Deep learning and drone imagery for the automatic detection and quantification of common vole burrows in agricultural landscapes

Abstract

[EN] Accurate detection of vole burrows is critical for monitoring rodent outbreaks and mitigating agricultural damage. This study compared deep learning (DL) and traditional supervised classification approaches -Random Forest (RF) and Support Vector Machines (SVM)- using high-resolution UAS imagery at two flight heights (15 m and 25 m). DL, implemented via convolutional neural networks, consistently outperformed classification methods, mainly due to a drastic reduction in misclassifications. The best DL configuration achieved a precision of 0.92, recall of 0.81, and an F1 score of 0.83, reflecting strong detection capability with limited false alarms. A sensitivity analysis further indicated that reducing the object-oriented classification to two classes (burrow vs. non-burrow) improved efficiency without major performance losses compared to a four-class scheme. Higher spatial resolution (15 m flights) enhanced detection across all methods, especially benefiting DL by improving recall without sacrificing precision. The findings highlight that DL is particularly suited for detecting relatively discrete objects like burrows, offering a reliable tool for early intervention in pest control strategies. In contrast, traditional classifications processed the imagery >95 % faster than the DL workflow but were hindered by excessive misclassifications that compromised overall accuracy. This work underscores the potential of UAS-based DL detection pipelines to improve pest monitoring in agricultural ecosystems, providing a scalable and accurate solution for early warning and management programs. Future research should focus on linking burrow density to vole population estimates to further assist in plague management.

[ES] La detección precisa de madrigueras de topillos es fundamental para el seguimiento de plagas de roedores y la mitigación de daños agrícolas. Este estudio comparó el aprendizaje profundo (DL) con los métodos tradicionales de clasificación supervisada —Random Forest (RF) y Máquinas de Vectores de Soporte (SVM)— utilizando imágenes aéreas no tripuladas (UAS) de alta resolución a dos alturas de vuelo (15 m y 25 m). El DL, implementado mediante redes neuronales convolucionales, superó consistentemente a los métodos de clasificación, principalmente debido a una drástica reducción de las clasificaciones erróneas. La mejor configuración de DL alcanzó una precisión de 0,92, una exhaustividad de 0,81 y una puntuación F1 de 0,83, lo que refleja una gran capacidad de detección con un número limitado de falsos positivos. Un análisis de sensibilidad indicó además que reducir la clasificación orientada a objetos a dos clases (con madriguera frente a sin madriguera) mejoró la eficiencia sin pérdidas significativas de rendimiento en comparación con un esquema de cuatro clases. Una mayor resolución espacial (vuelos de 15 m) mejoró la detección en todos los métodos, beneficiando especialmente al aprendizaje profundo al mejorar la exhaustividad sin sacrificar la precisión. Los resultados destacan que el aprendizaje profundo (DL) es especialmente adecuado para detectar objetos relativamente discretos, como madrigueras, ofreciendo una herramienta fiable para la intervención temprana en estrategias de control de plagas. En cambio, las clasificaciones tradicionales procesaron las imágenes un 95 % más rápido que el flujo de trabajo de DL, pero se vieron perjudicadas por un número excesivo de clasificaciones erróneas que comprometieron la precisión general. Este trabajo destaca el potencial de los sistemas de detección basados ​​en aprendizaje profundo (DL) con UAS para mejorar el monitoreo de plagas en ecosistemas agrícolas, proporcionando una solución escalable y precisa para programas de alerta temprana y gestión. Las investigaciones futuras deberían centrarse en relacionar la densidad de madrigueras con las estimaciones de población de topillos para contribuir aún más al control de plagas.