Adapting Vision-Language Models for Remote Sensing-Based Precision Agriculture

Abstract

Vision-Language Models (VLMs) have emerged as powerful multimodal foundation models capable of linking visual and textual information through a shared semantic space. While these models demonstrate strong performance on natural-image tasks, their direct application to remote sensing imagery remains challenging due to substantial differences in viewing geometry, spatial scale, spectral composition, and domain-specific semantics. These limitations are particularly critical in precision agriculture, where accurate interpretation of satellite and UAV imagery is required for tasks such as crop classification, disease detection, vegetation monitoring, and tree mapping. This thesis presents a systematic review of adaptation strategies designed to bridge the gap between generalpurpose VLMs and remote sensing imagery, with a specific focus on agricultural applications. Following a PRISMA-based methodology, 111 studies published between 2019 and 2026 were analyzed across five major scientific databases. A novel three-level taxonomy is proposed, categorizing adaptation approaches into data-level, model-level, and training/inference-level strategies. The review examines preprocessing techniques, multimodal data fusion, synthetic data generation, fine-tuning approaches, parameter-efficient adaptation methods, prompt learning techniques, and hybrid frameworks. Beyond methodological analysis, the thesis evaluates adaptation strategies from an engineering perspective by considering computational requirements, annotation costs, deployment latency, hardware constraints, and operational readiness. Comparative analyses indicate that parameter-efficient approaches, particularly Low- Rank Adaptation (LoRA), provide the most favorable trade-off between performance and computational cost. The study further highlights the growing importance of multimodal fusion and remote sensing-specific foundation models while identifying persistent challenges related to spectral information utilization, geographic generalization, hallucination mitigation, and deployment in resource-constrained environments. The findings culminate in a deployment-oriented decision framework and a research roadmap for future agricultural VLM systems. By synthesizing recent advances and organizing them within a unified taxonomy, this work provides both researchers and practitioners with practical guidance for selecting and deploying VLM adaptation strategies in precision agriculture and remote sensing applications.***

Les modèles de vision-langage (VLMs) sont des modèles multimodaux puissants capables de relier les informations visuelles et textuelles à travers un espace sémantique partagé. Bien que ces modèles démontrent de bonnes performances sur les tâches d’images naturelles, leur application directe à l’imagerie de télédétection reste difficile en raison des différences substantielles en termes de géométrie de visualisation, d’échelle spatiale, de composition spectrale et de sémantique spécifique au domaine. Ces limitations sont particulièrement critiques dans l’agriculture de précision, où une interprétation précise des images satellitaires et des drones est nécessaire pour des tâches telles que la classification des cultures, la détection des maladies, la surveillance de la végétation et la cartographie des arbres. Cette thèse présente une revue systématique des stratégies d’adaptation conçues pour combler le fossé entre les VLMs généralistes et l’imagerie de télédétection, avec un accent particulier sur les applications agricoles. Selon une méthodologie basée sur PRISMA, 111 études publiées entre 2019 et 2026 ont été analysées à travers cinq bases de données scientifiques majeures. Une nouvelle taxonomie à trois niveaux est proposée, catégorisant les approches d’adaptation en stratégies au niveau des données, au niveau du modèle et au niveau de l’inférence/entraînement. La revue examine les techniques de prétraitement, la fusion de données multimodales, la génération de données synthétiques, les approches de réglage fin, les méthodes d’adaptation efficaces en paramètres, les techniques d’apprentissage par incitation et les cadres hybrides. Au-delà de l’analyse méthodologique, la thèse évalue les stratégies d’adaptation d’un point de vue ingénierie en considérant les exigences computationnelles, les coûts d’annotation, la latence de déploiement, les contraintes matérielles et la préparation opérationnelle. Les analyses comparatives indiquent que les approches efficaces en paramètres, en particulier l’adaptation de bas rang (LoRA), offrent le compromis le plus favorable entre performance et coût computationnel. L’étude souligne également l’importance croissante de la fusion multimodale et des modèles fondamentaux spécifiques à la télédétection, tout en identifiant les défis persistants liés à l’utilisation des informations spectrales, à la généralisation géographique, à l’atténuation des hallucinations et au déploiement dans des environnements à ressources limitées. Les conclusions aboutissent à un cadre de décision orienté vers le déploiement et à une feuille de route de recherche pour les futurs systèmes VLM agricoles. En synthétisant les avancées récentes et en les organisant au sein d’une taxonomie unifiée, ce travail fournit aux chercheurs et aux praticiens des conseils pratiques pour sélectionner et déployer des stratégies d’adaptation des VLMs dans l’agriculture de précision et les applications de télédétection