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

Abstract

Accurate crop type mapping is essential for agricultural monitoring, food security, and land management. However, building robust models for crop classification using satellite imagery remains challenging due to the lack of labeled data in many regions. This work presents a focused application of crop classification and domain adaptation techniques to the Algerian context using Sentinel-2 satellite imagery. The study explores both pixel-based and patch-based approaches. Pixel-level classification used traditional machine learning techniques such as Random Forest, XGBoost, and LightGBM, as well as deep learning models based on 1D CNNs. Patch-based classification was performed using semantic segmentation architectures with ResNet18 and ResNet34 backbones, pretrained on ImageNet or SeCo, and later adapted via Domain Adversarial Neural Networks (DANN). Results showed strong performance for pixel-level classification (F1-score up to 97% using Random Forest), and ultimately an overall accuracy of 89% was achieved on Algerian crop parcels with the use of domain adaptation and data augmentation.***

La cartographie précise des cultures est essentielle pour le suivi agricole, la sécurité alimentaire et la gestion des terres. Cependant, la construction de modèles robustes pour la classiĄcation des cultures à partir dŠimages satellites reste un déĄ, en raison du manque de données annotées dans de nombreuses régions. Ce travail présente une application ciblée des techniques de classiĄcation des cultures et dŠadaptation de domaine au contexte algérien, en utilisant les images satellites Sentinel-2. LŠétude explore à la fois des approches basées sur les pixels et sur les patches. La classiĄcation au niveau des pixels a utilisé des techniques classiques dŠapprentissage automatique telles que Random Forest, XGBoost et LightGBM, ainsi que des modèles dŠapprentissage profond basés sur des CNN 1D. La classiĄcation par patchs a été réalisée à lŠaide dŠarchitectures de segmentation sémantique avec des backbones ResNet18 et ResNet34, préentraînés sur ImageNet ou SeCo, puis adaptés via des réseaux neuronaux adverses de domaine (DANN). Les résultats ont montré de bonnes performances pour la classiĄcation au niveau des pixels (F1-score allant jusquŠà 97% avec Random Forest), et une précision globale de 89% a été atteinte sur les parcelles agricoles algériennes grâce à lŠutilisation de lŠadaptation de domaine et de lŠaugmentation de données