfer learning boosts SegFormer accuracy by 5–7 % with limited training data. • Spatial resolution <3 cm/pixel critical for small shrub detection (diameter < 20 cm). • Framework aids scalable grassland conservation via UAV monitoring.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».