Global, Multi-Scale Standing Deadwood Segmentation In Centimeter-Scale Aerial Images
Notice bibliographique
Résumé
With tree mortality rates rising across many regions of the world, efficient methods to map dead trees are becoming increasingly important to monitor forest dieback, assess ecological impacts, and guide management strategies. Computer vision combined with the high spatial detail of aerial images from drones or airplanes provides an avenue for mapping dead tree crowns or partial canopy dieback, collectively referred to as standing deadwood. However, current methods for mapping standing deadwood are limited to specific biomes or image resolutions. Here, we present a transformer-based semantic segmentation model that generalizes across forest biomes and a wide range of image resolutions (1-28 cm) for mapping both dead tree crowns and partial canopy dieback. Our approach combines a SegFormer-based transformer architecture for image feature extraction and Focal Tversky Loss to mitigate class imbalance. We used a crowd-sourced dataset of 434 high-resolution aerial images and manual delineations of standing deadwood of vastly varying quality. The orthophotos span all major forest biomes and cover 10,778 hectares. To further mitigate imbalances across biomes, resolutions, deadwood occurrence, and image sources, we developed a four-dimensional sampling scheme that ensures balanced representation during training. Despite the heterogeneous nature of images and crowd-sourced labels, cross-validation results across this heterogeneous dataset demonstrated F1-scores between 0.34 and 0.57 across biomes, with the highest performance observed in temperate forests at approximately 4 cm resolution, and lowest in tropical biomes (0.34). The model evaluation further revealed that in most cases the model performance outperforms the human-made labels. Our analysis revealed resolution-dependent performance variations across biomes, suggesting a relationship between optimal mapping resolution and biome-specific crown characteristics. We make both our model and a machine-learning-ready dataset publicly available on deadtrees.earth to support future research in tree mortality mapping.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».