Leveraging Transfer Learning and Domain Adaptation for Crop Mapping and Classification in Precision Agriculture

Abstract

Crop classiĄcation is crucial for precision agriculture and food security but remains challenging in data-scarce regions like North Africa. This thesis reviews recent advances in crop classiĄcation using remote sensing, focusing on machine learning, transfer learning, and domain adaptation techniques. It compares methods including Random Forests, CNNs, Transformers, and unsupervised adaptation strategies. Special attention is given to approaches that work under limited annotations and regional variability. Results show that while Transformer and adaptation methods are effective, their use in Algeria requires tailored strategies due to domain shifts and environmental complexity****

La classiĄcation des cultures est essentielle pour lŠagriculture de précision, mais elle reste difficile dans les régions pauvres en données, comme lŠAfrique du Nord. Ce mémoire passe en revue les méthodes récentes basées sur la télédétection, incluant lŠapprentissage automatique, lŠapprentissage par transfert et lŠadaptation de domaine. Les approches comparées (Random Forest, CNN, Transformers, UDA) montrent que les méthodes récentes sont prometteuses. Toutefois, leur application en Algérie nécessite des adaptations spéciĄques à cause des différences régionales et du manque dŠannotations.