Ginkgo biloba L. desempeña un papel importante en la conservación de la biodiversidad. La identificación precisa de Ginkgo en entornos forestales sigue siendo un desafío debido a su similitud visual con otras especies de hojas anchas durante el período de hojas verdes y con especies de follaje amarillo durante el otoño. En este estudio, proponemos una nueva estrategia de segmentar y clasificar en dos etapas (STC) para mejorar la precisión de la identificación de Ginkgo a partir de imágenes de vehículos aéreos no tripulados (UAV). Primero, se ajustó el Modelo de Segmentación de Todo (SAM) para la segmentación del dosel en la etapa de hojas verdes y en la etapa de hojas amarillas. Se desarrolló una tubería de post-procesamiento para optimizar la calidad de las máscaras, asegurando una segmentación independiente y completa de la copa de los árboles. Posteriormente, se entrenó un modelo de clasificación basado en ResNet-101 para distinguir Ginkgo de otras especies de árboles. Los resultados experimentales mostraron que la estrategia STC logró mejoras significativas en comparación con el modelo YOLOv8. En la etapa de hojas amarillas, alcanzó un puntaje F1 del 92.96%, mejorando en 24.50 puntos porcentuales respecto a YOLOv8. En la etapa de hojas verdes, más desafiante, el puntaje F1 mejoró en 31.27 puntos porcentuales, superando el mejor rendimiento de YOLOv8 en la etapa de hojas amarillas. Estos hallazgos demuestran que el marco STC proporciona una solución confiable para la identificación de alta precisión de Ginkgo en ecosistemas forestales, ofreciendo un valioso apoyo para el monitoreo de la biodiversidad y la gestión forestal.